网络的分类训练过程为了验证自适应小波神经网络分类器的性能，以轴承的故障分类为例来说明。轴承按其损伤形式可分为正常、滚道损伤、滚珠损伤、润损脂杂质较多这几种情况，而实际故障轴承常常是几种损伤的组合，用FFT分析时，由于多种损伤集中在一起，并且由于损伤往往带有模糊性质，如损伤较轻、一般、严重等，这些因素从频谱图上很难判断。
网络节点输出为<0，1>之间的数，可以认为表示了不同损伤形式的模糊隶属度，因此不仅可以判断出损伤形式，而且可以判断出其损伤程度。网络共有4个输出节点，表示4类情况。各节点输出反映了各种损伤形式的程度，从这些数字看，该轴承存在部分滚道损伤和滚珠损伤，其中滚道损伤要比滚珠损伤相对严重，但尚属合格，实际上这正是一个存在轻微滚道损伤和滚珠损伤的轴承。
轴承存在较严重的滚珠损伤和较多的润滑脂杂质，但不存在滚道损伤，由于第一节点输出仅为0.0039，故属于不合格产品，实际情况正是如此。这两个诊断实例说明网络对故障分析的准确性是很高的。将小波分析和神经网络结合起来对信号进行处理和分类，并在学习过程中自适应地调整小波参数，更有利于故障的特征提取。网络各节点的输出数字实际上可认为是某类故障的隶属度，即带有模糊评判性质，与人的思维习惯相符。实例验证了这种网络对故障分类具有很高的准确性和可靠性。
本文关键字：轴承 变频器基础，变频技术 - 变频器基础
