何大伟， 彭靖波， 胡金海， 李腾辉， 贾伟州

(空军工程大学 航空航天工程学院，西安 710038)

诊断是以机械学和信息论为依托、多学科融合的技术，本质是模式识别[1]。现代机械设备结构复杂、故障率高，且故障征候难以判断，无法完全依靠传统方法建立精确的物理模型进行管理监控[2]，同时，机械设备在实际的运行过程中会随时间产生大量的性能参数数据。通常情况下，对象的性能参数与其运行状态具有一定联系，例如在航空发动机的运行过程中，其性能参数在不同的工作状态下表现出不同的函数形式和映射关系[3]，因此基于数据驱动的故障检测方法不仅有效、合理，同时，能避免基于模型方法要求的模型必须定量、准确等缺点，已成为研究的热点[4-5]。

SVM(Suppot Vector Mechine)算法使用结构风险最小化准则构造决策超平面，在处理高维样本时具有较高的精度和泛化能力[6]，由于其应用性强和拓展空间较大的特点，目前已广泛应用在机械故障诊断研究领域。文献[7]提出了一对一SVM多分类方法，并对轴承故障进行了有效诊断；文献[8]基于SVM研究了轴承故障检测方法，提高了轴承故障的诊断精度。但上述方法的基本假定前提是每个样本的误分类代价相等，在实际故障诊断中，该假设一般情况下难以满足，同时，由于故障类样本数量远少于正常类样本，且当故障发生时，设备已无法进行工作，会造成样本类数据不平衡的问题[9]，这在航空发动机轴承的故障诊断中尤为显著。……