介绍了概率神经网络(PNN)的基本原理,运用轴承知识并将其应用于轴承的状态监测与故障诊断,将在实验室搭建的简单的轴承故障实验装置获得的数据,结合信号处理、数据分析等方面的知识,对信号进行分析,分别在时域和频域提取不同特征值。再对提出的特征值进行归一化处理和有效性检验,根据特征值的差异性和重复性原则,应用平均值与平均误差值来检验特征值的有效性。把最终的有效特征值作为神经网络的输入,进行PNN网络训练。结果表明,PNN可以克服BP神经网络(BPNN)学习收敛速度慢、易陷入局部极小值等缺点,对传感器测量噪声具有较强的诊断鲁棒性,能够满足故障诊断快速和准确的要求,适用于在线检测,具有实际应用价值。
    根据轴承知识得滚动轴承是各种旋转机械中应用最广泛的机械部件,它的运行状态是否正常往往直接影响到整台机器的性能,同时它也是易损坏的零件。轴承故障类型繁多,其诊断的方法也各不相同。神经网理论在故障诊断领域显示出了极大的应用潜力。BP神经网络在旋转机械故障诊断中应用较多,但BP算法的思想以期望值与实际值之差的平方和为目标函数求极小,所以对初始值敏感,在学习过程中易陷入局部极小值,而训练样本数较大时收敛速度慢。(Probabilistic NeuralNetwork)简称(PNN)应用于轴承的状态监测与故障诊断,以克服BP网络的缺点,取得了令人满意的结果。