摘 要

滚动轴承在各式各样的机械中应用十分广泛，它从一定程度上决定了机械设备的工作效率，因为大部分的机械故障起因都是轴承出现问题。由于轴承的寿命是没办法预计的，可能时间长也可能时间短，从而想通过估计轴承的使用寿命来定期检测工作状态是不可靠的。所以我们须要不时的检测轴承的工作状况，以保证机器设备的工作效率。对于轴承工作状态的研究，具有十分重要的意义。

本文通过研究滚动轴承的振动特性，根据振动信号求出相对应的特征值，再跟不同状态下的轴承振动特征值相对比确定现在的工作状态。本文基于时域和频域做了两个方面的分析，得出频域的分析结果优于时域的。因为频域的可以有效的降低噪声所带来的干扰。我们通过使用神经网络的非线性映射能力，自学习能力，同时还具有自组织和自适应的特点，分析了BP神经网络在轴承故障判断中的使用。在MATLAB软件平台上对本文所要设计的系统进行了编写以及神经网络的训练，最后利用GUI设计出界面，开发出了基于神经网络的轴承故障分类系统，并有着较好的识别率。

关键词：滚动轴承，MATLAB、BP神经网络、GUI

Abstract

Rolling bearings are widely used in all kinds of machinery, from a certain extent, it determines the efficiency of mechanical equipment, because most of the mechanical failure causes are bearing problems. Due to the life of the bearing is not expected, may be long or short time, thus to estimate the bearing service life to regularly test status is not reliable. So we need every moment of the detection of bearing working condition, to ensure the efficiency of mechanical equipment. Research on the working state of bearing, has the very vital significance.

In this paper, through studying the characteristics of vibration of rolling bearings, according to the characteristic values of vibration signal and the corresponding to different stages of bearing vibration characteristic value compared to determine now working condition. This article is based on two aspects of time domain and frequency domain analysis, frequency domain analysis of the results is better than that of time domain. Because of the frequency domain can effectively reduce the noise interference. We are utilizing the nonlinear mapping ability of neural network, as well as the characteristics of self-learning, self-organization and adaptive, this paper discusses the application of BP neural network in bearing fault. On MATLAB software platform to write this paper to design system and neural network training, the last of mixed programming with GUI, developed bearing fault classification system based on neural network, and has good recognition rate.

Keyword: Rolling bearing、MATLAB、BP neural network、GUI

目录

第1章 绪论 1

1.1概述 1

1.1.1 滚动轴承的故障诊断意义 1

1.1.2 滚动轴承故障诊断的基本环节 2

1.1.3 神经网络理论在故障分类中的应用 3

1.2 国内外研究的概况及发展趋势 3

1.3本文的研究内容 4

第2章 滚动轴承的故障特征分析 5

2.1 滚动轴承的典型结构 5

2.2 滚动轴承失效的基本形式 6

2.3滚动轴承的基本参数 7

2.3.1 滚动轴承的特征频率 7

2.3.2 有异常时的振动特性 9

2.4 本章小结 10

第3章 神经网络理论分析 11

3.1 神经网络基本B概论 11

3.1.1神经元模型 11

3.1.2传递函数 12

3.2 BP神经网络 13

3.2.1 BP神经网络介绍 13

3.2.2 BP神经网络学习算法 13

3.3 BP神经网络的不足及改进 14

3.3.1 BP神经网络的不足 14

3.3.2 BP神经网络的改进 14

3.4 本章小结 15

第4章 BP神经网络的构建与仿真 16

4.1节点数的确定 16

4.1.1输入层节点数的确定 16

4.1.2输出层节点的确定 16

4.1.3隐含层节点的确定 16

4.2学习方式的确定 17

4.3 传递函数的确定 17

4.4 学习率的确定 17

4.5 matlab仿真 18

4.5.1时域仿真结果分析 19

4.5.2频域仿真结果分析 20

4.6本章小结 21

第5章 基于神经网络的分类系统设计 22

5.1程序结构及界面设计 22

5.2程序界面设计 22

5.3程序使用举例 23

5.4程序流程图及代码实现 24

5.4.1流程图 24

5.5本章小结 26

第6章 总结与展望 27

参考文献 28

致谢 29

第1章 绪论

1.1概述

1.1.1 滚动轴承的故障诊断意义

随着时代的发展，科学技术也在一步步的前进，生产机械设备从开始的小型化，简易模型逐渐的变为了现在的大型化、复杂化，也从当初的以人力为主变为了自动化。现在的工厂都是机械化工厂，大部分工作都是由机械设备来完成。如果机械设备发生故障，那么给工厂带来的影响是十分巨大的，轻则影响产品的质量，重则威胁到工人的安全环境。当发生故障后，机械设备的维修费用也是一笔不小的开支，而且维修过程中设备也会无法正常运转，会降低工厂的生产率，导致产品减少，从而使生产利润降低。从这点可以看出，时刻保持设备的正常状态、及时发现异常、保证生产利润，是企业的头等问题。为了尽早的检查出设备是否出现故障，尽可能的在萌芽阶段就解决掉故障从而降低工厂的花费，那么故障诊断技术就在人们的需求中诞生了。设备故障诊断针对机械设备运行状态识别的一门技术，要求它能够准确识别机械设备现在的工作状态是处于正常状态还是故障状态，如果处于故障状态，那么是何种故障状态。其研究内容主要有三个方面，第一个方面是对设备运行的状态识别，第二个方面是对其运行过程的实时监测，第三个方面是预测其运行的发展趋势。

滚动轴承是机械设备中最常用的零件。在物理上，滚动产生的摩擦力是最小的，因此滚动轴承有着较小的摩擦阻力，使得能量的损耗变得很低；在机械设备的组装方面，因为它结构简单，所以便于装配，在平时使用过程中还易于润滑。缺点是容易出现异常情况，但只需要注意检测就可以了。结果它的优缺点，滚动轴承深受人们喜爱，所以在工厂里使用十分广泛，在机械设备中扮演中重要的角色。通过判断它的运行状态，可以判断设备其他部分的运行状态，就像通过人的面色来判断是否生病一样，通过轴承的状态可以知晓设备的有效精度是否发生变化、设备是否需要维修。有关学者做了一个统计调查，在近10年大的所有的旋转机械故障中，其中 70%的故障起因是滚动轴承出现异常，比如一般的电机故障，大多数情况都是轴承出现异常情况。跟其他部分的零件比起来，滚动轴承的寿命十分不确定，有的长有的短。有两批轴承是同一个车间生产的，然后在同样的环境下工作，那么这两批轴承的使用寿命也会大大不同。