機器學習在軸承故障診斷中的應用

吳希明，吳英友，王 鑫，李成鋒，張方海

（1.中海油能源發展股份有限公司湛江采油服務文昌分公司，廣東 湛江 524057；2.廣東海洋大學海洋工程學院，廣東 湛江 524088）

0 引言

隨著科技的進步與發展，現代機械設備作為現代工業中最重要的一環，也得到快速發展，各種機械設備功能越來越多，結構越來越復雜。旋轉機械作為現代機械設備最具代表性的機械之一，其重要性不言而喻。而軸承是旋轉機械中關鍵的組件之一，同樣也是其中最脆弱的組件，軸承狀態可以影響整個機械系統的運行，因此為避免更大的經濟損失，通常會對軸承進行早期故障診斷，及時發現軸承存在的各種隱患，避免因軸承的故障導致的巨大經濟損失和人員傷亡。

軸承運行時，由于各零件之間的相互連接而產生相互作用，不同的故障位置，最終采集到的振動信號也是不同的，通過傳感器對機械運行時的振動數據進行采集，可以得到反映機器狀態的振動數據。由于現代機械的復雜多樣化，振動信號也是非常多樣可變的，同時還有各種復雜的噪聲干擾，幾乎很難直接識別信號，因此想要通過數據驅動方法來實現故障診斷，最重要的就是對數據內在特征進行提取與識別。而機器學習憑借其強大的數據分類能力，吸引了眾多故障診斷研究人員的目光，將機器學習算法應用在故障診斷領域內已成為當前熱門的研究內容。

基于機器學習的故障診斷方法是需要向機器學習算法模型輸入特征向量。進行故障診斷時，首先對傳感器采集到的振動信號進行特征提取，然后基于數據集進行機器學習算法模型的構建，將提取到的特征輸入機器學習算法模型，最后由機器學習對故障類型進行劃分。故障診斷領域隨著各種機器學習算法的加入，精度與效率相較以前有較大的提高，也使設備的安全得到了很好的保障。

本研究從理論和實踐兩方面探討各種機器學習算法，同時也給從事該領域研究者在算法選擇上提供一點參考意見。

1 機器學習算法理論及應用

機器學習算法以其可靠性、適應性和魯棒性在故障檢測系統中得到了廣泛的應用，這些算法的應用有助于開發一個高效的系統。本研究將詳細介紹一些在軸承故障診斷中常用的機器學習算法，包含支持向量機、決策樹、k近鄰、樸素貝葉斯、人工神經網絡、深度學習以及遷移學習等軸承故障診斷的常用算法。

1.1 支持向量機

支持向量機（SVM）是一種監督式的學習方法，可以對數據進行二元分類。Vladimir Vapnik[1]在1994年首次引入了支持向量機概念。支持向量機在無限維空間中構造一個或一組超平面，通過選擇其中邊際最大的超平面作為最優決策邊界。在處理二值分類問題時通過最優超平面來進行類的劃分。對于一組給定的訓練樣本數據，進行兩類標記，通過支持向量機建立訓練模型，將未知的數據進行二類分配，這樣就得到了一個非概率的二元線性分類模型，如圖1所示。支持向量機除了支持線性分類外，同樣也可以用于非線性分類，支持向量機將給定的輸入映射到高維特征空間，然后利用核函數技巧將非線性分類問題轉換為線性分類再進行分類。在處理分類問題時，分類向量的維數不會影響模型的分類性能，這一點使得該方法在軸承故障診斷領域中有著更好的泛化性能。

圖1 支持向量機模型

支持向量機是軸承故障診斷的有力工具之一。并且在軸承故障診斷領域得到了廣泛應用。孟宗等[2]利用經驗模式（DEMD）來對信號進行分解，由所得分量計算模糊熵，然后作為輸入，通過SVM對故障進行分類診斷。齊詠生等[3]為解決基于數據的傳統診斷算法無法充分挖掘非平穩信號內部信息的問題，提出用熵價值法篩選信息最多的模態組成特征向量，作為支持向量機的輸入。Guo[4]將包絡譜中提取的振動故障特征作為一種新的“一對一”支持向量機算法的輸入，解決了支持向量機的二分類局限性。Francos等[5]將監測軸承振動信號的包絡分析提取的特征作為一類支持向量機模型的輸入，以區分健康數據和故障數據。進一步對故障數據進行分析，確定具體的特征故障頻率，從而診斷故障類型。

為了開發高效的故障檢測系統，近年來研究了多種支持向量機結構。Deng等[6]通過粒子群優化算法對最小二乘支持向量機進行最優參數選擇，將其應用于電機軸承的故障診斷。Wang等[7]針對可擴展性好、計算速度快等研究，提出了一種超球結構的多類支持向量機。主要思想是，為每個類構建一個超球，超球模型針對與軸承故障相關的每個故障類進行調整。Salahshoor等[8]將一個通用框架與自適應神經模糊推理系統分類器集成到SVM分類器中，以增強故障檢測和診斷的目的。李怡等[9]為解決傳統svm模型在故障診斷中存在的參數過多，調優速度慢等特點，提出了一種基于多尺度熵與麻雀搜索算法-支持向量機（SSA-SVM）相結合的故障診斷方法。楊婧等[10]提出一種基于相關度分析與網格搜索算法（GS）優化支持向量機（SVM）的軸承故障診斷方法。采用GS算法對SVM的懲罰參數c和核函數參數g進行尋優，以此提高故障診斷的準確率。

1.2 決策樹

決策樹（DT）是一種非常經典的監督式機器學習算法，擁有逆樹狀結構，是常用的一種分類方法。決策樹模仿的是樹形結構，通常以一個根節點作為起始點，該節點分支到不同可能的內部節點，每一個內部節點都可以表示為一個輸入特征，對比不同內部節點的期望值，按選定決策標準篩選出最佳方案。每個葉子節點都有對應的一類標簽，決策樹通過把數據樣本分配到某個葉子節點來確定樣本數據所屬類別。圖2介紹了樹形圖的組成部分。

圖2 決策樹樹形圖

決策樹中ID3、C4.5、CART等常見算法由于其解決分類問題的優秀能力，常被應用于故障診斷場景，其中C4.5更是取得了非常良好的效果。在軸承故障診斷領域類，一般是利用決策樹的分類特性來作為分類器進行故障分類。Sugumaran等[11]利用決策樹從特征集自動生成規則，形成模糊分類器，利用該分類器對測試數據進行故障分類。趙慶恩等[12]通過小波包對故障特征進行提取，然后輸入C4.5決策樹分類器進行故障診斷。Amarnath等[13]利用決策樹從聲音信號中提取的多個特征中選擇重要的故障特征，再輸入C4.5決策樹進行軸承故障的分類。Muralidharan等[14]基于連續小波變換提取特征，采用基于決策樹算法進行分類，提供合理的分類精度。Sun等[15]利用主成分分析對特征進行降維，然后將最優特征作為輸入用決策樹進行故障分類，分類效果良好。在大多數情況下，決策樹與其他分類器一起用于高效的故障檢測系統。

1.3 K最近鄰

K-最近鄰算法（KNN）是由Cover[16]在1968年提出的一種監督學習算法，常用于分類問題的處理上。KNN是一種區分性、非參數性及基于實例的分類器模型，無法對數據集中的每個類的分布做出任何明確的假設，適用于非線性及非高斯的數據集，這一特性使其非常適合處理軸承故障數據。KNN在訓練期間不會直接的學習模型，只會將訓練實例作為預測目的的知識。KNN分類的核心思維即，對于一任意輸入的樣本向量將其映射到特征空間對應的點，此特征空間中對應輸入樣本向量的點的k個最近鄰中，大多數樣本所屬的類別，即將輸入樣本也劃分到同樣類別中。

如圖3所示，方框和三角分別代表不同的類別，要判斷一個未知類別的樣本圓屬于哪一類型，過程如下：

（1）計算圓到特征空間每一個方框和三角的距離.

（2）選擇合適的k值。

（3）找出特征距離圓最近的k個點。

（4）統計方框和三角在k個點里的概率。

（5）將圓分配到概率高的樣本中。

圖3 K近鄰判別模型

KNN模型中，對每一個輸入的樣本，當所有參數確定后，所屬類唯一確定。通過測量距離、k值以及決策規則，可將映射特征空間分割成一個個子空間，對于每一個子空間內的點都有對應的所屬的類。

He等[17]從固有模式函數中提取時域和頻域特征，用于軸承故障診斷的KNN分類器的輸入。Jiang等[18]使用從半監督核邊緣fisher分析中提取的特征，輸入KNN分類器，可以區分不同的故障類別和嚴重程度。陳法法等[19]基于時域、頻域、時頻域信號處理方法計算滾動軸承早期故障的特征指標量，構造混合域特征集，輸入KNN實現故障的早期診斷。姚武軍等[20]使用集合模態分解（EEMD）分解滾動軸承振動信號，計算并挑選較大能量熵構建特征向量，輸入KNN模型識別故障類型。

數據的非線性和高維性增加了要估計的分類器參數的數量，將會引發維度詛咒這一問題，這可能導致分類器提供有偏差的估計，從而對軸承故障診斷提出重大挑戰。為了克服這一限制，通常在使用KNN作為分類器時，需要將所選特征向量進行降維，避免維度災難的發生。將降維后的特征作為輸入，通常能得到較好的分類結果。Zhou等[21]使用最近成分分析來減少從振動數據中提取的訓練特征向量的維數，用于軸承故障分類的KNN算法。蔡鍔等[22]利用主成分分析對高維特征向量進行降維，在低維空間中用KNN進行故障的分類識別。黃國榮等[23]利用主成分分析對原始非線性時間序列數據的特征向量進行降維，并選取其中主成分特征向量。將得到的主成分特征向量作為KNN的輸入進行故障分類。

1.4 樸素貝葉斯

樸素貝葉斯是一種生成概率模型，具有較高的學習和預測效率，特征向量之間的獨立假設性強，即類中某個特征的存在與任何其他特征都沒有關系。且由于該模型通常需要先驗知識，所以樸素貝葉斯方法只適用于獨立特征向量。通過相互獨立的特征向量，以貝葉斯定理為基礎，構建一個基本方程，然后通過該方程去估計這一類后驗概率的方法就是樸素貝葉斯分類方法。樸素貝葉斯模型簡單，易于實現，所需估計參數少，對缺少數據不敏感，這些都使它在軸承故障診斷得到廣泛應用。

軸承故障診斷領域，樸素貝葉斯分類器已經得到廣泛的應用。Jin等[24]使用連續Morlet小波分析以及時間序列分析提取各種統計特征，在選擇最優特征后輸入集成貝葉斯分類器進行分類。Zhang等[25]通過檢測基線數據和傳入的新數據之間的偏差，提出了使用貝葉斯估計算法進行軸承健康評估，該算法提供了異常情況的概率以及給定的置信水平。姚成玉等[26]提出了一種基于熵權法的屬性加權樸素貝葉斯分類器算法，利用改進小波包算法提取的特征向量作為輸入，提高了故障診斷的精度

樸素貝葉斯方法通常適用于獨立特征向量。然而，工業信號特征往往是相互依賴的，例如最常用的統計特征。因此，樸素貝葉斯的應用通常是經過一些降維操作來實現。Nguyen等[27]提出一種軸承早期故障的綜合多故障診斷方法，利用LDA選擇判別特征作為樸素貝葉斯分類器的輸入，對故障種類進行分類。朱興統[28]通過主成分分析對特征向量進行降維處理，再輸入樸素貝葉斯模型進行故障分類。

1.5 人工神經網絡

人工神經網絡是一種監督學習算法，并在多領域得到非常廣泛的應用。通常用在解決聚類、分類、回歸和非線性函數估計等問題。人工神經網絡最常見的形式包括三個組件：輸入層、隱藏層、輸出層。人工神經網絡可以用輸入層和隱含層之間的一組鏈路來表示，該鏈路由權重和相關偏差的倍數連接。人工神經網絡是一種基于多個簡單處理器或神經元的智能技術，如圖4為神經網絡的簡單模型。

圖4 人工神經網絡結構圖

輸入神經元不參與任何處理，只是用來提供輸入信號。而輸出神經元則是通過對隱藏層中的單元進行處理來獲得輸出。隱層中的神經元作為處理單元，實現收斂解。通過使用偏差來避免零結果。在算法開始時，權值被隨機分配，在每次迭代中，當訓練數據被輸入網絡時，權值被相應地更新。對于簡單神經網絡，每個神經元與相鄰層的每個神經元相連，沒有橫向連接。

大量的研究表明，神經網絡具有強大的模式分類和模式識別能力。特別是在一些小數據集中，人工神經網絡表現出了對故障信號和特征的良好非線性近似能力。因此，人工神經網絡被廣泛應用于軸承故障診斷領域。目前人工神經網絡有非常多模型。本研究探討幾種常見于軸承故障診斷領域的網絡模型，主要包括有多層感知器（MLP）、徑向基（RBF）神經網絡、概率神經網絡（PNN）等。

多層感知器（MLP），是一種由各層單元組成的神經網絡，只與后續層單元前向連接[29]，它已經在多個場景中得到應用。Rafiee等[30]采用16∶20∶5結構的輸入-隱藏-輸出層MLP網絡進行齒輪箱軸承故障檢測與識別。利用預處理信號小波包系數的標準差作為特征向量。Kankar等[31]比較了神經網絡和支持向量機在轉子軸承系統故障診斷中的性能。實驗結果表明，在研究中考慮的情況下，神經網絡的分類精度高于支持向量機。

徑向基函數（RBF）基于函數逼近理論，是多元逼近和散亂數據插值的著名工具。盡管RBF神經網絡和BP神經網絡都可以逼近任何非線性函數，但RBF神經網絡由于具有良好的全局收斂性、較快的收斂速度和良好的泛化能力而表現出優越的性能。張遠緒等[32]通過建聚類算法改進RBF網絡，利用該神經網絡對軸承故障進行分類，與BP神經網絡做對比實驗，結果表明改進RBF準確率更高。王海林等[33]采用小波分析與RBF神經網絡結合的方法對軸承故障信號進行分類識別，相比常見軸承故障分類算法有更高的準確率。

概率神經網絡（PNN）在結構上與MLP相似。最基本的區別是使用了指數激活函數和神經元之間的連接模式。PNN隱藏層的神經元沒有完全連接。由于連接數量較少，PNN通常比MLP更容易訓練。李文峰等[34]融合傳統時域指標得到兩個更為敏感的新時域指標，利用概率神經網絡（PNN）對兩個新指標進行訓練測試，實驗表明提高了軸承診斷的準確性。陳慧等[35]利用多尺度熵（MSE）提取特征向量，并將其作為概率神經網絡的輸入，有效實現了更高精度的軸承故障分類診斷。徐統等[36]利用變分模態分解（VMD）對滾動軸承信號進行分解，分別計算分解分量的K-L值，并將較小的兩個與其瞬時能量組成特征向量，輸入概率神經網絡進行分類。

在軸承故障診斷領域，應用人工神經網絡（ANN）時，需要大量的訓練數據。然而，在實際工業中，由于環境噪聲、機器對機器的變化等原因，訓練數據和測試數據之間普遍存在分布差異。這些差異會顯著降低人工神經網絡的故障診斷性能。因此，在模型精度和對看不見數據的適應性之間保持平衡是一個需要重點關注突破的對象。

1.6 深度學習

深度學習是機器學習的一個重要分支，深度學習通過復雜結構的多個處理層來建模數據背后的多層次表示，并對數據進行分類或預測。深度學習是由人工神經網絡衍生而來，但相對傳統神經網絡單層的網絡結構，深度學習是多處理層的，需要人工進行特征提取，極易陷入局部最優的缺點，深度學習通過引入概率生成的模型，可以直接從原始信號數據中提取特征向量集。多層次堆疊的網絡結構特點可以使其在簡單概念中學習到復雜的概念，可以避免對信號數據特征挖掘的不充分性。

深度學習模型有幾種常見模型，如深度信念網絡（DBN）、卷積神經網絡（CNN）、循環神經網絡（RNN）等，下面對這幾種模型原理進行簡單介紹：

DBN由多個限制玻爾茲曼機（RBM）層組成，一個典型的網絡結構如圖5所示。這些網絡被“限制”為一個可視層和一個隱層，層間存在連接，但層內的單元間不存在連接。隱層單元被訓練去捕捉在可視層表現出來的高階數據的相關性。在軸承故障診斷領域，Shao等[37]提出了一種用于滾動軸承故障診斷的優化深度信念網絡。采用隨機梯度下降法對限制波爾曼機的權重w進行微調。然后，利用粒子群算法確定訓練好的DBN最優結構。在另一項工作中[38]，他們提出了一種雙樹復小波包來提取故障特征，并使用DBN對多種類型的軸承故障進行分類。楊宇等[39]提出了一種新的深度信念網絡，即結構自適應深度信念網絡（SADBN）。該方法能有效解決DBN結構難以確定已經能有效提升網絡診斷效率的問題。DBN不僅能用于故障的分類，對于軸承健康狀態的預測，同樣有十分顯著的效果。Deutsch等[40]就通過使用帶粒子過濾器的DBN預測軸承的健康狀態以及剩余壽命。DBN診斷模型還可通過預訓練一組限制波爾曼機來自動學習特征，能解決部分深層網絡帶來的梯度消失問題。

圖5 深度信念網絡

CNN的基本架構如圖6所示?？傮w而言，該體系結構主要由三層組成：卷積層、池化層、全連接層。卷積層包含許多過濾器，其主要功能是從給定的輸入數據集中識別重要特征或特征映射。使用多個過濾器背后的想法是，當與輸入數據進行卷積時，不同的過濾器將檢測/識別不同的特征集。然后將提取的特征傳遞到下一層。Janssens等[41]是最早將卷積神經網絡（CNN）引入軸承故障診斷的，通過CNN從軸承x和y反向的加速度振動數據中自動學習故障特征，最終證明CNN的自動特征學習能力優于傳統機器學習方法。為了消除原始振動信號中高頻噪聲的影響，Zhang等[42]在所提出的CNN體系結構中采用了寬核，并證明所提出的模型的結果優于目前最先進的基于頻率特征的深度神經網絡（DNN）模型。陳仁祥等[43]利用散小波變換將軸承振動信號時頻特征充分展現，然后利用卷積神經網絡多層特征提取的特點，將低層信號特征變為深層特征，最后輸入softmax分類器，以達到提高診斷精度的目的。肖雄等[44]將原始信號轉換為二維灰度圖像作為卷積神經網絡的輸入，并對卷積神經網絡進行梯度下降算法優化，最終得到較好的軸承故障診斷效果。與DBN相比，基于CNN的診斷模型可以直接從原始信號數據中學習特征，無需進行頻域變換等預處理，可以直接捕捉數據位移特征。此外，采用權值共享的方法有效減少了診斷模型中訓練參數的數量，加快了收斂速度，抑制了過擬合現象。

圖6 卷積神經網絡結構圖

RNN的結構主要用于處理和預測序列數據，通常卷積神經網絡和全連接神經網絡的結構都是由輸入層到隱藏層再到輸出層，中間采用全連接或者部分連接，但是層與層之間節點沒有連接，而循環神經網絡結構是用來處理和預測數據的，所以需要去連系輸出與之前信息的關系，并通過前面的輸入信息影響后面的輸出信息，所以從網絡結構上來講，循環神經網絡隱藏層之間的節點是有連接的。圖7是RNN的網絡模型。振動信號數據大部分通過傳感器收集，屬于時間序列。其包括長短期記憶網絡（LSTM）和門循環單元（GRU）在內的RNN模型已經成為處理時序數據的一種流行的體系結構，具有時序信息編碼的能力。Jiang等[45]提出一種具有堆疊隱藏層的LSTM單元，以均方誤差（MSE）作為損失函數的軸承故障分類方法，通過實驗證明具有良好的故障分類效果。孫潔娣等[46]提出了一種深度卷積神經網絡與長短期記憶網絡相結合的智能故障診斷方法，該方法能自適應的從軸承故障數據中提取魯棒性特征，通過LSTM中時間序列依存關系實現高精度軸承故障診斷。張立鵬等[47]利用預處理后的機械振動信號，搭建了雙向門控循環單元的故障診斷模型，并通過注意力機制的模型優化，提高了診斷模型對故障特征提取的效率。王超群等[48]提出一種基于門控循環單元（GRU）的膠囊網絡模型，利用門控循環單元充分提取故障特征，并盡可能減少細節特征的丟失，最后實現故障分類。RNN與CNN相比較，RNN屬于時間擴展屬性，神經元與時間序列輸出計算相關聯，不同于CNN中的神經元與特征卷積相互關聯，在深度學習中，空間屬性的CNN和時間屬性的RNN是深度學習中最重要的兩個板塊。

圖7 循環神經網絡結構圖

1.7 遷移學習

遷移學習是機器學習中的一種，通過從一個或多個相關但不同的應用場景中學習通用知識，以幫助智能算法在遷移場景中獲得更強大的性能，是一種非監督式學習方法，可以幫助深度學習克服一些局限性。類似人類工程師可以通過以往的經驗知識去解決同類型不同場景的新問題，遷移學習可以賦予人工智能模型更好的學習性能，即使在訓練數據稀疏和有限的情況下，也具有從相關但不同的應用程序場景到一個新的的魯棒泛化性能。

在傳統機器學習中，我們會根據不同任務已經場景來對訓練相對應的模型。如圖8中所展示的，想要完成兩個模型的訓練，需要分別使用不同的帶標簽數據，與具體任務及場景相匹配。但是在遷移學習中，我們可以先完成對模型A的訓練，然后通過遷移學習將學習到的知識從源域遷移到與源域模型類似，使得目標模型能更加快速穩定的構建。

圖8 遷移學習原理圖

遷移學習與其他深度學習模型相結合的診斷模式已經得到廣泛研究人員的驗證，遷移學習是一種幫助智能故障診斷從理論到工業應用的非常有效的工具。Liu等[49]提出了一種基于深度全卷積條件Wasserstein對抗網絡（FCWAN）的遷移學習故障診斷模型。所提出的模型通過隨機采樣圖分類和差異分類器用于加強目標條件下的分類準確率，在對抗學習領域引入標簽，加強對學習過程的監督和類別域對齊的效果，提高了遷移學習應用的準確率。Qian等[50]提出了一種新的基于卷積自編碼器（CAE-DTLN）的深度轉移學習網絡，在沒有標記數據的情況下實現目標域的機械故障診斷。同時由于卷積自編碼器的除噪能力，使得整個模型具有很好的抗噪魯棒性。陳仁祥等[51]提出一種自適應正則化遷移學習的滾動軸承故障診斷方法，對不同工況下軸承的故障診斷都有非常好的效果。

2 各算法在軸承故障診斷中的優缺點

支持向量機具有非常優秀的泛化性能，在訓練數據集較少的情況下，也能進行有效的分類和預測。通過核函數對非線性數據進行映射，通過超平面進行多分類問題處理，且分類精度高于常規軸承故障診斷模型。同時支持向量機計算資源少，是一種有效的實時分類工具。

決策樹在訓練過程中速度是比較快的，不需要大量的參數，沒有數據的限制，當需要增加新的模型類別時，也不需要使用者出現構建新的樹。在決策樹中由于每個特征被單獨處理，而且數據的劃分也不依賴于縮放，因此決策樹算法不需要特征預處理。特別是特征的尺度完全不一樣時或者二元特征和連續特征同時存在時，決策樹的效果很好。但是在實際分類過程中，決策樹通常容易過擬合，泛化性能比較差。

KNN是一種基于實例的學習算法，但因為其學習較少或基本不學習，也被稱為機器學習中的懶惰者。在模型的訓練階段速度很快，但到了分類階段就比較慢了。K-NN的理論成熟，思想簡單是其應用在軸承故障診斷的優點之一，在對數據集訓練時，對噪聲有較好的魯棒性。

樸素貝葉斯算法是一種潛在的概率模型，有著穩定的分類效率，同時對缺失數據不敏感，當缺失少量數據時可以使用樸素貝葉斯算法。對小規模數據表現良好，運行時占用內存少，適用于多分類任務，在增量樣本訓練時可以分批次進行訓練。

人工神經網絡實際上是模仿人腦神經的一種計算模型，有著多個節點和多個輸出點的網絡結構，可以對任意的非線性、復雜、多維數據進行映射，并且有著非常高的分類精度，在處理并行分類問題時有著非常良好的表現。人工神經網絡的結構是多樣化的，在軸承故障診斷中，通常會改變其結構來達到提高分類效率與精度的目的。

深度學習是在人工神經網絡的基礎上，再進行深度架構的方法，由于其特殊的結構，可以直接從數據集中有多個層次上抽象出數據中具有代表性的特征，可以省去人工特征提取的步驟。同時深度學習有很高的分類精度，這是其他算法都比不了的。在實際故障診斷中，深度學習的這些特性非常適合將其引入工業故障診斷中。

遷移學習擁有巨大的工業應用潛力，對于現有的軸承故障診斷領域的算法，都能達到一個增強的作用，與現在熱門的深度學習算法結合，可以有效解決深度學習在故障診斷實際應用中存在的一些問題，提高模型構建速度，從而提高診斷準確率的效果。

一般情況下，在處理多維連續特征時，支持向量機、人工神經網絡、深度學習會有較好的表現，而KNN、決策樹、樸素貝葉斯在處理離散特征時有較大優勢，同時他們在信號處理中，都會有明確的物理意義，而支持向量機以及神經網絡等因為處理過程黑箱化，因此過程及結果一直難以解釋，神經網絡的可視化也一直是研究人員重點關注的一個方向。

3 展望

機器學習在故障診斷領域的發展是值得期待的，雖然在工業上的應用還存在限制，但是機器學習算法對于工業故障診斷領域來說，是一個非常有前景的軸承故障處理工具，除了以上的理論探討以及實踐，目前機器學習的發展還有以下幾個方面值得關注：

（1）考慮到不同算法各有優缺點，可以將這些算法的優點提取集成到一個混合故障診斷系統上，去針對不同情景的實際工業故障診斷，用多算法集成解決實際應用問題。

（2）隨著深度學習的興起以及在故障診斷方面的應用，對軸承故障的數據要求也越來越高，不僅需要數量也同樣需要質量，在應用基于數據驅動的深度學習診斷算法的同時，需要給整個系統配套使用更高精度的數據采集系統。

（3）深度學習可以減少人工特征提取的過程，同時有很強的實時性，可以考慮開發基于深度學習的整套工業故障診斷系統實時監控，挖掘出深度學習的潛力。

（4）基于機器學習的軸承故障診斷方法不斷發展完善，不僅要單獨從數據驅動的角度，同時也不能忽略人的作用，建立良好的人機交互功能，在高素質從業人員的輔助下，使得整個系統有更好的運行作用。

（5）遷移學習與深度學習相結合，由于一些機器故障診斷問題有足夠的訓練數據，而其他工業場景缺乏訓練數據，通過深度學習與遷移學習結合，可以有效將深度學習模型自適應學習的知識轉移到其他場景使用，不用重新訓練深度模型以及獲取大量標簽數據。因此該研究方向對深度學習在機器故障診斷的實際應用有很大意義。

4 結語

本文對基于機器學習的軸承故障診斷進行了詳細的綜述。對支持向量機、k-NN、決策樹、樸素貝葉斯人工神經網絡、深度學習、遷移學習等機器學習算法進行了深入的討論。并對自動編碼器、深度置信網絡、卷積神經網絡、循環神經網絡等最新的深度學習算法在軸承故障診斷中的應用進行了綜述。對機器學習各種算法的優缺點進行總結。深度學習的應用具有自特征提取和自特征選擇的優勢，從而降低了在特征提取和特征選擇中人為錯誤的風險，在未來是極具應用潛力的。機器學習算法在軸承故障診斷的未來表現是非常值得期待的，不論是傳統的機器學習算法，還是最近熱門的深度學習算法，在軸承故障診斷領域都已經有著非常好的表現，值得期待其在未來有更廣闊的應用前景。