【故障诊断分析】特征提取与BP神经网络滚动轴承故障诊断【含Matlab源码 3313期】

⛄一、BP神经网络故障诊断简介

滚动轴承是旋转机械中应用最广泛的一种基础机械零件，它的运行状态是否正常直接关系到整机的性能，它是机器最易损坏的零件之一。据统计。旋转机械的故障有30％是由轴承引起的。轴承缺陷或故障会导致设备产生异常震动，甚至损坏，因此对滚动轴承进行故障诊断是很有意义的。
轴承故障诊断就是要通过对能够反映轴承工作状态的信号的测取，分析与处理，来识别轴承的状态。包括以下几个环节：信号测取、特征提取、状态识别、故障诊断、决策干预[1]传统诊断技术，如震声、油液分析、声发射、光纤、温度诊断等多种多样，且各具特点[2]。目前国内外对于滚动轴承故障诊断的一些方法的研究工作主要集中在时域分析法、频域分析法、时频分析法以及智能诊断。本文对滚动轴承进行时域和频域分析，并采用 BP 神经网络进行模式识别。通过对 BP 神经网络的设计训练和测试，判断滚动轴承的工作状态。

1 振动信号处理
1.1 零均值处理
为了得到很好的处理数据，需要对数据进行预处理，当时域信号成分中有一一直不变大小信号也就是直线信号时，会在频域中产生冲击信号，抑制旁边微弱幅值的频率信号，影响分析。因此要进行零均值处理。零均值化处理又称中心化处理。信号的均值相当于一个直流分量，而直流信号的傅里叶变换是在𝜔𝜔 = 0处的冲激函数，因此若不去除均值，在作信号谱分析时，将在𝜔𝜔 = 0处出现一个大的谱峰，并会影响在𝜔𝜔 = 0左右处的频谱曲线，使它产生较大的误差。

1.2 时域特征提取
轴承振动信号时域分析主要任务是计算振动信号的时域统计特征参数，再通过和参