《表3 模式识别方法概述：复杂装备滚动轴承的故障诊断与预测方法研究综述》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《复杂装备滚动轴承的故障诊断与预测方法研究综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

滚动轴承故障诊断本质上是一个模式识别问题。应用较多的模式识别方法有神经网络、聚类分析和支持向量机（support vector machine，SVM)[30-32]，具体如表3所述。当滚动轴承出现局部故障时，其振动信号表现为非线性非平稳性，而对于复杂装备上的滚动轴承而言，受到多种传递路径以及噪声的影响，这种非线性非平稳特性更为明显。聚类分析方法只适用于低维数据分类，对高维数据的分类不太敏感[33]。SVM算法在解决大规模训练样本以及多分类问题时存在困难，需要耗费大量的机器内存和运算时间。比如对于大规模的数据集，由于SVM要解凸二次规划而使算法效率很低，甚至无法进行；SVM对奇异值的稳健性不高；SVM的解不具有稀疏性，存在着大量冗余支撑向量；其参数没有好的选择策略[34]。传统的神经网络是以人的大脑神经系统处理信息的模式为基础建立的一种动力学网络系统，具有分布并行信息处理、非线性映射、自适应自学习等特点[35-36]。而限制神经网络发展的不足在于：1）运算效率低、收敛速度慢；2）网络结构选择不当会严重影响模型的容错性；3）局部极小化问题往往会导致学习训练的失败。