滚动轴承是各种旋转机械中应用最广泛的一种通用机械部件,由于轴承特定的使用环境造成其寿命的随机性较大,目前还无法准确预测其寿命的长短。轴承工作状态的好坏关系到设备是否正常运行,对生产过程、产品质量有直接影响。据统计,旋转机械的故障,30%是由滚动轴承故障引起的。因此,对各种机械设备进行诊断一般都要牵涉到对其中的滚动轴承进行监测与诊断,轴承故障诊断就显得非常重要。近年来,人工神经网络因其特有的优势使得其应用日益广泛,故障诊断领域已经出现了它的身影。人工神经网络的计算能力有三个显著特点:一是它的非线性特性;二是并行分布结构;三是它的学习和归纳能力。同时,它实现容易,采用大量简单的神经元构成神经网络解决难以直接使用解析式处理的问题。因此,将神经网络引入轴承故障诊断正好利用其特点,将问题的处理从传统方法转向人工智能方向。本文介绍了一种新的关于滚动轴承故障的BP网络诊断方法,即通过建立相应的BP网络模型,并对滚动轴承的振动数据进行了分析,分别获得特征值,将特征值作为神经网络输入,利用BP算法对该网络进行训练,利用神经网络的智能性来判断轴承所属的故障类型。仿真结果表明,该方法实用有效。BP网络模型的实现需要掌握计算机编程语言及较高的编程能力,这在一定程度上不利于神经网络技术的推广和使用,而MATLAB软件提供了一个现成的神经网络工具箱(Neural Network Toolbox,简称NNT)。本文利用VC++6.0开发工具和MATLAB神经网络工具箱(NNT)开发出滚动轴承的故障诊断系统,在该系统中实现了神经网络学习和神经网络诊断两大功能模块。该系统的设计与实现均使得对于滚动轴承的故障诊断非常有效,具体实现起来也非常便捷。最后,本文对实测的轴承振动数据进行结论验证,结果表明,本文提出的以神经网络为基础的轴承故障诊断方法具有准确、实用的特点,有广泛的应用前景。