系统工作的时候，BP网络首先利用初始权值对输入数据进行运算，以判断是否达到预定的精度。因为这些输入数据是代表轴承具体特性的，如果BP网络达到预定精度则说明该BP网络与轴承的具体情况是一致的，不对权值进行修改；如果没有达到，则说明该BP网络与轴承具体情况还不是很一致，必须用BP算法对权值进行反复学习，直至与现场的具体情况趋于一致，真正代表该机器的具体情况。修正后的权值保存下来作为下一次BP网络运算的基础。
修正SPM方法评定曲线，根据BP网络的运算结果和轴承更换管理程序传递过来的更换评价，即现场轴承的具体特点和上次轴承更换的及时程度来进行。修正之后的评定曲线可用于测量监控系统，以修正和弥补工业现场复杂的工况条件对于监测方法的影响。
2 工业现场应用实例
SPM方法评价滚动轴承运行状态的自修正系数模块，装载于南京扬子石化公司塑料厂PP造粒机的轴承在线监测系统的分析软件中，在工业现场运行一年多来，根据现场实测的数据和现场操作人员多年积累的经验，用BP神经网络对原来SPM轴承故障的评价曲线作了修正，使之基本上符合这台PP造粒机轴承运行的实际情况。该造粒机上的一号轴承是一个外径360mm，内径200mm，工作转速为1480r/min的单列向心球轴承。按SPM方法的经验曲线，当低频值为86dB时，说明轴承已有损伤，应引起重视，但实际现场工作人员数次在检修中发现，达到上述数值时，一号轴承已经严重损坏，已无法恢复工作，这充分说明SPM方法的经验曲线与具体机器对象的特性之间存在着一定的差异。据此，我们用BP神经网络自修正系数软件，对SPM方法的经验曲线进行了修正，预训练BP网络时初始数据使用现场操作人员的经验数据，即一号轴承在低频冲击值dBm为46dB时需要引起重视，此时的高频值dBc由BP网络计算得出，这样经修正后的高、低频值来作为一号轴承的评价标准。对不同的轴承逐一进行预学习修正以后，每个轴承都有相应的评价运动状态的标准。现场使用一年多来，与以前相比，轴承故障引起停机的事故明显减少，保证了造粒机的长周期安全运行。实践证明，对SPM方法的评价曲线修正后的评价数据是符合PP造粒机的实际情况，是非常合适的。
3 结论
本文针对工业现场极其复杂的工况条件对机器在线监测诊断系统的影响，具体就SPM方法对滚动轴承的监测，利用近年来发展起来的新兴人工神经网络科学，尝试构建基于BP神经网络的自修正系数模块。该系统经过一段时间的现场学习后，将能代表现场工况条件和现场对象机器的具体特点，自适应产生代表现场对象机器具体特点的修正系数，修正SPM方法评定轴承状态的经验曲线，以弥补现场复杂的工况条件对SPM监测方法的影响。经本系统在中国扬子石化公司的实际运行，证明系统的构建是成功和可靠的。
参考文献
[1] Botoe P A. Detection of bearing damage by shock pulse measurement. The Ball Bearing Journal,1971 (167)∶1～7
[2] 焦李成. 神经网络系统理论. 西安∶西安电子科技大学出版社，1990.
[3] Hornik K,Stinchcombe M,White H. Universal approxi mation of an unknown mapping and its derivatives using multiayer feed forword net works. Neural Net works, 1990, 3(5)∶551～560
企业新闻
轴承知识