摘 要 各类旋转机械中最常用的通用零部件就是滚动轴承，由于旋转精度一般都较高所以容易出故障。如果能通过轴承产生的异常信号检测出轴承故障，则可以有效减少经济损失。智能化滚动轴承状态监测利用压电式加速度传感器进行振动信号的采集，将数据导入MATLAB程序中，通过时域分析与频域分析来找到滚动轴承工作时的有效特征值，将这些特征值输入BP神经网络，建立一个识别系统，可以对一个轴承工作状态振动信号的分析来辨别这个轴承是否发生故障。
关键词 滚动轴承 状态监测 MATLAB BP神经网络
中图分类号：TH133 文献标识码：A
1 监测轴承的意义和重要性
滚动轴承是各种旋转机械中应用最广泛的一种通用机械部件，它们在旋转机械中起着关键的作用，旋转机械的故障30%是由滚动轴承故障引起的，其运行状态的正常与否直接影响到整台机器的性能（包括精度、可靠性及寿命等）。因此，及时发现滚动轴承的故障并消除，能有效保证机器正常运转，提高使用寿命。
2 常见轴承故障
滚动轴承在工作过程中，常见的轴承故障可总结为损伤和磨损两大类。损伤类故障有疲劳剥落、塑性变形、轴承烧伤、锈蚀 、断裂、胶合六种；磨损类故障为轴承长期正常工作引起的渐变性故障。
（1）疲劳剥落
在工作中，轴承滚子和滚道接触面相对滚动的同时又互相挤压，轴承部件接触面将产生小的剥落坑，最终发展为大面积剥落，该现象称作疲劳剥落。
（2）塑性变形
当工作载荷过重时，由于滚 动 轴 承 承受 的 过 大 的 冲 击 力 和 静 载 荷 的 原 因 ，轴承滚道的表面上形成的不均匀凹坑，这种现象主要发生在低速旋转的轴承上。
（3）断裂
过大的负荷和工作过程中摩擦产生的热应力过大时能引起轴承零件断裂。
（4）轴承烧伤
轴承润滑不良、应用变质的润滑油、装配过紧或存在较大偏斜量能引起轴承的烧伤。
（5）胶合
轴承在高速高负荷和润滑欠缺的情况下，摩擦产生的热量能使轴承部件迅速升温，到达一定温度时能引起轴承部件接触的金属表面相互粘接，该现象称作胶合。
3 常用的滚动轴承监测数据分析手段
利用振动信号对故障进行诊断，是设备故障诊断方法中有效且常用的方法。机械设备和机构系统在运行过程中的振动及其特征信息是反映系统状态及其变化规律的主要信号。通过各种动态测试仪器提取、记录和分析动态信息，是进行系统状态监测和故障的主要选径。常用的信号处理方法主要有时域分析、频域分析和小波分析等。
4 信号采集和特征值提取
通过加速度传感器可提取到振动信号。滚动轴承的振动信号的特征包括时域和频域特征，这些特征的合理组合能够很好的反应滚动轴承的运行状态，实现对其的监测，并能通过进一步处理实现故障的识别。时域特征可包含信号的能量、波动性等信息，但远远不足以准确判断故障所在；频域的特征则是更加明显。然而只有两累特征综合来判断才能对故障进行准确识别。
5 神经网络的模式识别
5.1 人工神经网络的基本原理
（1）人工神经元模型
最早提出神经元模型并且影响较人的是1943年心理学家在分析总结神经元基本特性的基础上首先提出的MP模型。人工神经元模型是由大量处理单元广泛互连而成的网络，是人脑的抽象、简化、模拟，反映人脑的基本特性。
（2）人工神经网络结构。
神经网络常分成两大类：没有反馈的前向神经网络和相互结合型网络，如图4.1所示。
前向神经网络由输入层、一层或多层的隐含层和输出层组成，每一层的神经元只接受前一层神经元的输出。相互连接是指网络中任意两个单元之间都是可达的，即存在连接路径。
5.2 BP神经网络
（1）BP神经网络的结构
BP神经网络，即多层前馈式误差反传神经网络，通常由输入层、输出层和若干隐含层构成：每一层都由若干个节点组成，每一个节点表示一个神经元，上层节点与下层节点之间通过权值连接，层与层之间的节点采用全互联的连接方式。神经网络的结构图如下所示：
（2）网络参数的确定
①网络层数的确定
BP网络是通过输入层到输出层的计算来完成的。多一层的隐含层虽然能提高网络的训练速度，但是需要较多的训练时间，而训练速度可以用增加隐含层节点个数来实现，因此在应用BP神经网络时，选取只有一个隐含层的三层BP神经网络就足够了。
②输入、输出层神经元个数的确定
输入层的神经元个数就是提取到的有效特征值的个数；输出层神经元的个数要看问题模式的种类数，监测轴承的好坏有正常与故障两种模式，故输出层神经元的个数为1。当输出为1时表示该轴承为正常轴承，输出为0时表示该轴承为故障轴承。
③隐层神经元个数的确定
隐层神经元个数的确定比较复杂。在具体设计时，首先根据经验公式初步确定隐含层神经元个数，然后通过对网络进行训练对比，再最终确定神经元数。通用的隐含层神经元数的确定经验公式有：
其中为隐含层神经元的个数，n为输入层神经元的个数，m为输出层神经元的个数，a为常数且1 < a < 10。
6 结束语
通过对轴承特征值的提取，提取到了重复性好、差异性好的有效特征值。利用神经网络模式对轴承的工作状态进行有效的识别，将归一化处理后的有效特征值作为神经网络的输入参数输入，用实验所测得的数据对BP神经网络进行训练，从而达到轴承状态识别的目标。
参考文献
[2] 武栋梁.滚动轴承常见故障及其振动信号特征.中国航空导弹研究院，2012.6
[3] 苏宝定.滚动轴承振动检测与智能诊断系统研究.大连理工大学，2008.12
[4] 常文龙，胡朋.滚动轴承运行状态智能化监测.科教导刊，2013.3
[5] 张锐，姜树海等.机械故障诊断技术的新动向一一人工神经网络在其上的应用.森林工程1999.6.
[6] 杨建纲，戴德成.改进BP网络在旋转机械故障诊断中的应用.振动工程学报，1995.8.