35 / 2021-09-25 16:56:59

摘要（修改）

故障辨识；不平衡数据；云模型；ReliefF算法；Bagging集成

       对轴承的故障模式辨识是旋转机械故障诊断系统的重要部分，因正常数据丰富、故障数据匮乏而引起的数据不平衡，是轴承故障模式辨识中最为常见的情况。针对不平衡数据中少数类样本辨识精度低的问题，提出一种基于云模型的轴承不平衡数据模式辨识方法。该方法首先将提取出的轴承故障特征数据集通过ReliefF算法计算各特征的权重，选取权重趋大的特征构成低维特征集，并将其划分为不平衡训练集、测试集；其次通过云模型理论中的正向云发生器、逆向云发生器对低维特征集中各个特征分别绘制云图，得到单一特征下各状态的训练数据与测试数据云图；然后通过距离公式判别与待测样本距离最近的训练数据云图，得到某一特征下待测样本所属类别；最后通过Bagging集成的方式将各个特征下的辨识结果进行整合，以相对多数投票法得出待测样本的辨识结果。

       为验证本文方法的可行性，通过西储大学的轴承数据进行实验，本方法对于故障损失直径为0.021inch的故障数据辨识结果如图1所示，平均辨识精度达到99.375%，验证了本方法的可行性。为验证本文方法的优势，采用无锡厚德自动化仪表有限公司所提供的综合故障模拟试验台所测数据，并将本方法与BP神经网络、SVM对此不平衡数据的辨识结果进行对比，其对比结果如表1所示。由表1分析可知，各算法对于平衡数据表示精度较高，BP神经网络、SVM的各状态平均辨识精度分别为98.45%、97%，而本文所提DCT方法的平均辨识精度为100%，具有一定的优势;对于不平衡数据，BP神经网络、SVM的辨识精度明显下降，对于训练样本数量较少的保持架状态辨识精度下降至95.5%、77.5%，平均辨识精度也下降至97.3%、90%，而DCT方法的平均辨识精度保持不变。DCT方法通过逆向、正向云发生器将多数类、少数类训练样本绘制成云滴点数相同的云图，并依据云图间距离对测试样本进行分类，一定程度减少了不平衡数据对于分类的影响。因此，相较于其他分类算法，本文方法在不平衡数据故障辨识中具有一定优势。