1 前言
随着机械设备自动化水平和复杂程度的提高，机械设备故障诊断变得越来越重要，因此诊断方法的选择会对诊断结果的精确与否产生重要影响。故障的智能诊断也因此随着计算机的迅猛发展展示出极大的优势。
传统的诊断分析方法是通过检测所获得的数据进行人工分析从而获得结论，这就要求技术人员要有很丰富的诊断经验以及很深厚的理论基础。本文所述的就是一种新的分析实现方法。我们将机械振动故障诊断技术引入人工神经网络，通过一个具有大量专门知识和经验的智能网络对数据进行分析，模拟人类专家运用知识和经验进行推理、判断和决策的思维，从而获得诊断结论的一种方法。
2 旋转机械振动分析法
旋转机械的功能主要是由旋转动作来实现的，它的重要部件之一就是转子。当发生故障时常会伴随着噪音和震动异常的现象因此我们将转子的振动信号作为对象进行研究分析。常见的故障及其振动特征如下：
1.由于旋转体轴心本身的质量分布不均匀导致的不平衡，致使在旋转时会产生很大的离心力而出现振动的现象。主要表现在：频谱图中，谐波能量集中于基频左右，幅值相对稳定，转子的轴心轨迹大致为椭圆，振动的时域波形为正弦波。
2.当用联轴节连接两根轴的中心线时往往不重合。主要表现在：振动特性相对稳定，振动二倍频极大，振动方向一般为径向、轴向，相位特征稳定性好，轴心轨迹与双环椭圆拟合，振幅随负荷变化、转速都较为显著。
3.在滑动轴承里面，由于油膜动力效应中油膜阻尼力和涡动力之间的相互作用而引起的一种自激振动。主要表现在：油膜涡动的高频成分较少，主要集中在低频、工频附近的振幅所占比例相对较大，相位特征和振动较为稳定，轴心轨迹大致为双环椭圆，振动主要方向为径向方向。
4.轴承谐波成分丰富，存有缺陷频率，由于存在随机高频振动带，边带成分也很突出，轴承温度较高。
5.振动在超低频分量时经常出现，振动相对不稳定，相位也不稳定，轴心轨迹紊乱，出现喘振现象。
6.轴承座松动的振动往往以垂直振动为主，由频谱图中看出，频谱除基频以外，仍然有很大一部分高频成分及偶次分频，轴心轨迹相当混乱，重心偏移，但其能量主要集中在低于1/2倍频的低频区。
3 人工神经网络
3.1人工神经网络
人工神经网络（artificial neural network，ANN）就是在人们还不能清楚认识生物神经网络的基础上，假想出来的能够反映生物神经元基本功能的“人工神经元”，通过某种方式连接起来，就形成了一个能模拟推理、判断和决策能力的智能网络。