基于主成分分析和支持向量机分类模型的滚动轴承故障诊断

韩 松， 徐林森

(1.中国科学院合肥物质科学研究院， 合肥 230031； 2.中国科学技术大学， 合肥 230026； 3.安徽省仿生感知与先进机器人技术重实验室， 合肥 230031)

长期以来由于机器设备的故障难以预知，人们常常采取以下措施：①等发现设备已经损坏再进行维护修理；②定期检查维修。前者，是在发现设备已损坏的情况下再进行弥补修理，显然，这种办法会造成很大的经济损失，甚至给机器设备带来灾难性破坏，更为严重的则有可能造成人员伤亡；后者虽然在一定程度上优于前者，但是其带有一定计划性和预防性，易造成时间和经济上的浪费，另外何时进行定期检修也是未知的。所以，只有预知性的检查维修才是最合理的、最经济的，要是能在设备刚刚发生故障，或者有出现故障的趋势的时候就检测到了隐患以提前预告，那么，工作人员就能在合适的时间采取合理的应对措施，这时，故障诊断技术就渐渐显出其重要性。

相比于机器学习中的其他算法，基于结构化最小风险原则的支持向量机在解决有限样本、非线性等问题时，具有结构简单、泛化能力强、学习速度快等优点[1-2]。中外诸多学者进行了相关研究，文献[3]中用二值支持向量机(support vector machine，SVM)训练数据特征矩阵，用已知信号训练模型，去检测实际供水管道以判别泄漏。王念秦等[4]建立4种SVM模型来研究滑坡灾害危险性，其中径向基核函数SVM模型的预测结果正确率最高(82.3%)。谢桦等[5]用建立的二分类SVM模型验证实际配电系统的工况，得到合成少数类过采样技术处理前模型的分类准确率为93.1%。……