为了提高非平稳性轴承振动信号特征提取能力及故障诊断效率,提出了小波包结合BP神经网络的轴承故障诊断方法,将小波包对振动信号进行分解与重构,将不同频段的能量为特征参数作为BP神经网络的输入。提出通过神经网络隐层不同节点对应的平均迭代次数和网络性能作为隐层节点数选择的依据选择隐层节点个数,摆脱了经验公式选择节点数导致迭代次数高、精确率较低的缺陷,同时通过遗传算法优化神经网络初始权值和阈值,提高收敛速度并克服会陷入局部最小值等缺点。以实验室实测故障轴承数据为对象分析,对比传统BP与GA-BP的诊断效率及精确度,验证了小波包结合改进BP神经网络进行轴承故障诊断的可行性。

数据预测分析是切削数据库的重要功能之一,文中采用回归分析预测法、有限元分析方法与神经网络预测方法建立了切削力预测模型。通过切削实验验证了模型的准确性,并对不同模型的数据来源特点与预测精度进行了分析研究。获得的结果可以为预测模型的建立与预测方法的选择提供理论支撑。