引言

近年来，我国轨道交通发展迅速，正在向着高效，环保的方向发展，伴随着高铁时速的不断刷新，安全问题也成了人们最为关注的问题之一。在高速运行状态下，列车上的每一个细小的零件出现问题都有可能造成严重的后果。因此，研发出一套完整的轴承故障诊断系统显得尤为重要。

1 轴承故障类型及成因

1.1滚动轴承故障诊断技术的发展

很久以前人们就开始了对滚动轴承的故障诊断系统的研究，我国在该领域的起步相对较晚，受到了当时的科学技术以及经济的限制，但是在我国科研工作者的不懈努力下，终于在轴承的故障诊断方面取得了重大突破。我国轴承故障诊断系统的发展大致经历了两个阶段，第一阶段是引进国外先进的模式识别技术，通过与国内的实际需求相结合来开展研究；第二阶段是我国对引进的技术进行了全面的研究以及学习，从而可以自主研发出故障诊断系统。

1.2 轴承故障类型及成因

一般来说，滚动轴承的工作环境恶劣多变，尽管目前轴承的制作工艺已经很成熟，但是轴承发生故障仍然是不可避免的。其中，疲劳运行是造成轴承故障的主要原因，每一种机械设备或者是零件都会有使用寿命，长时间的超负荷运行就会加速缩短轴承的使用寿命，滚动轴承属于较为精密的零件，轴承滚轮间隙较小，更加增大了轴承的磨损程度。因为轴承的工作环境恶劣，所以在高速运行时，可能会有异物进入轴承内部，加剧了磨损程度。当轴承的润滑较差时，可能会出现轴承胶合的现象。胶合是指在运转时，由于润滑不当造成运转不流畅，因此会在运转的过程中产生热，进而使得表面金属黏附在一起。金属材质的轴承还会出现被腐蚀的故障，滚动轴承工作环境多变，难免会接触到空气、水等易造成金属发生腐蚀的物质。轴承还会出现破损的故障，这种故障可能是因为发生撞击，或者是轴承润滑不当而造成的。在我们进行轴承故障诊断时，首先需要对轴承的故障信号进行获取，然后根据不同的振动信号对故障类型进行分类，从而实现故障诊断。

2 滚动轴承故障信号

滚动轴承的故障信号有很多种，这里选取振动信号作为研究对象。在轴承运行的过程中，必然会产生振动。振动信号主要包括轴承结构本身所产生的能反映其内在信息的振动信号，还有一种就是来自外界的噪声信号。在进行信号采集时，一定会将噪声信号一并采集出来，因此，在进行轴承故障信号特征分析之前需要对采集的信号进行降噪处理，从而提取出真正有用的信号。正常来说，正常轴承运行时，其产生的振动信号波形图是较为规范且呈周期性变化的。当轴承出现故障时，其产生的振动信号就会出现紊乱的现象，产生的波形是杂乱无章且没有规律的。因此，可以通过提取降噪处理之后的纯净信号来准确的进行轴承故障诊断。

3 基于BP神经网络的轴承故障诊断系统设计

3.1 BP神经网络介绍

人的大脑分布着无数的神经元，是人类生产、活动的控制中心。为了能够探索人脑的秘密，模拟人脑神经活动，科学家利用数学、物理的方法模拟人脑生物行为和结构，建立了称为人工神经网络的运算模型，简称神经网络。BP误差反向传播前馈神经网络是一种有输入层，隐含层和输出层组成的前向链接模型。每一层都是由神经元组成，神经元也是构成神经网络的基本单位。

3.2 降噪处理

在进行信号采集的过程中，不可避免的会将外界噪声信号采集到一起。这时就需要进行信号的降噪处理，从而获取纯净的故障类型振动信号。这里我们选用小波变换来进行降噪处理，小波变换在处理非平稳信号时可以在时域和频域同时描述信号的局部特性。

在利用小波变换进行降噪处理时，首先要选择合适的小波基函数。常见的基函数有：Haar母小波、Mexican Hat(mexh)小波、Morlt小波、Meyer小波等。通过对小波基函数性质和故障信号的特征分析，从而来确定合适的小波基函数来进行降噪处理。但是在选择基函数时要遵循一个原则，就是一旦选定了基函数，在整个信号处理的过程中都要使用该函数，不能因为信号的改变而更换小波基函数。

3.3 基于BP网络的故障诊断

采用BP神经网络进行故障诊断，首先是要准确的提取故障轴承的特诊信号，由此就可以确定故障轴承振动信号到特征向量的映射。但是要建立故障状态信号到故障类型的映射，就要确定特征向量到故障类型的映射。故障诊断问题其实可以看作是一个分类问题，而分类的关键就是建立一套完整的故障信号到故障类型的转换规则。应用已知故障类型的振动信号对网络进行训练，当训练次数达到最大训练次数或者诊断误差在允许的范围内时，训练就会终止，以此可以更加准确 的进行故障诊断并分类。

4 结束语

轴承故障诊断系统的设计与实现，对我国的轨道交通的安全起到了重要的作用，另外，通过建立完整的神经网络诊断系统，按照信号采集、信号预处理（降噪）、特征提取、输入神经网络、输出诊断结果的流程，经过对网络的训练，实现了对故障类型的识别。神经网络在使用的时候不需要确定的数学模型，只要对确定的输入输出进行简单的学习记忆即可，逻辑较为简单。因此，在轴承故障诊断领域应用神经网络进行研究，具有很好的应用前景。

参考文献

[1]李锟. 基于CEEMDAN和模糊神经网络的滚动轴承故障诊断研究[D].宁夏大学,2018.

[2]孙晓涛. 基于LabVIEW和MATLAB的滚动轴承综合监测与诊断系统[D].青岛大学,2018.

[3]乔适苏,蔡慧,谢岳,陈徐笛,郭倩.基于小波变换的非侵入负荷事件检测算法研究[J].中国计量大学学报,2020,31(04):421-429.

[4]王冬云,张文志.基于小波包变换的滚动轴承故障诊断[J].中国机械工程,2012,23(03):295-298.