陶新民 李晨曦 李青

摘要： 针对不均衡数据下的轴承故障检测问题，提出一种最大软间隔支持向量域描述（Maximum Soft Margin Support Vector Domain Description，MSM-SVDD）故障检测模型。该模型通过引入最大软间隔正则项，将传统支持向量域描述（SVDD）算法的分类边界向故障类偏移，进而提高算法的故障检测性能，同时对正则化项系数的取值范围进行了理论分析。实验部分讨论了正则化项系数、高斯核参数以及正常类样本数目对模型故障检测性能的影响，并给出了正则化项系数与高斯核参数的取值建议。实验结果表明，新提出的MSM-SVDD模型非常适合处理小样本不均衡数据下的故障检测问题。最后通过实测数据的对比实验，表明MSM-SVDD模型在不均衡数据下的故障检测性能较其他方法有较大幅度提升。

关键词： 故障检测; 轴承; 不均衡数据; 最大软间隔; 支持向量域描述

中图分类号： TH163+.3; TH133.3  文献标志码： A  文章编号： 1004-4523（2019）04-0718-12

DOI：10.16385/j.cnki.issn.1004-4523.2019.04.020

引 言

在工业领域中，旋转机械是应用最为广泛的一类机械设备，例如：汽轮机、压缩机和传送带等。轴承作为旋转机械设备的重要组成部分，其工况直接影响整个旋转机械设备的运行状态。因此开展轴承早期故障检测研究具有十分重要的现实意义[1]。

振动信号分析方法[2]由于操作简单，设备研发耗费成本较低且优于其他方法，因此在当前大型旋转机械设备轴承故障检测中得到广泛采用。在振动信号分析方法中，包络分析[3]是一种常用的振动信号处理技术，其主要包括HHT[4]，EMD[5]和 EEMD[6]等方法。但是受振源复杂、背景噪声随机以及频谱混叠等因素的影响，上述方法的检测效果并不理想[7]。……