原创《基于BP神经网络的轴承故障诊断》：关于免费神经网络论文范文在这里免费下载与阅读,为您的神经网络相关论文写作提供资料。
摘 要：以四种轴承故障类型为研究对象,对不同故障类型的轴承进行振动测试试验,分别提取特征参数,采用BP神經网络算法,诊断未知轴承的故障类型.试验结果表明,该 BP神经网络算法准确地实现对轴承未知故障类型的诊断.
关键词：轴承；神经网络；振动；故障诊断
DOI：10.16640/j.cnki.37-1222/t.2018.09.121
1 引言
轴承当代机械设备中一种重要零部件,它的主要功能是支撑机械旋转体,降低其运动过程中的摩擦系数,并保证其回转精度.轴承具有不易磨损、噪声小、传动效率高、精度高、低摩擦等优良性能,已广泛应用于数控机床、航天航空、重型设备制造业、汽车工业、核工业、精密仪器等领域[1].
轴承作为传动旋转支承的关键部件之一,其出现故障直接影响设备运行,造成生产产品超差或报废,带来巨大经济损失[2].为使传动部件处于高性能工作状态,需要对轴承状态进行监测.其中,开展轴承故障诊断技术和方法研究,是行之有效地解决传动部件状态监测、故障诊断、预防维护的途径之一.
2 BP神经网络原理
BP神经网络（Back propagation）是一种多层前馈神经网络,在1985年由Romelhert和Mccleland提出的[3],其主要特点是迭代过程前向传递,误差反向传播.该算法的输入信号在前向传递过程是沿输入层、隐藏层、输出层逐级处理,将输出误差反向传播修正各层的网络权值和阈值,使网络预测输出不断逼近期望输出,从而建立系统故障诊断模型[4].BP神经网络拓扑结构如图 1所示.
假设BP神经网络结构为三层网络结构,输入层、隐含层、输出层节点数分别为、、.定义变量如下：输入层向量为；隐含层输入向量为；隐含层输出向量为；输出层输入向量为；输出层输出向量为；期望输出向量为.输入层、隐含层和输出层神经元之间的连接权值分别为、,隐含层和输出层各神经元的阈值分别为、.样本个数为,激活函数为,误差函数为：
3 算法建立与分析
3.1 故障类型与特征参数
根据轴承通常失效形式,选取内圈滚道损伤失效B1、外圈滚道损伤失效B2、滚珠损伤失效B3、滚珠断裂失效B4四种典型故障类型作为研究对象,作为输出节点,并在实验台进行振动测试.选择振动信号时域和频域特征参数作为输入节点：平均值幅值指标A1、均方根幅值指标A2、峰值指标A3、脉冲指标A4、裕度指标A5、峭度指标A6.
3.2 神经网络建立
根据输入层与输出层节点数确定隐含层节点,建立神经网络结构：输入层节点数为6,隐含层节点数为6,输出层节点数为4.取神经网络训练误差精度为10-5,训练次数最大值为1500次,通过迭代调整BP网络的影响因子,使BP网络逐渐逼近设定的训练数据,并达到精度要求.由于原始输入输出数据有着不同的可变幅度和物理意义,在进行网络训练前需要对这些数据进行规范化处理,从而使神经网络发挥出最优性能.这里采用归一化数据处理方法,将其限制在[-1,1]范围内.
3.3 神经网络诊断
提取待测试故障轴承的特征参数数据,并进行归一化处理,作为检验BP网络的归一化测试数据如表1所示.
预期输出与实际诊断结果如表2所示,试验结果表明,针对不同故障类型该BP神经网络均作为出准确诊断.
4 结论
以轴承故障失效为研究对象,通过不同故障类型的测试试验,提取各种故障状态下的信号特征参数作为样本数据；通过 BP神经网络算法,对已知样本进行训练,并验证该算法的故障诊断能力.通过试验结果表明,该算法准确地诊断出轴承的故障类型.
参考文献：
[1]林治起,林高林,丛日超.关于轴承与轴承座高效自动压装机的工业设计[J].山东工业技术,2017（05）：46-47.
[2]康文龙,张伟,李岩.间隙和刚度对数控机床伺服进给系统精度影响[J].辽宁工程技术大学学报（自然科学版）,2016,35（03）：300-303.
[3]J. Zap?ata. Measurements of Temperature of CNC Machine Tool Ball Screw Utilising IR Method[J]. International Journal of Applied Mechanics and Engineering,2017,22（03）：769-777.
[4]刘智斌,曾晓勤,刘惠义,储荣.基于BP神经网络的双层启发式强化学习方法[J].计算机研究与发展,2015,52（03）：579-587.
作者简介：林名润（1985-）,男,上海人,硕士,工程师,主要研究方向：机电一体化装备.
神经网络论文参考资料：
结论：基于BP神经网络的轴承故障诊断为关于对不知道怎么写神经网络论文范文课题研究的大学硕士、相关本科毕业论文神经网络论文开题报告范文和文献综述及职称论文的作为参考文献资料下载。
