梅检民，赵慧敏，肖云魁，周 斌

(1.军事交通学院汽车工程系，天津 300161; 2.天津大学机械工程学院，天津 300072)



2015021

基于多分类支持向量机和D-S证据理论的轴承故障诊断

梅检民1,2，赵慧敏1，肖云魁1，周 斌2

(1.军事交通学院汽车工程系，天津 300161; 2.天津大学机械工程学院，天津 300072)

针对支持向量机(SVM)硬判定输出分类结果缺乏定量评价的问题，提出了一种多分类SVM后验概率建模的改进方法。通过引入D-S证据理论，得到多分类SVM在D-S证据理论识别框架下的基本概率分配，使样本在分类时同时具有定性解释和定量评价。接着，将多源信息送入SVM之后在决策级对多个SVM分类输出进行证据融合，以提高诊断精度。最后，将该方法应用于轴承故障的诊断中。结果表明，该方法能正确分类采用单源信息时所错分样本，降低识别的整体误差，显著提高故障诊断的准确性。

故障诊断；支持向量机；后验概率；D-S证据理论；信息融合

前言

机械故障样本获取困难，限制了人工神经网络在机械故障模式分类中的应用。20世纪90年代初由Vapnik等人提出的支持向量机(support vector machine, SVM)能够在训练样本较少的情况下得到较强的分类推广能力，较好地解决了小样本、非线性和高维数等模式识别问题[1]。然而传统SVM不提供概率输出，在进行样本分类学习时，只考虑两种极端情况，即属于某一类的概率为1或0，因此SVM对故障模式识别的不确定性问题缺乏识别结果的准确性解释[2]。D-S证据理论引入了信任函数，满足比概率论弱的公理，并能区分不确定性的差异。……