智能化滾動(dòng)軸承狀態(tài)檢測

1、智能化滾動(dòng)軸承狀態(tài)檢測院 系：班 級：姓 名：學(xué) 號：指導(dǎo)老師：摘要：軸承是各類機(jī)械設(shè)備中的常用部件，也是易損部件之一，軸承出現(xiàn)故障而得不到及時(shí)更換時(shí)，將可能影響整個(gè)機(jī)械裝置的工作，所以對軸承進(jìn)行狀態(tài)監(jiān)測，及時(shí)發(fā)現(xiàn)軸承的故障，將是十分必要的。本文對軸承狀態(tài)監(jiān)測的流程及各流程的實(shí)現(xiàn)進(jìn)行了較為詳細(xì)的闡述，說明了進(jìn)行軸承狀態(tài)監(jiān)測的意義及其技術(shù)的發(fā)展過程，之后介紹了狀態(tài)監(jiān)測的基本步驟及各個(gè)步驟的實(shí)現(xiàn)方法，最終完成對軸承狀態(tài)的正確判斷，并對此項(xiàng)技術(shù)進(jìn)行了總結(jié)和拓展。關(guān)鍵字：滾動(dòng)軸承；狀態(tài)檢測；神經(jīng)網(wǎng)絡(luò)1緒論1.1滾動(dòng)軸承滾動(dòng)軸承（rolling bearing）是將運(yùn)轉(zhuǎn)的軸與軸座之間的滑動(dòng)摩擦變?yōu)闈L動(dòng)摩

2、擦，從而減少摩擦損失的一種精密的機(jī)械元件。滾動(dòng)軸承圖滾動(dòng)軸承一般由內(nèi)圈、外圈、滾動(dòng)體和保持架四部分組成，內(nèi)圈的作用是與軸相配合并與軸一起旋轉(zhuǎn)；外圈作用是與軸承座相配合，起支撐作用；滾動(dòng)體是借助于保持架均勻的將滾動(dòng)體分布在內(nèi)圈和外圈之間，其形狀大小和數(shù)量直接影響著滾動(dòng)軸承的使用性能和壽命；保持架能使?jié)L動(dòng)體均勻分布，防止?jié)L動(dòng)體脫落，引導(dǎo)滾動(dòng)體旋轉(zhuǎn)起潤滑作用。滾動(dòng)軸承結(jié)構(gòu)圖滾動(dòng)軸承的作用是支承轉(zhuǎn)動(dòng)的軸及軸上零件，并保持軸的正常工作位置和旋轉(zhuǎn)精度，滾動(dòng)軸承使用維護(hù)方便，工作可靠，起動(dòng)性能好，在中等速度下承載能力較高。與滑動(dòng)軸承比較，滾動(dòng)軸承的徑向尺寸較大，減振能力較差，高速時(shí)壽命低，聲響較大。1.2滾

3、動(dòng)軸承常見故障與檢測技術(shù)滾動(dòng)軸承常見故障滾動(dòng)軸承在運(yùn)轉(zhuǎn)過程中可能會(huì)由于各種原因引起故障，如裝配不當(dāng)、潤滑不良、水分和異物侵入、腐蝕和過載等都可能會(huì)導(dǎo)致軸承過早失效。即使在安裝、潤滑和使用維護(hù)都正常的情況下，經(jīng)過一段時(shí)間運(yùn)轉(zhuǎn)，軸承也會(huì)出現(xiàn)疲勞剝落和磨損而不能正常工作?？傊瑵L動(dòng)軸承的失效原因是十分復(fù)雜的，其主要失效形式與原因如下6。 (1)磨損失效 磨損是滾動(dòng)軸承最常見的一種失效形式，是軸承滾道、滾動(dòng)體、保持架、座孔或安裝軸承的軸頸，由于機(jī)械原因或塵埃、異物等潤滑雜質(zhì)的侵入引起的表面磨損。在工作環(huán)境惡劣的情況下，許多雜質(zhì)會(huì)混雜在潤滑油中，進(jìn)入軸承，從而就會(huì)在滾動(dòng)體和滾道上產(chǎn)生磨料磨損，在滾動(dòng)體和

4、滾道上出現(xiàn)不均勻的劃痕。磨料的存在，是軸承磨損的基本原因。磨損的結(jié)果使軸承游隙增大，表面粗糙度增加，降低了軸承運(yùn)轉(zhuǎn)精度，因而也降低了機(jī)器的運(yùn)動(dòng)精度，振動(dòng)及噪聲也隨之增大。對于精密機(jī)械軸承，往往是磨損量限制了軸承的壽命。 (2)疲勞失效 疲勞是滾動(dòng)軸承的另一種失效形式，常表現(xiàn)為滾動(dòng)體或滾道表面剝落或脫皮。初期是在表面上形成不規(guī)則的凹坑，以后逐漸延伸成片。滾動(dòng)軸承在工作時(shí)，由于滾動(dòng)體與內(nèi)、外圈接觸面積很小，因此接觸應(yīng)力很大。在高速旋轉(zhuǎn)時(shí)，由于巨大交變接觸應(yīng)力多次反復(fù)作用，軸承元件金屬表面就會(huì)發(fā)生疲勞，產(chǎn)生剝落，形成小凹坑。造成剝落的主要原因是載荷引起的交變應(yīng)力，有時(shí)是因?yàn)闈櫥涣蓟驈?qiáng)迫安裝。 (3

5、)腐蝕失效 軸承表面的腐蝕主要是由下面三種原因造成的: 潤滑脂內(nèi)含有水分或酸類，這些成分與軸承的表面金屬發(fā)生化學(xué)反應(yīng)，即化學(xué)腐蝕。 軸承內(nèi)圈、外圈滾道面或滾道面上有凹坑或洗衣板狀條紋損傷，這是由于電流通過滾子和內(nèi)圈、外圈接觸面時(shí)擊穿油膜，從而產(chǎn)生金屬熔融現(xiàn)象，這種腐蝕稱為電蝕。 軸承內(nèi)徑和軸頸的配合過盈量不足，軸承在承受載荷時(shí)，由于發(fā)生彈性變形，在接觸面間產(chǎn)生微小的滑動(dòng)，出現(xiàn)褐色磨耗粉，這稱為摩擦腐蝕。 (4)斷裂失效 軸承零件的破斷與裂紋主要是由于磨削或熱處理引起的，也有的是由于運(yùn)行時(shí)載荷過大、轉(zhuǎn)速過高、潤滑不良或裝配不善，使軸承某個(gè)部位發(fā)生應(yīng)力集中，產(chǎn)生裂紋，最后導(dǎo)致軸承元件斷裂。(5)壓

6、痕失效壓痕失效是由于軸承過載、撞擊或異物進(jìn)入滾道內(nèi)使得滾動(dòng)體或滾道表面上產(chǎn)生局部變形而出現(xiàn)的凹坑。其原因主要是由于裝配不當(dāng)，有時(shí)也可能是過載或撞擊造成的。(6)膠合失效膠合發(fā)生在滾動(dòng)接觸的兩個(gè)表面間，為一個(gè)表面上的金屬粘附到另一個(gè)表面的現(xiàn)象。當(dāng)滾子在保持架內(nèi)卡住，由于潤滑不良、速度過高和慣性力的影響，保持架的材料粘附到滾子端面上形成螺旋型污斑狀的膠合。(7)保持架損壞由于裝配或使用不當(dāng)可能會(huì)引起保持架發(fā)生變形，增加它與滾動(dòng)體之間的摩擦，甚至使某些滾動(dòng)體卡死不能滾動(dòng)，也有可能造成保持架與內(nèi)外圈發(fā)生摩擦等。這一損傷會(huì)進(jìn)一步使振動(dòng)、噪聲與發(fā)熱加劇，導(dǎo)致軸承損壞。滾動(dòng)軸承的檢測技術(shù)滾動(dòng)軸承的故障診斷技

7、術(shù)較多，主要有:振動(dòng)診斷技術(shù)、鐵譜診斷技術(shù)、聲學(xué)診斷技術(shù)、油膜電阻診斷技術(shù)和溫度診斷技術(shù)等7。(1)振動(dòng)診斷技術(shù)軸承元件的工作表面出現(xiàn)疲勞剝落、壓痕或局部腐蝕時(shí)，軸承運(yùn)行中會(huì)出現(xiàn)周期性的脈沖信號。這種周期性信號可由安裝在軸承座上的傳感器(速度型或加速度型)來接收，通過對振動(dòng)信號的分析來診斷軸承的故障，是現(xiàn)今采用最為廣泛的方法。(2)鐵譜診斷技術(shù)軸承磨損顆粒與其工作狀況有密切的聯(lián)系。將帶有磨損顆粒的潤滑油通過一強(qiáng)磁場，在強(qiáng)磁場的作用下，磨粒按一定的規(guī)律沉淀在鐵譜片上，鐵譜片可在鐵譜顯微鏡上做定性觀察或在定量儀器上測試，據(jù)此判斷軸承的工作狀況。鐵譜診斷技術(shù)具有機(jī)器無需解體，投資低、效果好，能發(fā)現(xiàn)軸

8、承的早期疲勞失效，可作磨損機(jī)理研究等特點(diǎn)。這種方法適合于用潤滑油潤滑的軸承的故障診斷，對用脂潤滑軸承較困難。另外，這種方法易受其它非軸承損壞掉下的顆粒的影響。所以，這種方法具有很大的局限性。(3)油膜電阻診斷技術(shù)潤滑良好的軸承，由于油膜的作用，內(nèi)、外圈之間有很大的電阻。故通過測量軸承內(nèi)、外圈之間的電阻，可對軸承的異常作出判斷。其特點(diǎn)是對不同的工況條件可使用同一評判標(biāo)準(zhǔn)，適用于旋轉(zhuǎn)軸外露的場合，對表面剝落、壓痕、裂紋等異常的診斷效果比較差。(4)溫度診斷技術(shù)軸承若產(chǎn)生某種異常，軸承的溫度會(huì)發(fā)生變化。因此，根據(jù)溫度的變化，可以對軸承故障進(jìn)行診斷，但對異常判斷的能力只能給予很低的評價(jià)。溫度監(jiān)測對軸承

9、載荷、速度和潤滑情況的變化反映比較敏感，尤其對潤滑不良而引起的軸承過熱現(xiàn)象很敏感。所以，用于這種場合比較有效。但是，當(dāng)軸承出現(xiàn)諸如早期點(diǎn)蝕、剝落、輕微磨損等比較微小的故障時(shí)，溫度監(jiān)測基本上沒有反映，只有當(dāng)故障達(dá)到一定的嚴(yán)重程度時(shí)，用這種方法才能監(jiān)測到。所以，溫度監(jiān)測不適用于點(diǎn)蝕、局部剝落等所謂的局部損傷類故障。(5)聲發(fā)射診斷技術(shù)振動(dòng)信號雖然能提供較多滾動(dòng)軸承的故障信息，但是由于滾動(dòng)軸承的信號比較復(fù)雜，故障信號與正常振動(dòng)信號混在一起，為了提取滾動(dòng)軸承的故障信息，不得不采用比較復(fù)雜的監(jiān)測診斷系統(tǒng)，信號處理技術(shù)要求較高，這在某種程度上使?jié)L動(dòng)軸承的故障診斷應(yīng)用受到了限制。另外，對于工作在低速及超低速

10、的軸承（如起重機(jī)和微波天線轉(zhuǎn)盤的支承軸承），用傳統(tǒng)的振動(dòng)監(jiān)測法（020kHz范圍內(nèi)）難于奏效，而采用聲發(fā)射技術(shù)（在100300kHz范圍內(nèi)）往往可以收到良好的效果。另外，使用聲發(fā)射技術(shù)不但能監(jiān)視疲勞裂紋的擴(kuò)展情況，同時(shí)還能監(jiān)測滾動(dòng)表面間的摩擦狀況。此外，新的監(jiān)測技術(shù)不斷出現(xiàn)并應(yīng)用于滾動(dòng)軸承的工況監(jiān)測和診斷中，如聲發(fā)射技術(shù)、光纖監(jiān)測技術(shù)等等。但是由于種種原因和局限性，這些技術(shù)離真正普及應(yīng)用于實(shí)際的滾動(dòng)軸承診斷還有一段距離。1.3滾動(dòng)軸承診斷技術(shù)的發(fā)展現(xiàn)狀早期人們對滾動(dòng)軸承的故障診斷是依靠聽覺來加以判斷，雖然熟練的技術(shù)員工能覺察到軸承剛發(fā)生的疲勞剝落與損傷部位，但受主觀因素的影響較大。真正意義上的

11、滾動(dòng)軸承的監(jiān)測與診斷開始于20世紀(jì)60年代3，人們用振動(dòng)位移、速度或加速度的均方根值或峰值來判斷軸承有無故障，這樣減少了對人為經(jīng)驗(yàn)的依賴。幾十年來，故障診斷技術(shù)不斷吸收各門科學(xué)技術(shù)發(fā)展的新成果，診斷的理論與應(yīng)用有了很大的發(fā)展和進(jìn)步，它涉及系統(tǒng)論、控制論、信息論、檢測與估計(jì)理論、計(jì)算機(jī)科學(xué)等多方面的內(nèi)容，成為集許多相關(guān)專業(yè)學(xué)科于一體的新興交叉學(xué)科。如G.K. Chaturvedi and D.W. Thomas利用自適應(yīng)降噪技術(shù)(ANC)使得統(tǒng)計(jì)分析及譜分析對滾動(dòng)軸承的故障診斷更加有效。J.P.Dron等利用時(shí)序分析建立了高分辨率的滾動(dòng)軸承故障監(jiān)測方法. D.Ho與R.B.Randall將ANC

12、技術(shù)與包絡(luò)分析相結(jié)合，大大降低了噪音影響，更加有效地提取出軸承故障特征信號4。 國內(nèi)對滾動(dòng)軸承的工況監(jiān)測與故障診斷的廣泛研究基本上是從80年代才開始的5。雖然起步較晚，但經(jīng)過很多高校、研究所和工廠廣大科技人員的努力，在滾動(dòng)軸承的故障診斷、系統(tǒng)開發(fā)等方面己取得很大進(jìn)步。自1985年來，由中國設(shè)備管理協(xié)會(huì)設(shè)備診斷委員會(huì)、中國振動(dòng)工程學(xué)會(huì)機(jī)械故障診斷分會(huì)和中國機(jī)械工程學(xué)會(huì)設(shè)備維修分會(huì)分別組織的全國性故障診斷學(xué)術(shù)會(huì)議以先后召開多次，極大地推動(dòng)了我國故障診斷技術(shù)的發(fā)展。 研究的主要方面是基于振動(dòng)信號的共振解調(diào)技術(shù)。其中，航空航天部608所的唐德堯教授等人于1984年開發(fā)成功基于共振解調(diào)原理的JK8241

13、齒輪軸承故障分析儀，既而于1990年開發(fā)成功專用于鐵路貨車輪對軸承故障診斷的JK86411自動(dòng)試驗(yàn)系統(tǒng)。此診斷系統(tǒng)適用于鐵路貨車輪對滾動(dòng)軸承的不解體故障診斷，提高了檢驗(yàn)速度與診斷可靠性，節(jié)約了維修費(fèi)用與備件損耗，提高了鐵路車輛的運(yùn)行可靠性和維修的經(jīng)濟(jì)效益。另外，南京航空航天大學(xué)振動(dòng)所趙淳生教授等人針對軋鋼機(jī)系列軸承的特殊性相繼開發(fā)了軸承故障診斷系統(tǒng)，也已成功地應(yīng)用于軋鋼機(jī)系列軸承的在線故障診斷。其基本原理也是共振解調(diào)技術(shù)。相比較而言，國內(nèi)滾動(dòng)軸承的診斷與國外相比還有一定的差距，對滾動(dòng)軸承實(shí)效機(jī)理、實(shí)效過程的研究不夠、不深入。1.4滾動(dòng)軸承狀態(tài)檢測的意義滾動(dòng)軸承是各種旋轉(zhuǎn)機(jī)械中應(yīng)用最廣泛的一種通

14、用機(jī)械部件，它們在旋轉(zhuǎn)機(jī)械中起著關(guān)鍵的作用，旋轉(zhuǎn)機(jī)械的故障30%是由滾動(dòng)軸承故障引起的，其運(yùn)行狀態(tài)的正常與否直接影響到整臺機(jī)器的性能(包括精度、可靠性及壽命等)1。據(jù)統(tǒng)計(jì)，僅有10-20%的軸承達(dá)到他們的設(shè)計(jì)壽命。 大量實(shí)驗(yàn)證明，滾動(dòng)軸承的疲勞壽命是非常離散。在相同的實(shí)驗(yàn)條件下，結(jié)構(gòu)設(shè)計(jì)、材質(zhì)、加工方法相同的同一批軸承，其最長與最短的壽命可能相差數(shù)十倍甚至上百倍。由于軸承的這個(gè)特點(diǎn)，在實(shí)際使用中就出現(xiàn)這樣一種情況，即有的軸承己大大超過設(shè)計(jì)壽命而依然完好地工作，而有的軸承遠(yuǎn)未達(dá)到設(shè)計(jì)壽命就出現(xiàn)各種故障。所以，如果按照設(shè)計(jì)壽命對軸承進(jìn)行定期維修，一方面，會(huì)對超過設(shè)計(jì)壽命而完好工作的軸承拆下來作為報(bào)

15、廢處理，造成浪費(fèi);另一方面，未達(dá)到設(shè)計(jì)壽命而出現(xiàn)故障的軸承或者堅(jiān)持到定期維修時(shí)拆下來報(bào)廢，使得機(jī)器在軸承出現(xiàn)故障后和拆下前這段時(shí)間內(nèi)工作精度下降，或者未到維修時(shí)間就出現(xiàn)嚴(yán)重故障，導(dǎo)致整個(gè)機(jī)器出現(xiàn)嚴(yán)重事故2。由此看來，對重要用途的軸承來說定時(shí)維修是很不科學(xué)的，要進(jìn)行工況監(jiān)視與故障診斷，改傳統(tǒng)的定時(shí)維修為視情維修或預(yù)知維修，這不但可以防止機(jī)械工作精度下降，減少或杜絕事故發(fā)生，而且可以最大限度地發(fā)揮軸承的工作潛力，節(jié)約開支，具有重要意義。2智能化人工神經(jīng)網(wǎng)絡(luò)2.1神經(jīng)網(wǎng)絡(luò)的概述神經(jīng)網(wǎng)絡(luò)是生命科學(xué)與工程科學(xué)相互關(guān)聯(lián)，相互交叉，相互促進(jìn)的一門科學(xué)。神經(jīng)元網(wǎng)絡(luò)從人腦的生理學(xué)和心理學(xué)著手，通過人工模擬人腦的

16、工作機(jī)理來實(shí)現(xiàn)機(jī)器的部分智能行為，是信息處理中的一種嶄新的方法。神經(jīng)網(wǎng)絡(luò)以非線性為基礎(chǔ)，模擬人腦細(xì)胞的分布式工作特點(diǎn)和自組織功能實(shí)現(xiàn)并行處理、自學(xué)習(xí)和非線性映射等能力，具有高度的學(xué)習(xí)聯(lián)想能力。目前神經(jīng)網(wǎng)絡(luò)己經(jīng)在智能控制、模態(tài)識別、非線性優(yōu)化、自適應(yīng)濾波、語音識別、機(jī)器人工程、生物醫(yī)學(xué)等領(lǐng)域獲得了廣泛的應(yīng)用6。2.2 BP神經(jīng)網(wǎng)絡(luò) BP(Back Propagation Network)神經(jīng)網(wǎng)絡(luò)是目前應(yīng)用最為廣泛和成功的神經(jīng)網(wǎng)絡(luò)之一，它是由一個(gè)輸入層，一個(gè)或多個(gè)隱層以及一個(gè)輸出層組成，上下層之間實(shí)現(xiàn)全連接，而每層神經(jīng)元之間無連接。BP神經(jīng)元有n個(gè)輸入，每個(gè)輸入都通過一個(gè)適當(dāng)?shù)臋?quán)值(i=1，2，n

17、)連接到神經(jīng)元節(jié)點(diǎn)上。輸出函數(shù)為，S即為全部輸入的加權(quán)值求和，并且S作為激活函數(shù)f的輸入，激活函數(shù)的另一個(gè)輸入是神經(jīng)元的閾值。BP神經(jīng)元的具體模型:神經(jīng)元模型圖 BP網(wǎng)絡(luò)是一種具有三層或三層以上(其中中間層或隱層可以含多層)神經(jīng)元組成的神經(jīng)網(wǎng)絡(luò)，包括輸入層、中間層(隱層)和輸出層，其具體結(jié)構(gòu)圖：X1X2X3Xj-1Xj輸入層隱含層O1O2Ok輸出層WTBP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖該網(wǎng)絡(luò)為單向網(wǎng)絡(luò)，網(wǎng)絡(luò)分為不同層次的節(jié)點(diǎn)集合，每一層節(jié)點(diǎn)輸送到下一層節(jié)點(diǎn)，本層節(jié)點(diǎn)之間沒有連接。上層輸出的節(jié)點(diǎn)值被連接權(quán)值放大、衰減或抑制。網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)過程由兩部分組成：前向計(jì)算和誤差反向傳播計(jì)算。在正向傳播過程中，輸入信息從

18、輸入層經(jīng)隱層逐層處理并向輸出層，每一層神經(jīng)元的狀態(tài)僅影響下一層神經(jīng)元的狀態(tài)，如果在輸出層得不到期望的輸出，則將誤差反向傳入網(wǎng)絡(luò)，并向輸入層傳播，通過修改各層神經(jīng)元的狀態(tài)權(quán)值使得誤差信號最小。隨著誤差逆向傳播修正的不斷進(jìn)行，網(wǎng)絡(luò)對輸入模式響應(yīng)的正確率也不斷上升。 2.3輸入層、輸出層和隱層的設(shè)計(jì) 輸入的神經(jīng)元可以根據(jù)需要求解的問題和數(shù)據(jù)表示方式確定。在故障診斷中，輸入層神經(jīng)元個(gè)數(shù)一般等于每個(gè)樣本中包含的特征值的個(gè)數(shù)。 輸出層的維數(shù)可根據(jù)設(shè)計(jì)者的要求確定，在故障診斷中，一般將BP網(wǎng)絡(luò)用作分類器，如類別模式一共有m個(gè)，則輸出層神經(jīng)元的個(gè)數(shù)為m。 隱層的神經(jīng)元個(gè)數(shù)選擇是一個(gè)較為復(fù)雜的問題，往往需要設(shè)計(jì)

19、者多次試驗(yàn)來確定，因而不存在一個(gè)理想的解析式來表示。 隱層單元的個(gè)數(shù)與問題的要求、輸入/輸出單元的數(shù)目都有著直接關(guān)系。隱層單元個(gè)數(shù)太多會(huì)導(dǎo)致學(xué)習(xí)時(shí)間過長、誤差不一定最佳，也會(huì)導(dǎo)致容錯(cuò)性差、不能識別以前沒有見到的樣本等問題，因此一定存在一個(gè)最佳的隱層單元數(shù)。 以下三個(gè)公式可作為選擇最佳隱層單元數(shù)時(shí)的參考公式： ，其中是輸入層神經(jīng)元數(shù)，是隱層神經(jīng)元數(shù)，m是輸出神經(jīng)元數(shù)，n是輸入神經(jīng)元數(shù)，a是1,10之間的常數(shù)。2.4 BP神經(jīng)網(wǎng)絡(luò)的識別和測試首先將已進(jìn)行歸一化的特征值作為BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)，設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)，確定其各個(gè)參數(shù)。然后建立神經(jīng)網(wǎng)絡(luò)并對其進(jìn)行訓(xùn)練，從而實(shí)現(xiàn)模式識別。2.4.1神經(jīng)網(wǎng)絡(luò)識別

20、1、輸入層和輸出層的選擇 在軸承狀態(tài)監(jiān)測過程中，樣本數(shù)據(jù)來源于實(shí)驗(yàn)數(shù)據(jù)分析后提取的有效特征值。所以網(wǎng)絡(luò)輸入神經(jīng)元個(gè)數(shù)為11；網(wǎng)絡(luò)輸出為軸承狀態(tài)，分為正常軸承和故障軸承，用（0 1）表示故障軸承，（1 1）表示正常軸承，因此網(wǎng)絡(luò)中只設(shè)計(jì)2個(gè)輸出神經(jīng)元表示這2個(gè)狀態(tài)。綜上所述，該BP網(wǎng)絡(luò)輸入層有11個(gè)神經(jīng)元，輸出層有2個(gè)神經(jīng)元。 2、隱層的選擇 對于軸承的不同狀態(tài)進(jìn)行識別，建立神經(jīng)網(wǎng)絡(luò)對它進(jìn)行訓(xùn)練，用前面提到的公式來確定隱層個(gè)數(shù)，由于輸入為11個(gè)神經(jīng)元，輸出為2個(gè)神經(jīng)元，由參考公式可知隱層神經(jīng)元在23左右。我們設(shè)計(jì)一個(gè)隱層可以隨意改變的BP神經(jīng)網(wǎng)絡(luò)，通過誤差對比確定隱層數(shù)目，隱層神經(jīng)元在2026之

21、間進(jìn)行比較。3、訓(xùn)練參數(shù)選擇設(shè)定網(wǎng)絡(luò)的隱含層神經(jīng)元的傳遞函數(shù)為tansig，輸出層神經(jīng)元的傳遞函數(shù)為logsig，目標(biāo)誤差為0.001，最大訓(xùn)練步數(shù)為1000。由此得網(wǎng)絡(luò)訓(xùn)練代碼如“程序2-1”，得到結(jié)果：隱層神經(jīng)元個(gè)數(shù)20212223242526網(wǎng)絡(luò)誤差y10.124520.13230.14560.11450.13270.14180.1421網(wǎng)絡(luò)訓(xùn)練誤差表此表表在經(jīng)過1000次的訓(xùn)練后，隱層神經(jīng)元個(gè)數(shù)為20的BP網(wǎng)絡(luò)對函數(shù)的逼近效果最好，因?yàn)樗恼`差最小所以這里將網(wǎng)絡(luò)隱層的神經(jīng)元數(shù)目設(shè)定為20。確定隱層神經(jīng)元個(gè)數(shù)后可以確定BP網(wǎng)絡(luò)的最終結(jié)構(gòu)為：網(wǎng)絡(luò)結(jié)構(gòu)隱層神經(jīng)元個(gè)數(shù)訓(xùn)練函數(shù)目標(biāo)誤差輸入神經(jīng)元

22、個(gè)數(shù)輸出神經(jīng)元個(gè)數(shù)BP三層網(wǎng)絡(luò)22trainlm0.001112BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)表以最終確定的神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，訓(xùn)練程序代碼如“程序2-2”。由輸出結(jié)果可知，訓(xùn)練誤差為0.000957049，訓(xùn)練步數(shù)為42步。網(wǎng)絡(luò)訓(xùn)練誤差圖藍(lán)線為實(shí)際訓(xùn)練線，黑線為設(shè)定的目標(biāo)誤差線。2.4.2神經(jīng)網(wǎng)絡(luò)測試在時(shí)頻域有效的特征值得到了神經(jīng)網(wǎng)絡(luò)，需對神經(jīng)網(wǎng)絡(luò)進(jìn)行測試，判斷其是否能正確地實(shí)現(xiàn)模式識別的功能。網(wǎng)絡(luò)測試程序見“程序2-3、2-4”，隨機(jī)選取正常軸承數(shù)據(jù)Z3015和故障軸承數(shù)據(jù)G2515進(jìn)行測試。得到結(jié)果正常軸承Z3015,y=0.0108 0.9559； 故障軸承G2515,y=0.9800 0.974

23、7。設(shè)計(jì)時(shí)的預(yù)期結(jié)果正常軸承,y=0 1； 故障軸承,y=1 1。由測試結(jié)果數(shù)據(jù)的分類完全正確，也就是說前面建立起來的網(wǎng)絡(luò)對軸承狀態(tài)的模式識別是完全正確的。以后進(jìn)行模式識別時(shí)，只要將測得的數(shù)據(jù)輸入這個(gè)網(wǎng)絡(luò)就可以根據(jù)它的輸出結(jié)果正確的識別出軸承的狀態(tài)。3 滾動(dòng)軸承的狀態(tài)檢測當(dāng)滾動(dòng)軸承元件的工作表面出現(xiàn)疲勞剝落、壓痕或局部腐蝕時(shí)，軸承運(yùn)行中會(huì)出現(xiàn)周期性的脈沖信號。這種周期性信號可由安裝在軸承座上的傳感器(速度型或加速度型)來接收，將傳感器測取的滾動(dòng)軸承振動(dòng)信號接入電荷放大器進(jìn)行信號放大，再通過A/D卡轉(zhuǎn)換為計(jì)算機(jī)可以識別和處理的數(shù)字信號并接入計(jì)算機(jī)，在計(jì)算機(jī)上利用Matlab編程實(shí)現(xiàn)以下功能：通過

24、時(shí)域和頻域分析提取有效特征向量，利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識別判斷故障類型（故障軸承或正常軸承），從而實(shí)現(xiàn)滾動(dòng)軸承智能化故障診斷。狀態(tài)檢測系統(tǒng)構(gòu)成圖3.1滾動(dòng)軸承狀態(tài)監(jiān)測的硬件設(shè)備實(shí)現(xiàn)狀態(tài)監(jiān)測的硬件設(shè)備為實(shí)現(xiàn)振動(dòng)信號采集部分的設(shè)備部分。實(shí)驗(yàn)平臺電荷放大器加速度傳感器A/D變頻器計(jì)算機(jī)數(shù)據(jù)采集卡信號采集系統(tǒng)框圖由框圖可知，滾動(dòng)軸承振動(dòng)信號的采集過程：首先滾動(dòng)軸承實(shí)驗(yàn)平臺上的電動(dòng)機(jī)運(yùn)轉(zhuǎn)(由變頻器控制運(yùn)轉(zhuǎn)速度)，由聯(lián)軸器帶動(dòng)滾動(dòng)軸承轉(zhuǎn)動(dòng)，然后通過加速度傳感器采集軸承工作時(shí)的振動(dòng)信號，通過電荷放大器將振動(dòng)信號放大，最后用數(shù)據(jù)采集卡采集信號后通過A/D轉(zhuǎn)換將模擬信號轉(zhuǎn)換成數(shù)字信號送入計(jì)算機(jī)進(jìn)行處理。1、智

25、能化滾動(dòng)軸承狀態(tài)監(jiān)測實(shí)驗(yàn)平臺，主要由異步電機(jī)、滾動(dòng)軸承座、聯(lián)軸器、減速器和磁粉制動(dòng)器五部分組成。（1）異步電機(jī)：工作時(shí)可以通過聯(lián)軸器帶動(dòng)滾動(dòng)軸承轉(zhuǎn)動(dòng)。此外電動(dòng)機(jī)和變頻器相連接，可以利用變頻實(shí)現(xiàn)對異步電機(jī)轉(zhuǎn)速的控制。（2）變頻器：主要用于控制電機(jī)的轉(zhuǎn)速，實(shí)現(xiàn)滾動(dòng)軸承在不同工作狀態(tài)下振動(dòng)信號的采集。（3）滾動(dòng)軸承座：用于安放滾動(dòng)軸承。由于滾動(dòng)軸承座上表面是圓弧形，無法安裝傳感器，所以對滾動(dòng)軸承座上表面進(jìn)行銑處理，使傳感器可以通過底盤的磁鐵牢固地吸附在滾動(dòng)軸承座上。（4）磁粉制動(dòng)器：與其匹配電源連接，電源打開，滾動(dòng)軸承受到相應(yīng)的負(fù)載作用；電源關(guān)閉，滾動(dòng)軸承處于空轉(zhuǎn)狀態(tài)。通過對電源的控制，實(shí)現(xiàn)滾動(dòng)軸承

26、工作狀態(tài)的改變。（5）聯(lián)軸器：用于在同一工作軸上連接各器件。2、傳感器：采集滾動(dòng)軸承的振動(dòng)信號，要求頻帶的比較寬，此處采用加速度傳感器，結(jié)構(gòu)簡單、高靈敏度、低漂移。3、電荷放大器：電荷放大器在數(shù)據(jù)采集過程中起著重要的作用。采集到的振動(dòng)信號往往比較微弱，需要對微弱信號進(jìn)行放大處理，同時(shí)改善輸入計(jì)算機(jī)的信號的信噪比。3.3滾動(dòng)軸承狀態(tài)監(jiān)測的軟件設(shè)備滾動(dòng)軸承故障狀態(tài)監(jiān)測的軟件設(shè)備所采用的軟件平臺是用VC+和MATLAB軟件編譯的。其中VC+軟件主要用于前期滾動(dòng)軸承振動(dòng)信號采集軟件的設(shè)計(jì)以及智能化滾動(dòng)軸承狀態(tài)監(jiān)測界面的設(shè)計(jì)，而MATLAB主要用于實(shí)現(xiàn)信號時(shí)域、頻域的分析以及神經(jīng)網(wǎng)絡(luò)相關(guān)的算法實(shí)現(xiàn)。4數(shù)

27、據(jù)采集及信號預(yù)處理信號采集系統(tǒng)框圖的硬件設(shè)備獲得正常軸承與故障軸承在不同工況下的振動(dòng)信號。獲得數(shù)據(jù)為：正常軸承Z2015、Z2515、Z3015、Z20610、Z25610、Z30610，故障軸承G2015、G2515、G3015、G20610、G25610、G30610。選取Z2015與G2015的原始數(shù)據(jù)進(jìn)行分析。用附錄“程序3-1”，可得Matlab時(shí)頻圖3-1、3-2、3-3、3-4。Z2015時(shí)間-幅值圖（圖3-1）G2015時(shí)間-幅值圖（圖3-2）Z2015頻率-幅值圖（圖3-3）G2015頻率-幅值圖（圖3-4） 由圖3-1和圖3-2對比可以發(fā)現(xiàn)故障軸承的時(shí)域圖中幅值的變化較正常

28、軸承要大。由于原始數(shù)據(jù)處理得到的頻譜圖中有低頻的直流分量，所以為減小誤差，便于進(jìn)行頻譜分析，須對原始數(shù)據(jù)進(jìn)行零均值化處理。零均值化處理又稱中心化處理。信號的均值相當(dāng)于一個(gè)直流分量，而直流信號的傅里葉變換是在處的沖激函數(shù)，因此若不去除均值，在作信號譜分析時(shí)，將在處出現(xiàn)一個(gè)大的譜峰，并會(huì)影響在左右處的頻譜曲線，使它產(chǎn)生較大的誤差。設(shè)采樣數(shù)據(jù)為(n=1，2，N)，其均值通過下式計(jì)算：，用下式進(jìn)行零均值化處理：， 處理后，就變?yōu)橐粋€(gè)均值為零的新信號(n=1，2，N)。具體Matlab程序見“程序3-2”。以Z2015數(shù)據(jù)為例：Z2015時(shí)域圖（零均值化前）圖3-5Z2015時(shí)域圖（零均值化后）圖3-6

29、Z2015頻域圖（零均值化前）圖3-7Z2015頻域圖（零均值化后）圖3-8 從時(shí)域圖3-5和圖3-6對比可以看出，零均值化處理后，信號值在0附近上下波動(dòng)，便于做時(shí)域分析；從頻域圖3-7和圖3-8對比看出，零均值化處理可以消除在處出現(xiàn)一個(gè)由直流分量產(chǎn)生的大的頻率譜峰，避免了其對周圍小峰值產(chǎn)生的負(fù)面影響，便于進(jìn)行頻域分析。 4.1信號時(shí)域分析及特征提取在采集到的原始信號進(jìn)行零均值化處理后，對得到的新信號進(jìn)行時(shí)域分析，做出時(shí)域時(shí)間幅值圖，例如圖3-5。要實(shí)現(xiàn)有效的滾動(dòng)軸承模式識別，許提取有效的有區(qū)別性的時(shí)域、頻域信號特征，從而建立神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。一般時(shí)域特征提取有量綱量：均值、方差、均方根和峰值

30、，無量綱量：峰值因子、峭度系數(shù)、波形因子、脈沖因子和裕度因子。均值：，表示隨機(jī)過程的中心趨勢，隨機(jī)過程都是圍繞著它聚集和波動(dòng)，是隨機(jī)過程的靜態(tài)分量。均值用于故障診斷的優(yōu)點(diǎn)是檢測值較峰值穩(wěn)定。方差：，描述了隨機(jī)過程在均值周圍的散布程度，是隨機(jī)過程的動(dòng)態(tài)分量。均方根值：，反映了信號下x(t)相對于零值的波動(dòng)情況，表示信號的平均能量。峰值：，是信號最大的瞬時(shí)幅值，反映信號的強(qiáng)度。它對瞬時(shí)現(xiàn)象也可以得出正確的指示值，適用于表面點(diǎn)蝕之類的具有瞬時(shí)沖擊的缺陷診斷。峰值因數(shù)：，表示波形是否有沖擊的指標(biāo)。峰值因數(shù)不受振動(dòng)信號的絕對水平所影響，所以傳感器的靈敏度即使有變動(dòng)，也不會(huì)出現(xiàn)測量誤差。峭度系數(shù)：，是表示

31、軸承工作表面出現(xiàn)疲勞故障時(shí)，每轉(zhuǎn)一周，工作面缺陷處產(chǎn)生的沖擊脈沖，故障越大，沖擊響應(yīng)幅值越大，故障現(xiàn)象越明顯。波形因子：。脈沖因子：，對于沖擊脈沖類缺陷比較敏感，特別是出現(xiàn)早期缺陷時(shí)，它有明顯增加;當(dāng)上升到一定程度后，隨著缺陷的逐漸發(fā)展，反而會(huì)下降。裕度因子：。由各指標(biāo)的定義編程得程序3-3，計(jì)算可得。狀態(tài)樣本時(shí)域特征值均值（）方差均方根RMS峰值peak峰值因子C峭度系數(shù)K波形因子S脈沖因子I裕度因子CL正常軸承Z20153.2994 10778.1 1.0187 1.8700 1.7141 0.4100 0.4121 0.7023 0.0844 Z25153.8908 10166.5 1.

32、0232 1.8205 1.7869 0.4036 0.4118 0.7358 0.0884 Z30150.8365 10242.7 1.1071 1.8080 1.6959 0.4017 0.4107 0.6965 0.0835 Z20610-2.1579 10181.2 1.1085 1.7970 1.7719 0.4088 0.4124 0.7308 0.0879 Z256100.9993 10218.2 1.1059 1.8410 1.7308 0.3945 0.4115 0.7122 0.0856 Z306102.8767 10232.8 1.0121 1.7565 1.7373 0

33、.4128 0.4129 0.7173 0.0863 故障軸承G2015-2.2129 14553.0 1.2062 2.7394 2.2710 1.3103 0.5760 1.3081 0.1877 G25152.3502 11324.6 1.0642 2.8686 2.6956 1.0932 0.5065 1.3654 0.1821 G30153.2071 11616.3 1.0779 2.8601 2.6535 1.1294 0.5078 1.3475 0.1798 G20610-0.2527 14653.5 1.2115 2.7784 2.2954 1.2284 0.5656 1.29

34、83 0.1848 G256100.4212 12149.1 1.1023 2.6721 2.4243 1.0969 0.5087 1.2333 0.1651 G30610-0.0226 11082.1 1.0526 2.6860 2.5525 1.1041 0.5070 1.2942 0.1722 時(shí)域特征值表（表1）由表3-1可知，在均值、方差、均方根、峰值、峰值因子、峭度系數(shù)、波形因子、脈沖因子和裕度因子這9個(gè)特征指標(biāo)中，峰值、峰值因子、峭度系數(shù)、波形因子、脈沖因子和裕度因子這6個(gè)指標(biāo)均能較好地反映出正常軸承與故障軸承之間的區(qū)別，是較好的指標(biāo)。由于各個(gè)特征值的幅值大小不一，不便于比較同一

35、特征值的不同樣本之間的差異，并且考慮模式識別步驟中輸入神經(jīng)網(wǎng)絡(luò)中值的大小，需要將每個(gè)樣本中所有的特征值進(jìn)行歸一化處理，即每個(gè)特征值在數(shù)值01之間。每個(gè)特征指標(biāo)均有樣本的值為最大，記為1，最小的值，記為0，其余樣本的特征值分布在0到1之間，按比例分布進(jìn)行計(jì)算。線性函數(shù)轉(zhuǎn)換公式為： y=(x-MinValue)/(MaxValue-MinValue)。x、y分別為轉(zhuǎn)換前、后的值，MaxValue、MinValue分別為樣本的最大值和最小值。用Matlab編寫“程序3-4”，實(shí)現(xiàn)各時(shí)域特征值歸一化的功能，得新的特征值表。狀態(tài)樣本時(shí)域特征值均值方差均方根RMS峰值peak峰值因子C峭度系數(shù)K波形因子S

36、脈沖因子I裕度因子CL正常軸承Z20150.90510.14770.16030.05340.00820.01690.00850.00870.0086Z25151.00000.03270.03570.08830.09100.00990.00670.05880.0470Z30150.50250.00540.00590.00000.00000.00790.00000.00000.0000Z206100.00000.01170.01270.06810.07600.01560.01030.05130.0422Z256100.52900.00000.00000.02840.03490.00000.0048

37、0.02350.0202Z306100.83630.02310.02540.04180.04140.02000.01330.03110.0269故障軸承G20150.00900.97780.97950.88880.57531.00001.00000.91431.0000G25150.74900.26580.28451.00001.00000.76290.57961.00000.9463G30150.89020.33060.35140.99270.95790.80250.58740.97320.9242G206100.32681.00001.00000.92250.59970.91060.937

38、10.89970.9722G256100.43660.44770.47070.83070.72860.76700.59290.80250.7831G306100.36430.21260.22870.84360.85690.77480.58260.89360.8513歸一化處理后時(shí)域特征值表（表2） 用Matlab編寫程序3-5,3-6，實(shí)現(xiàn)三維坐標(biāo)顯示，時(shí)域特征值三維圖（圖3-7）比較表1和表2可以發(fā)現(xiàn)，歸一化處理后可以更清晰得看出各特征指標(biāo)值的分布狀況，選出的6個(gè)區(qū)別明顯的特征，也顯得更加鮮明。而由圖3-7也可以清楚地看到6個(gè)特征在兩種軸承中的明顯的差異性。說明這6個(gè)特征是有效的。4.2 信

39、號頻域分析及特征提取完成滾動(dòng)軸承狀態(tài)監(jiān)測的模式識別過程，需要許多參數(shù)指標(biāo)，一種是時(shí)域參數(shù)指標(biāo)，一種是頻域參數(shù)指標(biāo)，由此才能得到較為準(zhǔn)確的結(jié)果。對以經(jīng)過零均值化的數(shù)據(jù)進(jìn)行頻域分析，主要運(yùn)用FFT進(jìn)行計(jì)算，得到信號頻域的時(shí)間-幅值圖，如圖3-6。取G2015和Z2015的頻譜圖進(jìn)行比較，用Matlab程序3-7可得結(jié)果：正常故障軸承頻譜圖對比（圖3-8）由圖3-8的對比可知正常軸承和故障軸承的頻譜在許多頻率點(diǎn)處存在著很明顯的差異。由此，可以在多組樣本均存在的正常軸承與故障軸承的差異頻率點(diǎn)處抽取作為特征值，進(jìn)行模式識別。下面作出多組樣本的頻譜圖，進(jìn)行比照，以此發(fā)現(xiàn)正常軸承與故障軸承頻譜圖上的普遍差異

40、。選取正常軸承數(shù)據(jù)Z2015、Z2515、Z3015、Z20610和故障軸承數(shù)據(jù)G2015、G2515、G3015、G20610進(jìn)行分析，由程序3-8、3-9來實(shí)現(xiàn)。正常軸承Z2015、Z2515、Z3015、Z20610頻譜圖（圖3-9）故障軸承G2015、G2515、G3015、G20610頻譜圖（圖3-10）比較圖3-9和圖3-10，選取幾個(gè)樣本所共同反映的故障軸承與正常軸承頻域上有區(qū)別的5個(gè)頻率點(diǎn)，正常軸承特征值抽取（圖3-11）故障軸承特征值抽?。▓D3-12）得到頻域特征值表，狀態(tài)樣本FFT頻域特征值(198,1)(2000,1)(3600,1)(4000,1)(4336,1)正常軸

41、承Z2015872.50 90.50 119.60 876.30 348.90 Z2515911.60 114.20 100.80 814.10 335.40 Z30151303.00 110.60 89.48 925.10 344.00 Z20610885.10 103.30 138.40 1021.00 345.10 Z25610914.60 127.80 86.48 910.60 344.00 Z306101162.00 109.80 85.00 755.30 372.40 故障軸承G2015696.90 893.30 235.40 235.40 88.19 G2515271.80 45

42、5.90 794.00 230.90 77.46 G3015285.80 539.40 779.10 359.20 101.80 G20610427.70 815.30 211.20 203.20 113.10 G25610287.80 378.40 973.60 274.60 117.90 G30610281.70 429.40 679.10 140.78 98.00 頻域特征值表（表3）用Matlab編寫“程序3-10”，實(shí)現(xiàn)各時(shí)域特征值歸一化的功能，得新的特征值表。狀態(tài)樣本FFT頻域特征值(198,1)(2000,1)(3600,1)(4000,1)(4336,1)正常軸承Z20150.

43、58250.00000.03890.83560.9203Z25150.62040.02950.01780.76500.8746Z30151.00000.02500.00500.89110.9037Z206100.59470.01590.06011.00000.9074Z256100.62340.04650.00170.87460.9037Z306100.86330.02400.00000.69811.0000故障軸承G20150.41221.00000.16930.10750.0364G25150.00000.45520.79790.10240.0000G30150.01360.55920.7

44、8110.24810.0825G206100.15120.90280.14200.07090.1208G256100.01550.35861.00000.15200.1371G306100.00960.42220.66860.00000.0696歸一化處理后頻域特征值表（表4）用Matlab編寫“程序3-11、3-12”，實(shí)現(xiàn)三維坐標(biāo)顯示。頻域特征值三維圖（圖3-13） 由表3-4中數(shù)據(jù)可以看出正常軸承與故障軸承之間明顯的區(qū)別，從圖3-13中也可以形象地看出差異性，所以這5個(gè)特征均是有效的特征。4.3時(shí)頻特征值正常軸承與故障軸承的有效的時(shí)頻特征值，歸一化后，可見表3-2和表3-4，將有效的特征

45、值進(jìn)行匯總，作為神經(jīng)網(wǎng)絡(luò)中進(jìn)行模式識別的輸入。正常軸承Z2015-Z30610時(shí)域特征值0.05330.088300.06810.02840.04180.00810.09100.0760.03490.0414001680.00990.00790.015600.020.00840.006700.01030.00480.01330.00880.058800.05130.02350.03110.00870.04700.04220.02020.0269頻域特征值0.58150.620410.59470.62340.863300.02950.0250.01590.04650.0240.03990.017

46、80.0050.06010.001700.83570.7650.891110.87460.69810.92040.87460.90370.90740.90371正常軸承時(shí)頻特征值表（表5）故障軸承G2015-G30610時(shí)域特征值0.888710.99270.92250.83070.84360.575410.95790.59980.72860.856910.76290.80250.91060.7670.774810.57960.58740.93710.59290.58260.914410.97320.89980.80250.893610.94630.92420.97220.78310.8513

47、頻域特征值0.412300.01360.15120.01550.009610.45520.55920.90280.35860.42220.16940.79790.78120.14210.66860.10760.10240.24820.07090.15200.036500.08240.12080.13710.0696故障軸承時(shí)頻特征值表（表6）5總結(jié)滾動(dòng)軸承是旋轉(zhuǎn)機(jī)械中運(yùn)用最廣泛的機(jī)械部件之一，是很多旋轉(zhuǎn)機(jī)械的基本組成部件。但滾動(dòng)軸承卻是易損零件，許多旋轉(zhuǎn)機(jī)械中的故障都與滾動(dòng)軸承有關(guān)，對滾動(dòng)軸承進(jìn)行故障監(jiān)測是有必要的。本文介紹了滾動(dòng)軸承檢測意義、發(fā)展以及診斷方法，然后對滾動(dòng)軸承的實(shí)驗(yàn)流程以及數(shù)據(jù)

48、處理進(jìn)行了具體的分析。對時(shí)域和頻域進(jìn)行數(shù)據(jù)分析，并采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識別。分別基于六組正常滾動(dòng)軸承振動(dòng)信號與六組故障軸承振動(dòng)信號進(jìn)行時(shí)域特征值與頻域特征值抽取，經(jīng)過歸一化后的兩組特征值作為模式識別的輸入，經(jīng)BP神經(jīng)網(wǎng)絡(luò)的模擬識別，通過對BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)訓(xùn)練和測試，判斷滾動(dòng)軸承的工作狀態(tài)。參考文獻(xiàn)1虞和濟(jì)，韓慶大，李沈等.設(shè)備故障診斷工程.北京:冶金工業(yè)出版社，20012俞培松.滾動(dòng)軸承振動(dòng)故障診斷技術(shù)的研究及其實(shí)際應(yīng)用.同濟(jì)大學(xué)，20073D. Ho and R. B. Randall. Optimisation of bearing diagnostic techniques usi

49、ng simulated and actual bearing fault signals. Mechanical Systems and Signal Processing, 20004鐘秉林，黃仁，機(jī)械故障診斷學(xué)，第三版，北京，機(jī)械工業(yè)出版社，20075周瑞峰，滾動(dòng)軸承故障智能診斷方法的研究與實(shí)現(xiàn).大連理工大學(xué)，20096PIYUSH M. PATEL，DR. J. M. PRAJAPATI，A REVIEW ON ARTIFICIAL INTELLIGENT SYSTEM FOR BEARING CONDITION MONITORING，20118Investigation of Tap

50、ered Roller Bearing Damage Detection Using Oil Debris Analysis ，20079J.H. SINGONAHALLI AND N. R. IYER DETECTION OF ROLLER BEARING DEFECTS USING EXPERT SYSTEM AND FUZZY LOGIC，199610Juha Miettinen Condition Monitoring of Grease Lubricated Rolling Bearings by Acoustic Emission Measurements，2000附錄：程序2-1

51、：網(wǎng)絡(luò)訓(xùn)練>> gy= 0.05340.088300.06810.02840.04180.888810.99270.92250.83070.84360.00820.09100.0760.03490.04140.575310.95790.59970.72860.85690.01690.00990.00790.015600.0210.76290.80250.91060.7670.77480.00850.006700.01030.00480.013310.57960.58740.93710.59290.58260.00870.058800.05130.02350.03110.914310

52、.97320.89970.80250.89360.00860.04700.04220.02020.026910.94630.92420.97220.78310.85130.58250.620410.59470.62340.86330.412200.01360.15120.01550.009600.02950.0250.01590.04650.02410.45520.55920.90280.35860.42220.03890.01780.0050.06010.001700.16930.79790.78110.14210.66860.83560.7650.891110.87460.69810.10

53、750.10240.2481 0.0709 0.15200.92030.87460.90370.90740.903710.0364 0 0.0825 0.1208 0.13710.0696;>> t=0 1;0 1;0 1;0 1;0 1;0 1;1 1;1 1;1 1;1 1;1 1;1 1;%輸出目標(biāo)向量 t=t' s= 20:26; for i=1:7 net=newff(minmax(gy),s(i),2,'tansig','logsig','traingdx'); %gy為歸一化后訓(xùn)練樣本%訓(xùn)練次數(shù)為1000，訓(xùn)練目標(biāo)為0.001，學(xué)習(xí)速率為0.1 net.trainParam.epochs =1000; net.trainParam.lr = 0.1; net.trainParam.goal = 0.001;net=train(net,gy,t); y=sim(net,gy);y=y-t;y1(i)=norm(y)end程序2-2：確定結(jié)構(gòu)網(wǎng)絡(luò)訓(xùn)練net=newff(minmax(gy),22,2,'tansig','logsig','traingdx'); %gy為歸一化后訓(xùn)練樣本%訓(xùn)練次數(shù)為1000，訓(xùn)練目標(biāo)為0.001，學(xué)習(xí)速率