段礼祥 ， 郭 晗, 2 ， 王金江

(1.中国石油大学(北京) 机械与储运工程学院，北京 102249； 2.中国特种设备检测研究院，北京 100013)



数据集不均衡下的设备故障程度识别方法研究

段礼祥1， 郭 晗1, 2， 王金江1

(1.中国石油大学(北京) 机械与储运工程学院，北京 102249； 2.中国特种设备检测研究院，北京 100013)

在机械故障诊断中，由于故障样本难以收集且数量远远少于正常样本，即产生数据集不均衡问题。这将导致传统的分类算法如支持向量机(SVM)在处理不均衡分类问题时对少数类样本(故障样本)的分类准确率过低。加权支持向量机(C-SVM)算法是一种处理样本集不均衡问题的常用算法，可以在一定程度上改善少数类样本的分类准确率。但是在故障程度相近时会导致样本间距过小，加权C-SVM算法对这类故障样本的识别精度不理想。为提高数据集不均衡下故障程度相近样本的分类准确率，采用二叉树结构与加权C-SVM相结合的方法，综合考虑样本类间距离、类内距离和不均衡程度，优化二叉树结构。结果表明，该算法能够有效处理样本距离过近的不均衡数据集分类问题，从而提高了故障程度相近样本的分类准确率。

故障诊断；故障程度识别；数据集不均衡；二叉树加权支持向量机

转子不平衡是旋转机械中最常见的故障之一，正确识别转子不平衡故障程度，是对设备进行视情维修的前提条件[1-2]。在故障程度相近时，不同类别的样本相似度很高，且距离较近，在进行分类时很容易将其误分成其他类别。……