基于MIV与BP神经网络的滚动轴承故障诊断策略

该论文《人工智能-基于MIV特征筛选和BP神经网络的滚动轴承故障诊断技术研究》由北京交通大学研究生周莹撰写，专业方向为机械制造及其自动化，指导教师为程卫东，于2011年提交。论文主要探讨了在复杂机械设备中，滚动轴承作为关键组件，其状态监控与故障诊断的重要性。由于滚动轴承故障可能导致设备失效，据统计，约30%的旋转机械故障源自轴承，因此研究这一领域对于提高设备运行效率至关重要。 研究采用人工智能技术，特别是人工神经网络（BP神经网络）进行故障诊断。BP神经网络以其自学习、自组织和自适应特性，能有效处理非线性问题，非常适合这类复杂问题。作者首先详细介绍了滚动轴承的基本结构和常见故障类型，以及选择BP神经网络作为诊断工具的原因。 研究中，作者设计了一套信号采集系统，收集并处理了正常运转、内圈故障、外圈故障和滚动体故障四种不同状态下的振动数据，这些数据成为了后续仿真诊断的基础。通过MIV算法与时间/频率域分析，筛选出了8个敏感的故障特征参数，这些参数被认为更能反映出轴承的故障特征。 接着，通过时域和频域分析，确定了方差、均方根值、峰值、裕度因子、总功率谱和峭度系数对故障的敏感性最高，这些参数被选为BP神经网络的输入特征。作者详细探讨了BP神经网络的结构设计，包括激活函数的选择、学习算法、数据预处理、初始权值设定、期望误差以及网络参数如输入神经元数量、隐层节点数、学习率和训练系数对网络性能的影响。 最后，论文通过实际滚动轴承数据和设计的BP神经网络诊断系统，进行了故障诊断的仿真实验。实验结果验证了该诊断系统的有效性，证明了BP神经网络在滚动轴承故障诊断中的应用潜力，同时也展示了诊断准确性和分类误差率的结果，进一步证实了BP神经网络方法在滚动轴承故障检测中的实用价值。这篇论文为滚动轴承的智能故障诊断提供了一种有效的策略和技术支持。