基于bp神经网络的滚动轴承故障诊断方法初探-毕业论文设计论文.doc

兰州交通大学毕业设计（论文）兰州交通大学毕业设计（论文）-PAGEII--PAGEI-基于BP神经网络的滚动轴承故障诊断方法初探摘要滚动轴承是机械设备中最常见、应用最广泛的零部件之一，其运行状态对整个设备的工作状态、生产过程都有直接影响。因此对轴承的故障诊断具有非常重要的意义。本文以机械设备滚动轴承故障诊断问题为背景，针对传统的时频分析方法难以全面反映故障信息的缺陷，探讨了BP(BackPropagation,反向传播)神经网络技术在滚动轴承故障诊断中的应用。选取滚动轴承三种故障类型（内圈故障、外圈故障、滚动体故障）下的轴承振动数据，经小波包三层分解后得到8组能量特征值，作为人工神经网络的输入层的输入，然后根据神经网络的原理，设置BP神经网络隐含层、输出层的相关参数，设计完成神经网络的结构模型。最后在Matlab软件平台上对所构建的网络进行训练，得到训练误差曲线，再在训练完成的神经网络上进行测试和仿真，得出仿真结果正确率。通过一系列的训练、测试和仿真可以看出，本文构建的BP神经网络结合对隐含层神经元参数的不同设置，得到不同的训练误差曲线，均具有良好的收敛性，在测试、诊断过程中，能够根据输入值快速、准确地识别出滚动轴承的故障类型，且具有较高的正确率。与传统方法相比，将BP神经网络应用到滚动轴承的故障诊断问题中，具有全面、快速、准确等特点，能够更全面的体现轴承的故障信息，具有显著的优越性。关键词：滚动轴承；故障诊断；BP神经网络；能量特征值-PAGEIII-AbstractTherollingbearingisoneofthemostcommonandwidelyusedcomponentsinthemechanicalequipment.Itsoperatingstatehasadirectimpactontheentireworkingstatusofequipmentandtheproductionprocess.Therefore,themonitoringanddiagnosisoftherollingbearinghasaveryimportantsignificance.Thebearingfaultdiagnosistechnologyisoftenbasedontime-frequencyanalysis.Thesemethodsarerestrictedinmanyways,whichcausesalotofstatedetectingmissed.Thispaperisbasedontheresearchoftherollingbearingfaultdiagnosisofthemechanicalequipment,andfocusontheBPneuralnetworktechnologyapplicationintheproblem.Therollingbearingvibrationdataofthreefaultpatterns(inner-racefault,out-racefaultandrollingelementfault)arechoseninthispaper,anditisadoptedthattakingeightenergycomponentsdecomposedbywaveletpacketastheANN(artificialneuralnetwork)inputvector.Then,accordingtotheANNtheory,sethiddenlayerandoutputlayerparametersoftheBPneuralnetworkanddesignthestructureoftheneuralnetworkmodelforrollingbearingfaultdiagnosis.Atlast,trainthenetworkonMatlabandgetthetrainingerrorcurve,thentestandsimulatethenetworkandcalculatethecorrectrateofthesimulationresults.Throughaseriesoftraining,testingandsimulationprocess,itcanbeseenthattheBPneuralnetworkmethod,whichisappliedtotherollingbearingfaultdiagnosis,cangetdifferenttrainingerrorcurves,combinedwithdifferentsetofparametersoftheneuronsinthehiddenlayer.Allthecurves