基于失衡样本特性过采样算法与SVM的滚动轴承故障诊断

作者：黄海松; 魏建安^*; 任竹鹏; 吴江进

来源：振动与冲击, 2020, 39(10): 65-132.

DOI：10.13465/j.cnki.jvs.2020.10.009

• 改进凝聚层次聚类
• 样本特性
• *-信息量近邻域(K*INN)过采样" name="keyword">K*-信息量近邻域(K*INN)过采样
• 支持向量机(SVM)
• 滚动轴承故障诊断

针对传统支持向量机(SVM)算法在滚动轴承故障诊断领域中,对失衡数据集效果不佳、对噪声敏感以及对本身参数依赖较大等缺点,提出一种基于样本特性的过采样算法(OABSC)。该算法利用改进凝聚层次聚类将故障样本分成多个簇;在每个簇中综合考虑样本距离、近邻域密度对"疑似噪声点"进行识别、剔除,并将剩余样本按信息量进行排序;紧接着,在每个簇中采用K*-信息量近邻域(K*INN)过采样算法合成新样本,以使得数据集平衡;模拟3种不同失衡比下的轴承故障情况,并采用粒子群算法优化了SVM分类器的参数。经试验证明:相比已有算法,OABSC算法能更好地适用于数据呈多簇分布且失衡的轴承故障诊断领域,拥有更高的G-mean值与AUC值以及更强的算法鲁棒性。

• 单位
  贵州大学