鉴于数控加工机床、精密仪器等领域对滚珠丝杠功能需求、安全可靠性以及市场竞争需求日益提升的现状,对滚珠丝杆常见故障类型进行诊断研究具有重要的应用价值和指导意义.通过分析滚珠丝杆常见故障类型与原因,以其中四种故障类型为研究对象,引入自适应学习率和动量附加项因子的方法改进BP神经网络,提高网络系统的收敛速度和稳定性,并建立滚珠丝杆故障诊断网络模型.通过对不同故障类型的滚珠丝杆进行测试试验,提取发生故障的振动信号特征参数,将测试样本数据用于BP神经网络训练,并用未知故障滚珠丝杠的测试数据进行故障类型诊断.试验结果表明,该改进算法可以准确地诊断出未知滚珠丝杠故障类型;且单一样本类型故障类型诊断概率均高于90%,有效地避免故障类型误判,为解决其故障问题提供理论依据.

滚动轴承的工作转速和载荷很多时候是变化的,基于先验知识的诊断方法很难取得令人满意的分类效果。针对这一问题,提出了基于Nesterov动量的自适应卷积神经网络,用于轴承故障诊断。首先,将网络中传统动量规则替换为Nesterov动量,改善传统方法容易错过最优解问题。其次,为了改善网络泛化能力,设计了一种根据误差变化率动态调整学习率的自适应学习率规则。最后,将采集到的原始数据直接输入到提出的网络中训练故障诊断模型,并利用测试数据对模型进行评测。实验结果表明,提出的优化方法改善了神经网络的收敛性,提高了轴承故障分类精度。