杨路航 李宝庆 王 平 王 健 杨 宇

1. 湖南大学机械与运载工程学院，长沙，410082 2. 中国航发湖南动力机械研究所，株洲，412002 3. 中国航空发动机集团航空发动机振动技术重点实验室，株洲，412002

0 引言

滚动轴承故障智能诊断在本质上都是模式识别问题，最常用的就是反向传播神经网络[1](back propagation neural network，BPNN)和支持向量机[2](support vector machine，SVM)。基于深度学习的故障诊断模型[3-4]能直接从原始信号中提取特征并具有自适应学习能力，但是它们都有共同的缺陷，即网络结构参数需要人为设定并需要大量训练样本和较长的训练时间，限制了这些方法在工程实际中的应用。SVM作为一种简单有效的分类方法，有着良好的泛化能力，其本质可以看作基于凸包的最大边距分类算法[5-8]，即用凸包逼近每个类区域，根据两个凸包之间最近的点来构造分类超平面，只不过这类凸包的边界趋于无穷，以一个分类超平面将两个凸包分开。ZENG[6]对凸包边界进行约束，提出了弹性凸包(flexible convex hull，FCH)分类方法，通过改变弹性因子对凸包进行紧致或宽松的估计来提高凸包的分类精度。但该方法在进行分类超平面优化时，忽略了凸包内部大部分样本点的决策贡献，导致测试集分类精度降低。因此，笔者对弹性凸包输出进行改进，提出了概率输出弹性凸包 (probability output flexible convex hull，POFCH)分类方法。该方法使用凸包顶点优化分类超平面，然后计算所有样本点到超平面的距离，借助于概率输出的思想[5,9]进行稀疏映射，最小化交叉熵极大似然函数，将分类器的距离输出转化成对正负类的概率估计输出，形成比距离更为合适的类别判断方法。……