滚动轴承是机械设备中最常用的零件之一,它能否正常运行直接关系到整台机器的安全。滚动轴承是否存在缺陷及缺陷的严重程度是评价滚动轴承制造质量的一个重要的方面,而滚动轴承缺陷是导致滚动轴承在运行过程中产生故障的主要原因之一,因此对滚动轴承缺陷诊断技术进行研究就具有十分重要的意义。当滚动轴承某元件存在缺陷时,其运转过程中与其它元件的间断撞击将使原来的平稳振动变成了非平稳振动。因此利用滚动轴承振动信号的特征参数可以对滚动轴承进行缺陷诊断。针对通常的缺陷诊断方法或是基于振动的时域分析,或是基于频域分析,难以全面反映振动的特征,以及滚动轴承振动信号的非线性等问题,本文利用神经网络的强非线性映射能力,以及自学习、自组织和自适应的能力,探讨BP神经网络技术在滚动轴承缺陷诊断中的应用。作为必要的先验知识和研究基础,本文首先对滚动轴承振动信号特征及缺陷特征进行了全面的分析,归纳和分析了各个时域特征参数和频域特征参数与滚动轴承缺陷之间定性和定量关系。其次,在阐述神经网络技术的基本原理基础上,针对滚动轴承缺陷诊断的具体特点,构建了基于BP神经网络的滚动轴承振动缺陷诊断系统,包括作为神经网络输入参数的选择原则及选取了部分时、频域特征参数作为神经网络的输入,同时设计了轴承缺陷诊断神经网络的具体结构。最后本文利用前续课题研究所获得的轴承振动的实测数据,分别构造了基于轴承振动特征参数的有缺陷及无缺陷的训练样本,在MATLAB软件平台上对本文构建的BP神经网络进行了训练,并用训练好的神经网络对滚动轴承实际数据进行了仿真诊断实验。实验结果表明本文构建的滚动轴承缺陷诊断BP神经网络能根据实际数据准确地判断出滚动轴承的缺陷类型,诊断效果良好。