滚动轴承是机械设备中最常用的零件之一,它的运行状态直接影响到整台机器的性能,而滚动轴承故障是导致机械设备运行过程中产生故障的主要原因之一。滚动轴承的故障诊断是评价滚动轴承制造质量的关键,因此对滚动轴承故障诊断技术进行研究就具有十分重要的意义。通常的故障诊断方法或是基于振动信号的时域分析,或是基于频域分析,难以全面反映振动的特征。由于滚动轴承的故障诊断模式和特征向量之间是非常复杂的非线性关系,依靠经验不能很好地解决滚动轴承的故障诊断问题。本文以精密机车滚动轴承故障诊断问题的研究为背景,利用神经网络的强非线性映射能力,以及自学习、自组织和自适应的能力,探讨了BP神经网络技术在滚动轴承故障诊断中的应用。本文在对滚动轴承的故障机理和振动信号特征进行系统全面分析的基础上,通过对滚动轴承正常和故障状态的振动信号的分析处理,根据参数的时域特征和频域特征,综合选取了适宜的部分特征参数作为神经网络的输入。然后,利用神经网络技术对未知动态的逼近原理,针对滚动轴承故障诊断的具体特点,设计了轴承故障诊断神经网络的具体结构,构建了基于BP神经网络的滚动轴承故障诊断系统。最后利用前续课题研究所获得的轴承振动的实验数据,分别构造了基于轴承振动特征参数的正常及故障状态的训练样本,在MATLAB软件平台上对本文构建的神经网络进行了训练,并用训练好的神经网络对滚动轴承运行状态进行了诊断。仿真结果表明,本文构建的滚动轴承故障诊断BP神经网络能够根据实际数据准确地识别出滚动轴承的故障类型,诊断效果良好。