介紹了概率神經(jīng)網(wǎng)絡(luò)(PNN)的基本原理,運(yùn)用軸承知識(shí)并將其應(yīng)用于軸承的狀態(tài)監(jiān)測(cè)與故障診斷,將在實(shí)驗(yàn)室搭建的簡(jiǎn)單的軸承故障實(shí)驗(yàn)裝置獲得的數(shù)據(jù),結(jié)合信號(hào)處理、數(shù)據(jù)分析等方面的知識(shí),對(duì)信號(hào)進(jìn)行分析,分別在時(shí)域和頻域提取不同特征值。再對(duì)提出的特征值進(jìn)行歸一化處理和有效性檢驗(yàn),根據(jù)特征值的差異性和重復(fù)性原則,應(yīng)用平均值與平均誤差值來(lái)檢驗(yàn)特征值的有效性。把最終的有效特征值作為神經(jīng)網(wǎng)絡(luò)的輸入,進(jìn)行PNN網(wǎng)絡(luò)訓(xùn)練。結(jié)果表明,PNN可以克服BP神經(jīng)網(wǎng)絡(luò)(BPNN)學(xué)習(xí)收斂速度慢、易陷入局部極小值等缺點(diǎn),對(duì)傳感器測(cè)量噪聲具有較強(qiáng)的診斷魯棒性,能夠滿(mǎn)足故障診斷快速和準(zhǔn)確的要求,適用于在線檢測(cè),具有實(shí)際應(yīng)用價(jià)值。
    根據(jù)軸承知識(shí)得滾動(dòng)軸承是各種旋轉(zhuǎn)機(jī)械中應(yīng)用最廣泛的機(jī)械部件,它的運(yùn)行狀態(tài)是否正常往往直接影響到整臺(tái)機(jī)器的性能,同時(shí)它也是易損壞的零件。軸承故障類(lèi)型繁多,其診斷的方法也各不相同。神經(jīng)網(wǎng)理論在故障診斷領(lǐng)域顯示出了極大的應(yīng)用潛力。BP神經(jīng)網(wǎng)絡(luò)在旋轉(zhuǎn)機(jī)械故障診斷中應(yīng)用較多,但BP算法的思想以期望值與實(shí)際值之差的平方和為目標(biāo)函數(shù)求極小,所以對(duì)初始值敏感,在學(xué)習(xí)過(guò)程中易陷入局部極小值,而訓(xùn)練樣本數(shù)較大時(shí)收斂速度慢。(Probabilistic NeuralNetwork)簡(jiǎn)稱(chēng)(PNN)應(yīng)用于軸承的狀態(tài)監(jiān)測(cè)與故障診斷,以克服BP網(wǎng)絡(luò)的缺點(diǎn),取得了令人滿(mǎn)意的結(jié)果。