技术与市场技术应用2023年第30卷第2期支持向量机和决策树算法在滚动轴承故障诊断中的应用孔祥(重庆交通大学机电与车辆工程学院，重庆400074)摘要:滚动轴承作为旋转机械中常见的部件，其发生故障轻则导致设备停工，重则造成经济损失和人员伤亡，因此滚动轴承的故障诊断在机械维护中有着重要意义。使用DC竞赛轴承故障检测数据集对滚动轴承故障诊断中常用模型进行对比分析，按照8∶2的比例划分训练集与测试集，采用SMOTE过采样方法对训练集进行处理，从而解决类样本不平衡问题。将处理完后的训练集输入支持向量机(SVM)以及决策树模型，通过比较2个模型的测试集测试结果可以发现，SVM模型在滚动轴承故障诊断中更有效。关键词:故障诊断;滚动轴承;支持向量机(SVM);决策树doi:10．3969/j．issn．1006－8554．2023．02．0160引言滚动轴承是风力发电机等大型机械设备的重要零部件，其性能状态直接影响机械设备的安全稳定运行。及时、准确的故障诊断对制定针对性维护计划，延长使用寿命，提高机械系统可靠性有重要意义。因此，滚动轴承故障诊断的研究具有重要意义［1］。在滚动轴承故障诊断领域，信号采集技术、计算能力，特别是人工智能和机器学习技术的进步，使诊断更加自动化。基于机器学习的故障诊断范式可分为3个阶段:数据采集、特征提取和模式识别。第1阶段，从安装在设备中的传感器收集信号，以获得有关其状态的定量信息。其中，振动信号最常用于轴承故障诊断［2］。第2阶段，在时域、频域或时频域［3］中处理收集的信号，以提取可能代表轴承状态的属性(或特征)。例如，属性是统计指标、自回归模型系数、分解为奇异值［4］等。这些属性被收集到一个低维向量中(远小于所收集信号的样本数)，作为下一步分类的输入。第3阶段，使用专门用于模式分类的算法读取属性并进行诊断，这通常在训练步骤后完成。在训练步骤中，调整算法以从机器操作历史中识别不同的操作模式。在滚动轴承故障诊断的背景下，已经使用了一些算法来实现，例如决策树［5］、k近邻(k-NN)［6］、朴素贝叶斯分类器和支持向量机(SVM)［7］等算法。SVM技术具有良好的泛化性，并且有着坚实的理论基础，已成功应用于各种分类问题，如字符和对象识别。SVM分类器通常针对二进制问题进行训练，其中只需要区分两类(“缺陷”和“非缺陷”)，但也可以针对多类问题进行调整(使用“全反一”策略)。决策树算法则是一种基于树的知识方法，用于表示分类规则。用C4．5算法生成的标准树由多个分支、1个根、多...
