陈渠

（华南理工大学电力学院，广东广州，510000）

0 引言

电机在工业生产中的地位不言而喻，而轴承故障则是大部分电机故障的原因，因此，研究轴承故障诊断方法及效果具有重要意义。许多学者对电机等电力设备的故障诊断方法及效果开展了深入研究。其中，支持向量机(SVM)作为一种效果显著的机器学习方法被广泛用于电力设备故障诊断中。万书亭[1]等人提出一种将最小二乘支持向量机和机电综合特征相结合的发电机故障诊断模型。万鹏[2]等人提出一种基于局部切空间排列的非线性流行学习和支持向量机的故障诊断模型，诊断精度可达到96.6667%。而在电机轴承故障诊断中，李兵[3]等人在传统随机森林算法上的基础上提出一种计及漏报率的改进的随机森林集成投票算法，并采用时域提取法和集合经验模态分解法构造特征向量，将其用于电机轴承故障诊断中，验证效果很好。本文基于美国凯斯西储大学轴承数据中心的数据，利用支持向量机对多故障场景下的电机轴承故障诊断方法进行探究，研究相关指标与诊断结果的关系，并最终找到相对较优的模型。

1 支持向量机的原理

SVM是一种基于统计学习理论的模式识别方法，在解决小样本、非线性及高维模式识别问题中表现出特有的优势。对于N维数据集，在空间建立一个（N-1）维的最大间隔超平面wT. x +b=0,其中：

通过最大化支持向量到分隔面的距离从而更有效地对它进行分类。假设有两类数据，分别为A和B，为每个样本点x设置一个类别标签yi：