摘 要： 机械振动故障诊断技术引入人工神经网络，通过一个具有大量专门知识和经验的智能网络，对数据进行分析，模拟人类专家进行推理、判断和决策，从而获得分析结论。网络以振动信号的频域特征为输入，以故障模式编码为输出，通过MATLAB7.0人工神经网络工具箱构建网络，仿真结果表明对训练的特征样本进行模式识别具备了很高的准确率，实现了诊断分析的智能化。
关键词： 人工神经网络； 机械故障； 机械振动； 人工智能
一、前言
随着机械设备自动化水平和复杂程度的提高，机械设备故障诊断的重要性日益显著，而选择合适的诊断方法对于诊断结果是否精确就显得更为重要。随着计算机技术的普及，故障的智能诊断显示出极大的优势。
传统的诊断分析方法是通过检测所获得的数据进行人工分析从而获得结论，这就要求技术人员要有很丰富的诊断经验以及很深厚的理论基础。本文所述就是一种新的分析实现方法。我们将机械振动故障诊断技术引入人工神经网络，通过一个具有大量专门知识和经验的智能网络，对数据进行分析，模拟根据人类专家的知识和经验进行推理、判断和决策，从而获得诊断结论的一种方法。
二、旋转机械振动分析法
旋转机械的主要功能是由旋转动作完成的，转子是其最主要的部件。其发生故障的重要特征是伴有异常振动和噪音，所以以其转子的振动信号为研究对象进行分析。常见的故障及其振动特征如下：
1、 不平衡，就是由于旋转体轴心周围的质量分布不均，使之在旋转中产生离心力而引起振动的现象。其主要特征：振动的时域波形为正弦波，频谱图中，谐波能量集中于基频，幅值稳定，转子的轴心轨迹为椭圆。
2、 不对中，就是用联轴节连接起来的两根轴的中心线不重合的现象。主要特征：振动二倍频较大，振动特性稳定，振动方向为径向、轴向，相位特征较稳定，轴心轨迹双环椭圆，振幅随转速、负荷变化都较为明显。
3、 油膜涡动，滑动轴承中由于油膜动力效应中涡动力和油膜阻尼力之间合成作用而引起的一种自激振动。主要特征：油膜涡动的低频成分较多，主要集中在半频或其以下，工频附近的振幅所占比例最大，振动和相位特征较为稳定，轴心轨迹为双环椭圆，振动主要方向为径向。
4、 轴承损坏，主要特征：轴承缺陷频率和谐波成分丰富，存在较宽的随机高频振动带，边带成分较明显或突出，轴承温度偏高。
5、 喘振，主要特征：振动在超低频分量出现，振动不稳定，相位不稳定，轴心轨迹紊乱。
6、轴承座松动，主要特征：松动的振动形式以径向垂直振动为主，在频谱图中，频谱除基频外，尚有部分高频成分及偶次分频，轴心轨迹混乱，重心漂移。但其能量主要集中在低于1/2倍频的低频区，轴心轨迹紊乱。
三、人工神经网络
（一）人工神经网络模型
人工神经网络（artificial neural network，ANN）就是在人们还不能清楚认识生物神经网络的基础上，将假想出来的能够反映生物神经元的基本功能的“人工神经元”，通过某种方式连接起来，就形成了一个能模拟推理、判断和决策能力的智能网络。
（二）BP神经网络模型及算法概述
本文实现分析所采用的网络为有反馈的前向网络（即BP神经网络）其结构如图3.1所示：
网络由输入层、隐含层和输出层构成，相邻层之间的神经元全互连，同一层内的神经元无连接。输入层、中间层和输出层的单元数分别是n，p和q，输入为?a?h(h=1,2,…n) ；中间层输出为bi(i=1,2,…p) ；网络实际输出为cj(j=1,2,…q)。cjk(j=1,2…q)表示训练样本期望输出。输入单元h到中间单元i的权值为Vhi，中间单元i到输出单元j的权值为Wij，用θi和θj来分别表示输出单元和中间单元的阈值。
