陶新民，曹盼东，宋少宇，付丹丹

(哈尔滨工程大学 信息与通信工程学院，哈尔滨 150001)

故障检测就是对测取的含有故障信息的信号利用信号处理和分析技术，找出和故障有关的特征参数并利用这些特征参数对设备的实时技术状态进行判别。这里涉及到两个方面的问题，一是利用信号处理技术进行特征提取;二是利用模式识别技术进行故障检测。在信号特征提取方面，主要分为:信号的时域特征，如信号的均值、均方值、峰值、峭度和歪度等;信号频域特征，如能量谱、AR功率谱等;以及信号的时频特征，如小波分析，Hilbert变换和短时傅里叶变换等[1]。

在模式识别方法方面，支持向量机算法(SVM)因其良好的非线性区分能力，已广泛应用到故障检测领域[2－5]。支持向量机主要思想是建立一个最优决策超平面，使得该平面和最近的两类样本(即支持向量)之间的距离最大化，从而避免以往神经网络学习出现的过拟合、易陷入局部极值和维数灾难等诸多问题。但是，传统基于支持向量机的故障检测方法[3－6]只能使用样本集中的已标识样本进行学习，而在轴承故障检测领域，人工标识样本的代价太大，因此只有少数样本是标识过的，大量的是未标识的样本。而传统的SVM方法作为一种监督检测算法，需要一定数量且属于不同类别的标识样本进行训练才能获得较好的故障检测能力。如今，一种联合标识样本和未标识样本的半监督学习方法吸引了众多科学工作者的目光，并逐渐成为当前机器学习领域的研究热点[7－9]。……