CN105973595A - 一种滚动轴承故障的诊断方法 - Google Patents

Abstract

本发明公开了一种滚动轴承故障的诊断方法，包括以下步骤：S1：采集所述滚动轴承的加速度信号；S2：结合采用离散小波变换方法和软阈值方法，对所述加速度信号进行去噪处理；S3：对去噪处理后的所述加速度信号的时间序列进行分割，提取样本；S4：通过两个以上的自编码网络构造堆栈自编码网络框架，提取所述样本的特征信息；S5：利用所述样本的特征信息训练至少一个BP神经网络分类器；S6：根据采用已知故障数据对至少一个所述BP神经网络分类器进行训练以建立的故障诊断模型，确定所述滚动轴承的故障信息。本发明提出的滚动轴承故障的诊断方法，大大提高了故障诊断的准确率。

Description

一种滚动轴承故障的诊断方法

技术领域

本发明涉及机械自动化领域，尤其涉及一种滚动轴承故障的诊断方法。

背景技术

滚动轴承一直是机械设备中的核心部件，同时又是最容易发生故障的部件之一；滚动轴承一旦发生故障，会对整个机械设备造成不利的影响。因此，设计准确、高效的滚动轴承故障诊断方法，快速准确地诊断出轴承故障发生的位置、幅度大小，并对故障采取有效的处理方式，对于保障机械设备的正常安全运行具有重要意义。

目前滚动轴承故障的诊断方法有很多，主要可以分为基于声信号处理方法、振动信号检测的方法、加速度信号处理方法等等，这些方法的效果很大程度上取决于对采集的真实数据的预处理能力和特征提取的能力；但是现有技术中对采集的数据的处理能力有限导致最终的故障的诊断结果的准确率大大降低。

发明内容

为解决上述技术问题，本发明提出一种滚动轴承故障的诊断方法，不仅大大提高了故障诊断的准确率，而且方法简单、易于操作。

为达到上述目的，本发明采用以下技术方案：

本发明公开了一种滚动轴承故障的诊断方法，包括以下步骤：

S1：采集所述滚动轴承的加速度信号；

S2：结合采用离散小波变换方法和软阈值方法，对所述加速度信号进行去噪处理；

S3：对去噪处理后的所述加速度信号的时间序列进行分割，提取样本；

S4：通过两个以上的自编码网络构造堆栈自编码网络框架，提取所述样本的特征信息；

S5：利用所述样本的特征信息训练至少一个BP神经网络分类器；

S6：根据采用已知故障数据对至少一个所述BP神经网络分类器进行训练以建立的故障诊断模型，确定所述滚动轴承的故障信息。

优选地，步骤S6具体包括：将所述滚动轴承执行步骤S1～S5训练的至少一个所述BP神经网络分类器，与采用已知故障数据的所述滚动轴承执行步骤S1～S5训练至少一个所述BP神经网络分类器以建立的故障诊断模型进行对比，确定所述滚动轴承的故障信息。

优选地，建立所述故障诊断模型中的步骤S1中的所述滚动轴承包括带负载和不带负载的已知故障数据的滚动轴承。

优选地，步骤S2具体包括：

S21：采用db5小波对随时间变化的加速度信号序列f(t)进行小波变换，分别得到2^-j分辨率下的粗糙像系数C_j,k和细节系数D_j,k；

S22：保留所述粗糙像系数C_j,k，对于所述细节系数D_j,k，采用软阈值方法进行处理，所述软阈值方法的计算公式为：

${\hat{D}}_{j,k}=\left\{\begin{array}{cc}\mathrm{sgn}\left(D_{j,k}\right)\left(\right|D_{j,k}|-\mathrm{\&lambda;})& \left|D_{j,k}\right|\&GreaterEqual;\mathrm{\&lambda;}\\ 0& \left|D_{j,k}\right|<\mathrm{\&lambda;}\end{array}\right.$

其中，sgn()是符号函数，阈值λ的取值为δ为信号的标准差，N为信号的长度；

S23：再采用小波逆变换将频域信号转换回时域的时间序列信号，以完成对所述加速度信号的去噪处理，其中小波逆变换的计算公式为：

$C_{j,k}=\underset{m=-\mathrm{\&infin;}}{\overset{\mathrm{\&infin;}}{\&Sigma;}}h(k-2m)C_{j+1,m}+\underset{m=-\mathrm{\&infin;}}{\overset{\mathrm{\&infin;}}{\&Sigma;}}g(k-2m)D_{j+1,m}.$

优选地，步骤S3具体包括：以A个时间点作为一个单位样本，以B的重叠率，对M个加速度信号点进行分割，提取到n个所述样本，其中A、M、n为正整数。

优选地，B的取值范围为0<B<100％。

优选地，A、B、M、n的取值满足A+(n-1)A*(1-B)＝M关系式的要求。

优选地，步骤S4中是通过两个自编码网络构造堆栈自编码网络框架，提取所述样本的特征信息，具体包括：

S41：第一个自编码网络采用[A E A]的结构，其中E>A，输入是A维的样本向量，隐藏节点数为E，输出维数是A维，通过所述第一个自编码网络得到所述样本的稀疏表达特征；

S42：第二个自编码网络采用[E F E]的结构，其中F<A，所述第二个自编码网络的输入是所述样本的稀疏表达特征，通过所述第二个自编码网络得到所述样本稀疏表达特征的压缩特征信息；

S43：将所述第一个自编码网络和所述第二个自编码网络结合在一起，构成结构为[A E F]的堆栈自编码网络框架，提取所述样本的特征信息。

优选地，步骤S5中所述BP神经网络分类器的数量大于或等于5个。

优选地，步骤S6中所述滚动轴承的故障信息还根据神经网络集成技术以及相对多数投票法则来确定。

与现有技术相比，本发明的有益效果在于：本发明滚动轴承故障的诊断方法中，首先结合采用离散小波变换方法和软阈值方法，充分考虑滚动轴承机械系统中加速度信号的非线性、非平稳性、随机性、噪声干扰等因素，完成对数据有效的预处理；然后利用深度学习堆栈自编码框架进行特征提取，对噪声具有较强的抑制作用，保证了数据的可靠性，为后续BP神经网络分类器，提高故障诊断效率奠定基础；最后再利用BP神经网络分类器并根据采用已知数据训练的故障诊断模型来确定滚动轴承的故障信息，大大提高了故障诊断的准确率，从而实现对滚动轴承准确、高效的故障诊断；本发明的滚动轴承故障的诊断方法，先采用已知故障数据的滚动轴承的加速度信号训练BP神经网络分类器来建立故障诊断模型，然后将未知故障数据的滚动轴承的加速度信号训练的BP神经网络分类器与故障诊断模型进行对比，判断出滚动轴承的故障信息，方法简单、易于操作。

在优选的方案中，步骤S4中通过两个自编码网络构造堆栈自编码网络框架，先通过稀疏表达进一步在小波基础上抑制噪声，然后再通过压缩表达来提取样本的特征，从而更进一步地提高训练BP神经网络分类器的样本的准确性。

在优选的方案中，在步骤S5中训练多个BP神经网络分类器，再在步骤S6中根据神经网络集成技术和相对多数投票法则来确定滚动轴承的故障信息，进一步提高滚动轴承故障的诊断方法的准确性。

附图说明

图1是本发明实施例的滚动轴承的诊断方法流程图；

图2是本发明优选实施例的滚动轴承故障的诊断方法流程图；

图3是本发明优选实施例的诊断方法中对加速度信号的时间序列进行分割的示意图；

图4是本发明优选实施例的诊断方法中构造堆栈自编码网络框架示意图；

图5是本发明优选实施例的故障诊断结果的示意图。

具体实施方式

下面对照附图并结合优选的实施方式对本发明作进一步说明。

如图1所示，本发明的实施例公开了一种滚动轴承故障的诊断方法，包括以下步骤：

S1：采集所述滚动轴承的加速度信号；

S2：结合采用离散小波变换方法和软阈值方法，对所述加速度信号进行去噪处理；

S3：对去噪处理后的所述加速度信号的时间序列进行分割，提取样本；

S4：通过两个以上的自编码网络构造堆栈自编码网络框架，提取所述样本的特征信息；

S5：利用所述样本的特征信息训练至少一个BP神经网络分类器；

S6：根据采用已知故障数据对至少一个所述BP神经网络分类器进行训练以建立的故障诊断模型，确定所述滚动轴承的故障信息。

在进一步的实施例中，步骤S6具体包括：将所述滚动轴承执行步骤S1～S5训练的至少一个所述BP神经网络分类器，与采用已知故障数据的所述滚动轴承执行步骤S1～S5训练至少一个所述BP神经网络分类器以建立的故障诊断模型进行对比，确定所述滚动轴承的故障信息。

在进一步的实施例中，建立所述故障诊断模型中的步骤S1中的所述滚动轴承包括带负载和不带负载的已知故障数据的滚动轴承。

在进一步的实施例中，步骤S2具体包括：

S21：采用db5小波对随时间变化的加速度信号序列f(t)进行小波变换，分别得到2^-j分辨率下的粗糙像系数C_j,k和细节系数D_j,k；

S22：保留大尺度低分辨率下的粗糙像系数C_j,k，对于小尺度高分辨率下的细节系数D_j,k，采用软阈值方法进行处理，所述软阈值方法的计算公式为：

${\hat{D}}_{j,k}=\left\{\begin{array}{cc}\mathrm{sgn}\left(D_{j,k}\right)\left(\right|D_{j,k}|-\mathrm{\&lambda;})& \left|D_{j,k}\right|\&GreaterEqual;\mathrm{\&lambda;}\\ 0& \left|D_{j,k}\right|<\mathrm{\&lambda;}\end{array}\right.$

其中，sgn()是符号函数，阈值λ的取值为δ为信号的标准差，N为信号的长度；

S23：再采用小波逆变换将频域信号转换回时域的时间序列信号，以完成对所述加速度信号的去噪处理，其中小波逆变换的计算公式为：

$C_{j,k}=\underset{m=-\mathrm{\&infin;}}{\overset{\mathrm{\&infin;}}{\&Sigma;}}h(k-2m)C_{j+1,m}+\underset{m=-\mathrm{\&infin;}}{\overset{\mathrm{\&infin;}}{\&Sigma;}}g(k-2m)D_{j+1,m}.$

在进一步的实施例中，步骤S3具体包括：以A个时间点作为一个单位样本，以B的重叠率，对M个加速度信号点进行分割，提取到n个所述样本，其中A、M、n为正整数。

在进一步的实施例中，B的取值范围为0<B<100％。

在进一步的实施例中，A、B、M、n的取值满足A+(n-1)A*(1-B)＝M关系式的要求。

在进一步的实施例中，步骤S4中是通过两个自编码网络构造堆栈自编码网络框架，提取所述样本的特征信息，具体包括：

S41：第一个自编码网络采用[A E A]的结构，其中E>A，输入是A维的样本向量，隐藏节点数为E，输出维数是A维，通过所述第一个自编码网络得到所述样本的稀疏表达特征；

S42：第二个自编码网络采用[E F E]的结构，其中F<A，所述第二个自编码网络的输入是所述样本的稀疏表达特征，通过所述第二个自编码网络得到所述样本稀疏表达特征的压缩特征信息；

S43：将所述第一个自编码网络和所述第二个自编码网络结合在一起，构成结构为[A E F]的堆栈自编码网络框架，提取所述样本的特征信息。

在进一步的实施例中，步骤S5中所述BP神经网络分类器的数量大于或等于5个。

在进一步的实施例中，步骤S6中所述滚动轴承的故障信息还根据神经网络集成技术以及相对多数投票法则来确定。

本发明的滚动轴承故障的诊断方法在使用过程中，需要先采集已知故障数据的滚动轴承的加速度信号执行后执行步骤S2～步骤S5来训练至少一个BP神经网络分类器以建立故障诊断模型，建立了故障诊断模型后，可以将新的未知是否发生故障的滚动轴承的加速度信号采集出来，再按照步骤S2进行信号的去噪预处理，按照步骤S3提取样本，利用步骤S4中训练好的堆栈自编码网络框架提取样本的特征信息，利用步骤S5中训练好的多个BP神经网络进行分类，最后利用S6中的神经网络集成方法和相对多数投票法则，确定未知是否发生故障的滚动轴承的最终的故障类型。

下述采用本发明的优选实施例的滚动轴承故障的诊断方法来对滚动轴承的已知故障数据来建立故障诊断模型，并采用滚动轴承的已知故障数据来对本发明的优选实施例的滚动轴承故障的诊断方法进行验证。

本发明优选实施例中同时采集机械系统在带负载和不带负载两种情况下的滚动轴承的加速度信号，以完成滚动轴承损坏部位的确定和故障幅度大小的确定。滚动轴承发生故障的部位分为外圈、内圈和钢球三个位置，下述分别对三种尺寸的滚动轴承的故障进行设定，故障幅度的大小包括0.007英寸、0.014英寸、0.021英寸三种类型，为了说明本发明的滚动轴承故障的诊断方法的有效性，下述同时采集了滚动轴承未发生故障的健康状态下的加速度信号，与故障情况下的加速度信号对比进行处理；以保证本发明提出的滚动轴承故障的诊断方法可以检测滚动轴承是否处于健康状态，如果滚动轴承发生故障，能够进一步确定滚动轴承故障的大小和位置。故障测试数据分别取自滚动轴承内圈、钢球和外圈三个位置，其中不带负载的情况下，每个位置上故障大小有三种，加上正常数据，一共是3*3+1＝10类；考虑负载的情况下也同样是10类，总共有20类加速度信号数据。采样率为12kHz，电机转速大约是1700r/min，每类数据的采样点为120000个左右，其中故障类型及健康状态数据类别如下表1所示。

表1测试数据的故障类型及健康状态数据类别

如图2所示，本发明优选实施例的滚动轴承故障的诊断方法流程图包括：

S101：在滚动轴承机械设备上布置加速度传感器，分别在机械设备带负载和不带负载的上述已知的故障及健康状态下，采集滚动轴承的加速度信号。

S102：结合采用离散小波变换方法和软阈值方法，对发生故障的滚动轴承加速度信号进行去噪处理，提高加速度信号的可靠性；具体包括：假设随时间变化的加速度信号序列为f(t)，采用db5小波进行小波变换分别得到2^-j分辨率下的粗糙像系数C_j,k和细节系数D_j,k，根据小波去噪的基本原理，经小波分解后，信号的小波系数幅值大于噪声的小波系数幅值。将信号在各尺度下进行小波变换，保留大尺度(低分辨率)下的全部粗糙像系数C_j,k，对于小尺度(高分辨率)下的细节系数D_j,k，采用软阈值方法，对系数进行处理。其中软阈值方法就是把绝对值大于某一阈值λ的小波细节系数D_j,k做减去阈值λ处理，把小于阈值λ的系数置为零，计算方法如下：

${\hat{D}}_{j,k}=\left\{\begin{array}{cc}\mathrm{sgn}\left(D_{j,k}\right)\left(\right|D_{j,k}|-\mathrm{\&lambda;})& \left|D_{j,k}\right|\&GreaterEqual;\mathrm{\&lambda;}\\ 0& \left|D_{j,k}\right|<\mathrm{\&lambda;}\end{array}\right.$

其中，sgn()是符号函数，阈值λ的取值为δ为信号的标准差，N为信号的长度；完成小波系数的处理，再采用小波逆变换：

$C_{j,k}=\underset{m=-\mathrm{\&infin;}}{\overset{\mathrm{\&infin;}}{\&Sigma;}}h(k-2m)C_{j+1,m}+\underset{m=-\mathrm{\&infin;}}{\overset{\mathrm{\&infin;}}{\&Sigma;}}g(k-2m)D_{j+1,m}$

将频域信号转换回时域的时间序列信号，以完成对所述加速度信号的去噪处理。基于软阈值方法得到的信号的估计值在最小均方误差意义下是有效的。

S103：以600个时间点为一个单位样本，以50％的重叠率，对每类数据的120000个加速度信号点进行分割，得到每类数据的信号样本，其中具体的单位样本的时间点数、总的时间点数以及重叠率可以根据情况进行调整选择，以单位样本的时间点数可以被总的时间点数整除且为50％的重叠率为最优选。结合图3，具体分割方式如下：将第1个时间点到第600个时间点之间对应的数据取出，构成一个600维的向量作为第一个信号样本，基于50％的重叠率，将第301个时间点到第900个时间点之间对应的数据取出，构成一个600维的向量作为第二个信号样本，以此类推直到将120000个时间点的数据全部取出为止。针对表1中的每一类样本，样本数为399，总共有20类，一共的样本数为7980。

本优选实施例中将其中的7180个样本作为训练样本，来训练后续的自编码网络和BP神经网络分类器以建立故障诊断模型，并将剩余的800个样本作为测试样本，以验证本发明的故障诊断方法的有效性。

S104：基于深度学习思想，利用自编码网络，构造双层堆栈自编码网络框架，提取样本特征信息，自编码网络尝试逼近一个恒等函数，也就是使网络的输出向量接近于输入向量x。如图4所示，第一个自编码网络采用[600 900 600]的网络结构，输入是600维的样本向量，隐藏节点数为900，输出维数是600维，尽量还原输入样本值。这样就迫使自编码网络去学习输入数据的稀疏性表示，通过从600维到900维的维数增加，完成样本值的稀疏表达。第二个自编码网络结构为[900 500 900]，输入是900维，隐藏节点是500维，输出维数为900维，其中将第一个自编码网络的隐藏层的向量，也就是样本的稀疏表达特征作为第二个自编码网络的输入；这样就迫使第二个自编码网络去学习稀疏样本的压缩特征信息，通过从900维压缩至500维完成了特征的提取。将第二个自编码网络隐藏层的500维向量，作为原600维样本向量的特征信息，最终将训练好的两个自编码网络合在一起，构成堆栈自编码网络框架，网络结构为[600 900 500]，先通过稀疏表达进一步在小波基础上抑制噪声，再通过压缩表示，提取样本的特征。

S105：利用故障模式和健康模式下的所有训练样本特征信息和相应的样本类别标签，对多个3层BP神经网络分类器进行有监督的训练。本优选实施例中分别对同时训练1个、5个、10个、15个和20个3层BP神经网络分类器进行比较分析；与此同时，还分别对只考虑没有负载的情况和同时考虑没有负载和带负载两种情况进行比较分析。其中只考虑没有负载的情况下，BP网络结构为[500100 10]，输入是500维的样本特征信息，隐藏层节点数为100，没有负载下输出的类别是10类，所以选定输出节点为10，按照从1000000000到0000000001编码，第几位为1，表示与之对应的为第几类；同时考虑没有负载和带负载两种情况下的样本，BP网络结构为[500 200 20]，隐藏层节点为200，输出层节点为20，编码方式与第一个自编码网络类似。同时为了避免BP网络训练陷入局部最小值和产生过拟合现象，设定学习率为0.8，动量项为0.5，利用BP网络的经典误差反向传播算法来修改网络的权值，在BP网络权值修正1000次以后，BP网络的均方误差由最初的0.5下降到了0.007。

S106：将训练好的多个3层BP神经网络分类器的分类结果组合在一起，利用神经网络集成技术，采用相对多数投票法则，确定故障类型。其中相对多数投票法则是指，如果在10个BP神经网络输出的故障类别中，有4个表示故障类别I，3个表示故障类别II，2个表示故障类别III，1个表示故障类别IV，由于输出为I的网络个数是最多的，那么就确定最终的故障类别为I。

当把一个新的未知是否发生故障的滚动轴承的加速度信号采集出来，可以按照步骤S102进行信号的去噪预处理，按照步骤S103生成样本，利用步骤S104中训练好的堆栈自编码网络提取样本特征信息，利用步骤S105中训练好的多个BP神经网络进行分类，最后利用S106中的神经网络集成方法和相对多数投票法则，确定最终的故障类型。

将测试样本输入到已经训练好的网络中，再利用相对多数投票法则，确定故障类型，只考虑不带负载的情况或者同时考虑带负载和不带负载的情况，故障诊断方法的准确率如图5所示，其中空白框是对应只考虑不带负载的情况，黑色框是对应同时考虑带负载和不带负载的情况。从图5中可以看出，随着训练的BP神经网络分类器的个数从1个增加到20个，其中只考虑不带负载的情况下，故障诊断的准确率从95.07％上升到了99.25％，同时考虑不带负载和带负载的情况，故障诊断的准确率从91.25％上升到了99.62％；比较只考虑不带负载的情况和同时考虑不带负载和带负载的情况，可以看出同时考虑不带负载和带负载的情况的故障诊断的准确率相对较高。其中训练多个BP神经网络分类器明显比单个BP神经网络分类器的效果好，即采用集成网络的方式更进一步大大提高了故障诊断的效率。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。

Claims (10)

1.一种滚动轴承故障的诊断方法，其特征在于，包括以下步骤：

S1：采集所述滚动轴承的加速度信号；

S2：结合采用离散小波变换方法和软阈值方法，对所述加速度信号进行去噪处理；

S3：对去噪处理后的所述加速度信号的时间序列进行分割，提取样本；

S4：通过两个以上的自编码网络构造堆栈自编码网络框架，提取所述样本的特征信息；

S5：利用所述样本的特征信息训练至少一个BP神经网络分类器；

S6：根据采用已知故障数据对至少一个所述BP神经网络分类器进行训练以建立的故障诊断模型，确定所述滚动轴承的故障信息。

2.根据权利要求1所述的诊断方法，其特征在于，步骤S6具体包括：将所述滚动轴承执行步骤S1～S5训练的至少一个所述BP神经网络分类器，与采用已知故障数据的所述滚动轴承执行步骤S1～S5训练至少一个所述BP神经网络分类器以建立的故障诊断模型进行对比，确定所述滚动轴承的故障信息。

3.根据权利要求2所述的诊断方法，其特征在于，建立所述故障诊断模型中的步骤S1中的所述滚动轴承包括带负载和不带负载的已知故障数据的滚动轴承。

4.根据权利要求1所述的诊断方法，其特征在于，步骤S2具体包括：

S21：采用db5小波对随时间变化的加速度信号序列f(t)进行小波变换，分别得到2^-j分辨率下的粗糙像系数C_j,k和细节系数D_j,k；

S22：保留所述粗糙像系数C_j,k，对于所述细节系数D_j,k，采用软阈值方法进行处理，所述软阈值方法的计算公式为：

${\hat{D}}_{j,k}=\left\{\begin{array}{cc}\mathrm{sgn}\left(D_{j,k}\right)\left(\right|D_{j,k}|-\mathrm{\&lambda;})& \left|D_{j,k}\right|\&GreaterEqual;\mathrm{\&lambda;}\\ 0& \left|D_{j,k}\right|<\mathrm{\&lambda;}\end{array}\right.$

其中，sgn()是符号函数，阈值λ的取值为δ为信号的标准差，N为信号的长度；

S23：再采用小波逆变换将频域信号转换回时域的时间序列信号，以完成对所述加速度信号的去噪处理，其中小波逆变换的计算公式为：

$C_{j,k}=\underset{m=-\mathrm{\&infin;}}{\overset{\mathrm{\&infin;}}{\&Sigma;}}h(k-2m)C_{j+1,m}+\underset{m=-\mathrm{\&infin;}}{\overset{\mathrm{\&infin;}}{\&Sigma;}}g(k-2m)D_{j+1,m}.$

5.根据权利要求1所述的诊断方法，其特征在于，步骤S3具体包括：以A个时间点作为一个单位样本，以B的重叠率，对M个加速度信号点进行分割，提取到n个所述样本，其中A、M、n为正整数。

6.根据权利要求5所述的诊断方法，其特征在于，B的取值范围为0<B<100％。

7.根据权利要求5所述的诊断方法，其特征在于，A、B、M、n的取值满足A+(n-1)A*(1-B)＝M关系式的要求。

8.根据权利要求5所述的诊断方法，其特征在于，步骤S4中是通过两个自编码网络构造堆栈自编码网络框架，提取所述样本的特征信息，具体包括：

S41：第一个自编码网络采用[A E A]的结构，其中E>A，输入是A维的样本向量，隐藏节点数为E，输出维数是A维，通过所述第一个自编码网络得到所述样本的稀疏表达特征；

S42：第二个自编码网络采用[E F E]的结构，其中F<A，所述第二个自编码网络的输入是所述样本的稀疏表达特征，通过所述第二个自编码网络得到所述样本稀疏表达特征的压缩特征信息；

S43：将所述第一个自编码网络和所述第二个自编码网络结合在一起，构成结构为[A E F]的堆栈自编码网络框架，提取所述样本的特征信息。

9.根据权利要求1所述的诊断方法，其特征在于，步骤S5中所述BP神经网络分类器的数量大于或等于5个。

10.根据权利要求1至9任一项所述的诊断方法，其特征在于，步骤S6中所述滚动轴承的故障信息还根据神经网络集成技术以及相对多数投票法则来确定。