【導(dǎo)讀】的工作狀態(tài)、生產(chǎn)過(guò)程都有直接影響。因此對(duì)軸承的故障診斷具有非常重要的意義。網(wǎng)絡(luò)的結(jié)構(gòu)模型。最后在Matlab軟件平臺(tái)上對(duì)所構(gòu)建的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到訓(xùn)練誤差。曲線(xiàn)，再在訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)上進(jìn)行測(cè)試和仿真，得出仿真結(jié)果正確率。與傳統(tǒng)方法相比，將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用到滾動(dòng)軸承的故障診斷問(wèn)題中，具有全面、快速、準(zhǔn)確等特點(diǎn)，能夠更全面的體現(xiàn)軸承的故障信息，具有顯著的優(yōu)越性。

　　

【正文】 LM 算法 神經(jīng)網(wǎng)絡(luò)設(shè)置時(shí)，在 Training function 選項(xiàng)中 選取 TRAINLM 后，設(shè)置隱含層神經(jīng)元個(gè)數(shù)分別為 7~12。 在不同隱含層神經(jīng)元設(shè)置下， 經(jīng)過(guò)反復(fù)訓(xùn)練 多次 ， LM 算法下的訓(xùn)練效果不符合要求， 結(jié)果 表現(xiàn) 為 神經(jīng)網(wǎng)絡(luò)訓(xùn)練未完成， 誤差曲線(xiàn)不收斂 但精度符合要求，誤差 為 2210?? ，如 圖 (a)所 示， 或 為 曲線(xiàn)收斂，但 精度 不符合要求， 誤差為， 無(wú)法用于進(jìn)一步的測(cè)試 和 仿真， 如圖 (b)所示 。 0 5 10 15 20 25 3010201010100步數(shù)逼近誤差 (a) 未收斂 0 5 10 15 20 25101100101步數(shù)逼近誤差 (b) 精度不符合要求 圖 LM 算法訓(xùn)練誤差曲線(xiàn) (2) 共軛梯度算法 蘭州交通大學(xué)畢業(yè)設(shè)計(jì)（論文） 14 在設(shè)置神經(jīng)網(wǎng)絡(luò)時(shí)， Training function 選項(xiàng) 選取 TRAINSCG 后，設(shè)置隱含層神經(jīng)元個(gè)數(shù)分別為 7~12。 在不同隱含層神經(jīng)元設(shè)置下， 經(jīng)過(guò)反復(fù)訓(xùn)練 多次 ， 得到不同的訓(xùn)練誤差曲線(xiàn)和精度。通過(guò)對(duì)比可以看出， 當(dāng)神經(jīng)元個(gè)數(shù)為 9 時(shí)， 所設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)訓(xùn)練未 完成，表現(xiàn)為 迭代 1284 步后 誤差 曲線(xiàn)未收斂 但精度符合要求， 誤差 為 710?? ，如圖 (a)所示， 或 為 迭代 2434 步后 精度 沒(méi)有達(dá)到 要求 但 曲線(xiàn)收斂 ， 如逼近誤差為 610?? ， 如圖 (b)所示 ； 當(dāng)神經(jīng)元個(gè)數(shù)為 1 12 時(shí)， 誤差曲線(xiàn) 收斂效果良好，且 訓(xùn)練 精度符合要求 ， 迭代步數(shù)分別為 2760 步、 2575 步和 2480 步， 誤差 分別為 710?? 、 710?? 和 710?? ， 可用作進(jìn)一步的測(cè)試和仿真 ，如圖 所示 。 從訓(xùn)練過(guò)程可以看出，對(duì)于本文所設(shè)計(jì)的軸承故障 BP 神經(jīng)網(wǎng)絡(luò)，共軛梯度算法的收斂性和精度要優(yōu)于 LM 算法。 0 200 400 600 800 1000 1200105100步數(shù)逼近誤差 (a) 7 個(gè)神經(jīng)元 0 500 1000 1500 2020106104102100步數(shù)逼近誤差 (b) 9 個(gè)神經(jīng)元 圖 共軛梯度算法訓(xùn)練 未 收斂誤差曲線(xiàn) 蘭州交通大學(xué)畢業(yè)設(shè)計(jì)（論文） 15 0 500 1000 1500 2020 2500106104102100步數(shù)逼近誤差 (a) 10 個(gè)神經(jīng)元 0 500 1000 1500 2020 2500105100步數(shù)逼近誤差 (b) 11 個(gè)神經(jīng)元 0 500 1000 1500 2020105100步數(shù)逼近誤差 (c) 12 個(gè)神經(jīng)元 圖 共軛梯度算法訓(xùn)練收斂誤差曲線(xiàn) 蘭州交通大學(xué)畢業(yè)設(shè)計(jì)（論文） 16 BP 神經(jīng)網(wǎng)絡(luò)的測(cè)試 仿真 選取上一節(jié)中誤差曲線(xiàn)收斂、訓(xùn)練完成的三種 BP 神經(jīng)網(wǎng)絡(luò)用于本節(jié)的測(cè)試仿真。選中已訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，點(diǎn)擊 Simlulate，將測(cè)試數(shù)據(jù)和測(cè)試目標(biāo)輸出導(dǎo)入后，點(diǎn)擊右下角的 Simulate Network，即可開(kāi)始測(cè)試。 測(cè)試 結(jié)束后， 輸出結(jié)果 和誤差可分別在 Output窗口和 Error 窗口查看 。 為了將輸出結(jié)果整定到 0 和 1，避免誤判，需要設(shè)定一個(gè)判別區(qū)間 [13]。在 10 個(gè)神經(jīng)元 故障診斷 神經(jīng)網(wǎng)絡(luò)的測(cè)試輸出結(jié)果中，設(shè)定判別區(qū)間為 (? ,)和 (,)，則共有 175 組故障數(shù)據(jù)診斷成功，診斷結(jié)果正確率為 %；在 11 個(gè)神經(jīng)元 故障診斷神經(jīng)網(wǎng)絡(luò)的測(cè)試輸出結(jié)果中，設(shè)定判別區(qū)間為 ( ? ,)和 [,]，則共有 179組故障數(shù)據(jù)診斷成功，診斷結(jié)果正確率為 %；同樣的，在 12 個(gè)神經(jīng)元 故障診斷 神經(jīng)網(wǎng)絡(luò)中，判別區(qū)間 設(shè)定 為 (? ,)和 [,]， 則 共有 164 組診斷成功， 診斷結(jié) 果正確率為 %。 由訓(xùn)練和測(cè) 試仿真結(jié)果可以看出， 經(jīng)過(guò) 小波包 三層 分解得到的 8 組 能量特征值能夠全面的反映故障 特征 信息，將其作為輸入， 利用 BP 神經(jīng)網(wǎng)絡(luò) 進(jìn)行滾動(dòng)軸承的故障診斷，可以快速 、準(zhǔn)確地診斷出 滾動(dòng) 軸承的故障類(lèi)型，且有很高的診斷結(jié)果正確率。 通過(guò)對(duì) 神經(jīng)網(wǎng)絡(luò)內(nèi)參數(shù)的不同設(shè)置，可以得出不同的訓(xùn)練誤差曲線(xiàn)和診斷測(cè)試結(jié)果 。 對(duì)比 后 可以看出，共軛梯度算法更適合于 本文所建立的神經(jīng)網(wǎng)絡(luò)，隱含層神經(jīng)元個(gè)數(shù)設(shè)置為 11和 12 時(shí)有較好的收斂效果，其中 12 個(gè) 神經(jīng)元的神經(jīng)網(wǎng)絡(luò)收斂性最好，但診斷正確率較低， 10 個(gè) 神經(jīng)元的神經(jīng)網(wǎng)絡(luò)收斂性稍差，但正確率較高， 11 個(gè) 神經(jīng) 元的神經(jīng)網(wǎng)絡(luò)診斷結(jié)果正確率最高，同時(shí)收斂性良好。 蘭州交通大學(xué)畢業(yè)設(shè)計(jì)（論文） 17 結(jié) 論 本文以滾動(dòng)軸承故障診斷 問(wèn)題 為背景，探討了將 BP 神經(jīng)網(wǎng)絡(luò)理論應(yīng)用于軸承故障診斷問(wèn)題的可行性和優(yōu)越性。 根據(jù)人工神經(jīng)網(wǎng)絡(luò)的原理，設(shè)計(jì)出了用于軸承故障診斷的BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并以小波包分解得到能量特征值作為 輸入向量 (90 組用作訓(xùn)練， 195組用作測(cè)試 )， 對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行了訓(xùn)練和 測(cè)試 仿真 ，得到了不同的訓(xùn)練誤差曲線(xiàn)和測(cè)試輸出結(jié)果 。 主要的結(jié)論和成果如下： (1) 經(jīng)過(guò) 小波包三層分解得到的能量特征值能夠全面地反映軸承故障的特征信息 ，將其作為神經(jīng)網(wǎng)絡(luò)的輸入向量，可以 有效地提高故障診斷的正確率 。 (2) 在訓(xùn)練 和測(cè)試仿真 過(guò)程中，通過(guò)對(duì)兩種算法和 6 種隱含層神經(jīng)元設(shè)置 進(jìn)行逐個(gè)組合，對(duì)比之后可知，共軛梯度算法由于其良好的收斂性，更適合于本文所建立的神經(jīng)網(wǎng)絡(luò)，隱含層神經(jīng)元個(gè)數(shù)設(shè)置為 1 12 時(shí)，神經(jīng)網(wǎng)絡(luò) 的收斂效果良好。其中 12 個(gè)神經(jīng)元的網(wǎng)絡(luò)收斂性最好，但診斷正確率較低，為 %； 10 個(gè)神經(jīng)元的網(wǎng)絡(luò)收斂性稍差，但正確率較高，為 %； 11 個(gè)神經(jīng)元的網(wǎng)絡(luò)收斂性良 好，診斷結(jié)果正確率最高，為 %。 (3) 將 BP 神經(jīng)網(wǎng)絡(luò)方法應(yīng)用到滾動(dòng)軸承故障診斷問(wèn)題中，相比傳統(tǒng) 的診斷方法，具有全面、快速、準(zhǔn)確等特點(diǎn)，能夠更全面的體現(xiàn)軸承的故障信息，實(shí)用性更好、準(zhǔn)確性更高，應(yīng)用前景更加廣闊。 需進(jìn)一步研究的問(wèn)題： 由于 BP 神經(jīng)網(wǎng)絡(luò)構(gòu)建過(guò)程中可設(shè)置參數(shù)較多，任意一個(gè)參數(shù)設(shè)置的變化都會(huì)得到不同的誤差曲線(xiàn)和輸出結(jié)果， 可以結(jié)合不同設(shè)置進(jìn)一步 驗(yàn)證每一種參數(shù)選取下的訓(xùn)練和測(cè)試結(jié)果。 蘭州交通大學(xué)畢業(yè)設(shè)計(jì)（論文） 18 致 謝 本文是在我的導(dǎo)師 張友鵬教授 ， 博士生董海燕師姐和碩士 生 張?chǎng)獛熜?細(xì)心 的 幫助下完成的 。 張教授 嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度和 細(xì)致的工作方法給了我極大的 影響 和 幫助 ，并 指導(dǎo) 我完成了論文 。 論文的選題， 資料 的搜集 ， 滾動(dòng)軸承故障類(lèi)型和 神經(jīng)網(wǎng)絡(luò)原理的學(xué)習(xí) ， BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)構(gòu)建，訓(xùn)練和測(cè)試仿真的實(shí)現(xiàn)等，都得到了董海燕師姐和張?chǎng)獛熜值南ば?指導(dǎo)，在此表示深深的謝意。 在 查找資料 的過(guò)程中 ，圖書(shū)館的老師 、相關(guān)技術(shù)論壇的老師和朋友們 也給了我很多 幫助和支持 ，在此向幫助和指導(dǎo)過(guò)我的各位老師表示衷心的感謝 ！ 感謝我的同學(xué) 、 朋友 和 503 實(shí)驗(yàn)室的各位學(xué)長(zhǎng)學(xué)姐 ，在設(shè)計(jì)過(guò)程中 提供了 很多 資料和建議 ，還在論文的撰寫(xiě)和排版過(guò)程中提供熱情的幫助。 蘭州交通大學(xué)畢業(yè)設(shè)計(jì)（論文） 19 參考文獻(xiàn) [1] 陳長(zhǎng)征 ,胡立新 ,周勃 等 .設(shè)備振動(dòng)分析與故障診斷技術(shù) [M].北京 :科學(xué) 出版社 ,2020:249250. [2] 王江平 .機(jī)械設(shè)備故障診斷技術(shù)及應(yīng)用 [M].西安 :西北工業(yè)大學(xué)出版社 ,2020:89. [3] 于婷婷 .基于 BP 神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法 [D].大連 :大連理工大學(xué) ,2020:1740. [4] 陳鵬 .基于神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法研究與應(yīng)用 [D].成都 :四川大學(xué) ,2020:2160. [5] 韓立群 .人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計(jì)及應(yīng)用 [M].北京 :化學(xué)工業(yè) 出版社 ,2020:5354. [6] 周志華 ,草存根 .神經(jīng)網(wǎng)絡(luò)及其應(yīng)用 [M].北京 :清華大學(xué) 出版社 ,2020:35. [7] Martin T. Hagan,Howard B. Demuth,Mark H. work design[M].China Machine Press, 2020:235239. [8] 王平 .基于小波 神經(jīng)網(wǎng)絡(luò)的電機(jī)軸承故障診斷 [D].太原 :太原理工大學(xué) ,2020:1450. [9] 張俊 .基于小波神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷 [J].機(jī)械設(shè)計(jì)與制造 ,2020,(2):128129. [10] 馬建倉(cāng) ,吳啟彬 .小波 神經(jīng)網(wǎng)絡(luò) 模糊識(shí)別在旋轉(zhuǎn)機(jī)械故障診斷中的應(yīng)用研究 [J].1999,18(3):459 462. [11] 李永龍 ,邵忍平 ,薛騰 .基于 小波神經(jīng)網(wǎng)絡(luò)的齒輪系統(tǒng)故障診斷 [J].航空動(dòng)力 報(bào) ,2020,25(1):234240. [12] 董長(zhǎng)虹 .Matlab 神經(jīng)網(wǎng)絡(luò)與應(yīng)用 (第二版 )[M].北京 :國(guó)防工業(yè) 出版社 ,2020:240253. [13] 王志偉 ,胡瑜 ,李銀偉 .基于小波和自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)設(shè)備故障診斷 [J].華東交通大學(xué)學(xué)報(bào) ,2020,27(1):7277.