1、在當代工廠中，機械系統(tǒng)日益趨于連續(xù)高速化和大型化。為了盡量減少因設備故障引起的事故及損失，對運轉中的生產設備進行實時的監(jiān)測是十分必要的，且具有重大的意義。在工業(yè)中，振動信號普遍存在且易于采集。因此，基于振動信號，對設備進行故障診斷，有著重大意義。
　　在諸多的信號降噪處理及故障診斷方法中，本文針對常用的小波閾值濾波降噪方法以及Elman神經網絡模式識別故障診斷方法進行研究。并提出了利用量子行為粒子群(QPSO)優(yōu)化算法的全局搜索尋

2、優(yōu)能力對小波閾值濾波降噪方法以及Elman神經網絡的缺陷進行優(yōu)化。
　　利用小波閾值濾波方法對信號進行降噪的過程中，閾值的大小決定著降噪后的信號的質量。因此，提出了利用QPSO算法對小波閾值濾波進行優(yōu)化?；赒PSO算法的全局搜索尋優(yōu)能力，找出最優(yōu)的閾值，進而對信號降噪。通過仿真驗證，結果表明，提出的降噪濾波方法其效果優(yōu)于小波閾值濾波方法。
　　針對Elman神經網絡的部分缺陷，如易陷入局部極小。因此，本文決定利用QPSO算

3、法對其進行優(yōu)化?；赒PSO算法擁有的全局搜索尋優(yōu)性能，對Elman神經網絡中的部分缺陷予以消除。
　　最后，利用滾動軸承振動信號數(shù)據進行驗證提出方法的正確性。利用QPSO優(yōu)化小波閾值對滾動軸承振動信號進行濾波，并與通用小波閾值濾波進行了對比，結果表明，提出的新方法獲得了較好的效果。接著，對經QPSO優(yōu)化的Elman神經網絡進行了驗證，同時，與Elman神經網絡進行了對比，結果表明，經QPSO優(yōu)化后的Elman神經網絡能夠很快達到