张博峰

摘要：为了提高滚动轴承故障诊断效果，提出主成分分析结合BP神经网络的方法。简要介绍主成分分析法将轴承振动信号时域与频域的特征数据降维处理以及BP神经网络训练过程的原理。利用主成分分析与BP神经网络模型对凯斯西储大学轴承数据进行训练，将滚动轴承的状态类型作为网络输出结果。经过600组训练数据以及145组测试数据的仿真，结果表明主成分分析与BP网络模型比BP神经网络的训练误差精度相对提升了31.14%，测试误差精度相对提升了29.86%。

关键词：主成分分析;BP神经网络;轴承故障诊断

中图分类号：TH133.33                                 文献标识码：A                                文章编号：1674-957X（2021）11-0131-02

0  引言

随着国家对工业制造的大力发展，机械设备故障问题也一直是关注热点，机械设备类型也十分广泛，其中王文标等[1]人就利用PCA模型用于锅炉故障诊断中。滚动轴承是轨道交通、机器人等机械设备中常见的组成部分，一旦出现故障，对设备或人们的生命安全有巨大隐患，监测滚动轴承运行状况以及完善故障诊断技术研究具备重要意义。实际问题需要合理的模型来解决，其中赵红梦等[2]人利用PCA-BP研究地面爆破振动，效果显著。所以，针对滚动轴承故障诊断中相对成熟的振动诊断技术，本文提出了主成分分析与BP网络模型，解决实际产业中，提取较多轴承振动信号特征时，出现数据量大以及BP神经网络训练与测试效果差的问题，提升故障诊断的运行效率以及误差精度。

1  PCA与BP神经网络模型原理

1.1 PCA模……