振动与冲击

作者：段礼祥 ，郭晗, ，王金江

单位：1.中国石油大学(北京) 机械与储运工程学院，北京 102249；2.中国特种设备检测研究院，北京 100013

关键词：故障诊断；故障程度识别；数据集不均衡；二叉树加权支持向量机

<div style="line-height: 150%">在机械故障诊断中，由于故障样本难以收集且数量远远少于正常样本，即产生数据集不均衡问题。这将导致传统的分类算法如支持向量机（SVM）在处理不均衡分类问题时对少数类样本（故障样本）的分类准确率过低。加权支持向量机(C-SVM)算法是一种处理样本集不均衡问题的常用算法，可以在一定程度上改善少数类样本的分类准确率。但是在故障程度相近时会导致样本间距过小，加权C-SVM算法对这类故障样本的识别精度不理想。为提高数据集不均衡下故障程度相近样本的分类准确率，采用二叉树结构与加权C-SVM相结合的方法，综合考虑样本类间距离、类内距离和不均衡程度，优化二叉树结构。结果表明，该算法能够有效处理样本距离过近的不均衡数据集分类问题，从而提高了故障程度相近样本的分类准确率。</div> <div style="line-height: 150%">关键词：故障诊断；故障程度识别；数据集不均衡；二叉树加权支持向量机</div>

来源：2016年第20期

《振动与冲击》期刊编辑部

查看振动与冲击杂志2016年第20期