周 勇，何创新

(1.宜宾职业技术学院，湖北 宜宾 644003;2.上海航空电器有限公司，上海 201101)

设备在线状态监控与基于状态的维护(Condition Based Maintenance，CBM)可有效降低设备维护成本，避免故障传播造成更大故障，减少停机损失，预防重大安全事故等，近年来得到了极为广泛的重视。故障诊断是CBM的基础与依据，对轴承等旋转机械，一般通过在线连续监测振动信号，并借助智能信号处理与故障诊断算法及时识别故障类型与故障程度。传统的方法通常在某特定载荷下训练故障诊断模型，并在此特定载荷下诊断设备状态，具有很大的局限性，而设备通常在变载荷条件下工作，这就要求在线故障诊断模型具有很高的鲁棒性，能在变载荷条件下仍然有效。

智能故障诊断通常看作模式识别问题，主要包括信号采集、特征提取与分类决策三个步骤。有效的特征提取是提高故障诊断模型性能的关键，为了提高诊断模型对变载荷的鲁棒性，有效的特征必须对载荷变化不敏感，此外为了减少计算时间与存储空间，希望能在不影响诊断精度的前提下，采用尽量少的特征，因此模型训练阶段的特征选择非常重要。人工神经网络(ANN)［1－3］与支持向量机(SVM)［4－6］是故障诊断中最广泛应用的两种智能分类方法，ANN为多输入多输出模型，采用一组特征集实现多值分类;SVM通过组合多个二类分类器实现多值分类，通常也是所有二类分类器共享一组特征集。这类特征选择方法称为共享特征选择(SFS)，SFS的目的是要选择一组特征可以区分所有类别，当类别较多时，这难以实现，因此无法达到较高的诊断精度。……