柴美娟，柳桂国

(浙江工商职业技术学院设备与设备管理办公室，浙江宁波 315012)

根据统计数据表明约有30%的滚动机械事故是由滚动轴承故障引发［1］，故作为滚动机械重要部件之一的滚动轴承，其性能直接影响着整个机械装置的性能，滚动轴承一旦发生故障，势必对整个机械造成损坏或停机，甚至造成人员伤亡事故，滚动轴承技术水平直接影响着机械行业的发展。目前，我国的滚动轴承行业发展迅速，市场需求不断扩大，但生产的滚动轴承大多为中低端产品，高质量产品主要依赖进口。滚动轴承行业这一现象的根本原因主要是缺少先进的检测和分析技术［2］。因此，对滚动轴承故障诊断方法进行研究具有一定的价值。

随着滚动轴承生产技术的发展，解析模型方法作为一种传统的滚动轴承故障诊断方法，已不适合解决越来越复杂的系统［3－4］。与其相比，以传统统计学为基础的基于数据学习的智能和信号处理方法，在处理复杂系统时表现出较大优势［5－6］，但其需要的样本数目较大。而在实际的滚动轴承故障诊断采的样本集往往有限。Vapnik V N于1995提出的支持向量机(Support Vector Machines，SVM［7］)是一种基于结构风险最小化准则的新统计学理论，该方法对小样本、非线性以及高维问题有较大优势。正是基于该算法的这一特点，李凌均在2002年将SVM应用于机械故障诊断中［8］，获得了较好的效果。在最小二乘支持向量机(LS_SVM)的基础上，万书亭教授于2009年提出基于LS_SVM的滚动轴承故障诊断方法［9］，并验证了该算法在保证了正确率的同时，还降低了计算复杂度，缩短了训练时间，该算法利用的是已知故障类型的有标签样本，属于监督式学习方法。……