人工神经网络（Artificial Neural Networks，ANN）系统是 20 世纪 40 年代后出现的。它是由众多的神经元可调的连接权值连接而成，具有大规模并行处理、分布式信 息存储、良好的自组织自学习能力等特点。BP（Back Propagation）算法又称为误差 反向传播算法，是人工神经网络中的一种监督式的学习算法。BP 神经网络算法在理 论上可以逼近任意函数，基本的结构由非线性变化单元组成，具有很强的非线性映射能力。而且网络的中间层数、各层的处理单元数及网络的学习系数等参数可根据具体情况设定，灵活性很大，在优化、信号处理与模式识别、智能控制、故障诊断等许 多领域都有着广泛的应用前景。
工作原理
人工神经元的研究起源于脑神经元学说。19世纪末，在生物、生理学领域，Waldeger等人创建了神经元学说。人们认识到复杂的神经系统是由数目繁多的神经元组合而成。大脑皮层包括有100亿个以上的神经元，每立方毫米约有数万个，它们互相联结形成神经网络，通过感觉器官和神经接受来自身体内外的各种信息，传递至中枢神经系统内，经过对信息的分析和综合，再通过运动神经发出控制信息，以此来实现机体与内外环境的联系，协调全身的各种机能活动。
神经元也和其他类型的细胞一样，包括有细胞膜、细胞质和细胞核。但是神经细胞的形态比较特殊，具有许多突起，因此又分为细胞体、轴突和树突三部分。细胞体内有细胞核，突起的作用是传递信息。树突是作为引入输入信号的突起，而轴突是作为输出端的突起，它只有一个。
树突是细胞体的延伸部分，它由细胞体发出后逐渐变细，全长各部位都可与其他神经元的轴突末梢相互联系，形成所谓“突触”。在突触处两神经元并未连通，它只是发生信息传递功能的结合部，联系界面之间间隙约为（15～50)×10米。突触可分为兴奋性与抑制性两种类型，它相应于神经元之间耦合的极性。每个神经元的突触数目正常，最高可达10个。各神经元之间的连接强度和极性有所不同，并且都可调整、基于这一特性，人脑具有存储信息的功能。利用大量神经元相互联接组成人工神经网络可显示出人的大脑的某些特征。
人工神经网络是由大量的简单基本元件——神经元相互联接而成的自适应非线性动态系统。每个神经元的结构和功能比较简单，但大量神经元组合产生的系统行为却非常复杂。
人工神经网络反映了人脑功能的若干基本特性，但并非生物系统的逼真描述，只是某种模仿、简化和抽象。
与数字计算机比较，人工神经网络在构成原理和功能特点等方面更加接近人脑，它不是按给定的程序一步一步地执行运算，而是能够自身适应环境、总结规律、完成某种运算、识别或过程控制。
人工神经网络首先要以一定的学习准则进行学习，然后才能工作。现以人工神经网络对于写“A”、“B”两个字母的识别为例进行说明，规定当“A”输入网络时，应该输出“1”，而当输入为“B”时，输出为“0”。
所以网络学习的准则应该是：如果网络作出错误的的判决，则通过网络的学习，应使得网络减少下次犯同样错误的可能性。首先，给网络的各连接权值赋予(0，1)区间内的随机值，将“A”所对应的图象模式输入给网络，网络将输入模式加权求和、与门限比较、再进行非线性运算，得到网络的输出。在此情况下，网络输出为“1”和“0”的概率各为50%，也就是说是完全随机的。这时如果输出为“1”(结果正确)，则使连接权值增大，以便使网络再次遇到“A”模式输入时，仍然能作出正确的判断。
智能化滚动轴承状态监测
从Y到X的网络很难解决的原因是，Y到X的映射可能是非唯一的，或者说Y的变化可能导致X的非常大的变化。这就使得从Y到X的映射具有不确定性，这对于神经网络来说是一个比较大的挑战。
如果你想要从X到Y的神经网络，知道输出Y的条件下找到输入X，那么可以考虑使用逆神经网络来实现。逆神经网络与普通的神经网络相比，具有反向传播的能力，可以在已知输出的情况下求出输入。但是要注意，逆神经网络并不能求解所有问题，具体能否使用取决于问题本身的特征。
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相关的传感器进行振动信号的采集，将数据导入MATLAB程序中进行时域分析与频域分析，通过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 MATLAB程序 时频分析 神经网络
中图分类号：TP23文献标识码：A 文章编号：1007-3973（2012）007-084-02
1 综述
1.1 理论依据
滚动轴承运转时，滚动体在内外圈之间滚动。如果滚动表面损伤，如点蚀和裂纹，滚动体在损伤表面滚动时，便产生一种交变的激振力从而引起振动。这种由于轴承异常所引起的振动频率称为轴承的故障频率，可在频谱图上反应出来。
对相同条件下工作的正常轴承和故障轴承利用相关的传感器分别进行振动信号的采集，在收集到足够多组数据之后，将数据导入MATLAB程序中进行时域分析与频域分析，得到正常轴承与故障轴承的时域和频域对比图，在频域图中选择正常轴承和故障轴承相差特别大的点，作为频域特征值。
对原始采集到的正常轴承与故障轴承的信号数据进行数学处理，获取各组数据的时域特征值。从数据中可知，正常轴承与故障轴承的频域特征值和时域特征值具有一定的差异性，我们就可以利用这种差异性通过神经网络来建立一个识别系统，这种识别系统通过对一个轴承工作状态振动信号的分析来辨别这个轴承是正常轴承还是故障轴承。
1.2 神经网络在故障诊断中的应用
人工神经网络是从生物学的角度来模拟人类的思维过程，通过数量庞大的神经元之间的相互连接进行工作，每个神经元都是独立的信息处理单元，网络中各神经元并行处理通过竞争求出适合问题求解的最佳模式。
由MATLAB时频分析得出特征值数据，将筛选后的特征值作为人工神经网络的输入层的输入值，输入层神经元个数有输入值的个数而定。在MATLAB中导入两种轴承工作状态的特征值，进行神经网络的训练，最后可得到一个可识别轴承工作状态的神经网络。
2 实验装置：DSP系统
整套系统是由DSP作为核心器件，由信号预处理模块，信号采集模块、数据处理模块和数据传输模块构成。该系统利用传感器所测得的模拟信号经过必要的处理以后得到数字信号，再由DSP对这些数字信号进行处理，然后将结果传到上位机中并显示出来使得能够根据显示的结果来进一步确定轴承的工作状态。
2.1传感器
由于本文需要采集的轴承工作状态信号是振动信号，鉴于压电式加速度传感器频率范围宽、动态范围大、受外界干扰小等特点和其在振动信号采集的优越特性和广泛应用，故在实验的信号采集装置中选用此传感器。
2.2 实验流程
传感器测取的滚动轴承振动信号接入电荷放大器进行信号放大，再通过A/D卡转换为计算机可以识别和处理的数字信号，再经过DSP信号处理器对数据进行处理，并接入计算机。在计算机上利用MATLAB编程实现以下功能：通过时域和频域分析提取有效特征向量，利用BP神经网络进行模式识别判断故障类型，从而实现滚动轴承智能化故障诊断。
3 轴承信号时频分析
3.1 matlab轴承信号时域分析的结果举例
4 轴承信号分析的神经网络应用
4.1 神经网络
(1)输入层和输出层的选择
由于样本数据来源于实验数据分析后提取的有效特征值，所以网络输入神经元个数为11；网络输出为轴承状态，分为正常轴承和故障轴承，用（0 1）表示故障轴承，（1 1）表示正常轴承，因此网络中只设计2个输出神经元表示这2个状态。综上所述，该BP网络输入层有11个神经元，输出层有2个神经元。
(2)隐层的选择
对于轴承的不同状态进行识别，建立神经网络对它进行训练，用前面提到的公式来确定隐层个数，设计一个隐层可以随意改变的BP神经网络，通过误差对比确定隐层数目，隐层神经元在22～28之间进行比较。
(3)训练参数选择
训练参数：设定网络的隐含层神经元的传递函数为tansig，输出层神经元的传递函数为logsig，目标误差为0.001，最大训练步数为1000。
最终确定的神经元网络如表1。
4.2 神经元网络的测试检验
由Matlab时频分析结果而得出G2015与Z2015的特征值数据，从而代入分析。
G2015的特征值数据代入：
y=sim(net,[0.98;0.90;0.58;1.00;1.00;1.00;0.91;0.42;1.00;0.29;0.03;0.00])；
神经网络分析的结果
测试值实际值0.019 0 0.969 1 Z2015的特征值数据代入：
y=sim(net,[0.15;0.05;0.01;0.30;0.01;0.04;0.01;0.59;0.00;0.12;0.82;0.48])；
神经网络分析的结果
将此神经网络识别系统作为M文件保存，以后进行模式识别时，只要将轴承工作状态的测得的数据的12个特征值（方差、峰值……）输入这个网络就可以根据它的输出结果正确的识别出轴承的状态。
参考文献：
[1] 梅宏斌.滚动轴承振动监测与诊断[M].北京:机械工业出版社,1995.
[2] 陈向东,赵登峰,王国强,等.基于神经网络的滚动轴承故障监测[J].轴承,2003(2):23-26.
[3] 黄海,黄晓萍.基于神经网络的滚动轴承在线状态监测与诊断系统[J].仪器仪表学报,1999,20(3).
