介紹了概率神經(jīng)網(wǎng)絡(PNN)的基本原理,運用軸承知識并將其應用于軸承的狀態(tài)監(jiān)測與故障診斷,將在實驗室搭建的簡單的軸承故障實驗裝置獲得的數(shù)據(jù),結合信號處理、數(shù)據(jù)分析等方面的知識,對信號進行分析,分別在時域和頻域提取不同特征值。再對提出的特征值進行歸一化處理和有效性檢驗,根據(jù)特征值的差異性和重復性原則,應用平均值與平均誤差值來檢驗特征值的有效性。把最終的有效特征值作為神經(jīng)網(wǎng)絡的輸入,進行PNN網(wǎng)絡訓練。結果表明,PNN可以克服BP神經(jīng)網(wǎng)絡(BPNN)學習收斂速度慢、易陷入局部極小值等缺點,對傳感器測量噪聲具有較強的診斷魯棒性,能夠滿足故障診斷快速和準確的要求,適用于在線檢測,具有實際應用價值。
    根據(jù)軸承知識得滾動軸承是各種旋轉機械中應用最廣泛的機械部件,它的運行狀態(tài)是否正常往往直接影響到整臺機器的性能,同時它也是易損壞的零件。軸承故障類型繁多,其診斷的方法也各不相同。神經(jīng)網(wǎng)理論在故障診斷領域顯示出了極大的應用潛力。BP神經(jīng)網(wǎng)絡在旋轉機械故障診斷中應用較多,但BP算法的思想以期望值與實際值之差的平方和為目標函數(shù)求極小,所以對初始值敏感,在學習過程中易陷入局部極小值,而訓練樣本數(shù)較大時收斂速度慢。(Probabilistic NeuralNetwork)簡稱(PNN)應用于軸承的狀態(tài)監(jiān)測與故障診斷,以克服BP網(wǎng)絡的缺點,取得了令人滿意的結果。