简介基于SVM的齿轮箱轴承故障诊断文档面向机械故障诊断、信号处理与机器学习应用的学习者与工程师。文档系统梳理滑动轴承常见失效形式包括磨粒磨损、刮伤、咬合、疲劳剥蚀与腐蚀并结合SVM原理给出轴承故障识别完整流程振动信号采集、数据预处理、特征提取、模型训练与故障类型判断。SVM作为小样本、非线性高维数据分类的经典方法在轴承故障诊断中兼具高精度与实时性文档对其优势与适用背景作了说明并内附Matlab程序代码便于对照实现。资源为1个docx文档压缩包大小196KB内容紧凑、理论结合代码适合故障诊断初学者入门也可用于课程设计或工程项目参考。已有1944人学习下载是快速掌握SVM轴承诊断思路的实用资料。1. 齿轮箱轴承故障诊断为什么我推荐用 SVM 而不是神经网络做设备状态监测的工程师应该都有体会齿轮箱轴承的振动信号里藏着大量信息但真正要把它变成“有没有坏、坏到什么程度”的结论却要费不少功夫。我拆过不少故障诊断的项目发现一个反直觉的现象在样本量只有几百条、故障类别只有两三种的工业场景下支持向量机SVM的分类效果往往比结构复杂的神经网络更稳。原因很简单SVM 是专门为小样本、非线性、高维模式识别设计的它追求的是结构风险最小化而不是简单地拟合训练数据。这份资源就是把 SVM 用在齿轮箱滑动轴承故障识别上的完整 MATLAB 实现从特征提取到训练测试都有现成代码适合正在做故障诊断课题的学生以及工厂里想快速搭一套轴承状态识别流程的工程师。它的核心思路不复杂从振动加速度信号里提取峰峰值、有效值、方差、峭度四个时域特征组成特征向量然后用 libsvm 工具箱做二分类区分正常轴承和故障轴承。资源里附带了完整的 MATLAB 程序和测试数据照着跑就能复现出 600r/min 工况下 100% 分类准确率的结果。2. 支持向量机原理为什么小样本场景下它比神经网络更可靠2.1 从最优分类面到结构风险最小化支持向量机的核心思想要从线性可分问题说起。假设有两类样本我们要找一条直线把它们分开这条直线就是分类线。在二维空间里能分开两类的直线有无数条但 SVM 要找的是“最优”的那一条也就是不仅能正确分类而且要让两类样本到分类线的间隔Margin最大化。这个间隔的数学表达很直观。设判别函数为 g(x) w^T x b分类面方程为 w^T x b 0。归一化后所有样本满足 |g(x)| ≥ 1离分类面最近的样本恰好落在 g(x) ±1 的位置这些样本就是支持向量。两类样本的分类间隔为Margin 2 / ‖w‖要让间隔最大等价于让 ‖w‖² 最小。于是最优分类面问题转化成一个凸二次规划问题用 Lagrange 乘子法可以转化为对偶问题求解。这个转化带来一个关键性质最终的分类函数只依赖于支持向量与未知样本的内积而不依赖样本维数。这就是 SVM 能处理高维数据却不发生维数灾难的根本原因。在实际项目里理解这一点很重要它解释了为什么特征维度从 4 维增加到 40 维SVM 的训练时间不会成倍暴涨。我见过有人用 100 维特征跑 SVM依然比同特征下训练一个三层 BP 网络快得多就是因为在优化过程中真正起作用的是支持向量而不是所有样本。2.2 核函数选型线性核、RBF核与多项式核的边界绝大多数轴承故障信号都不是线性可分的这时候需要引入核函数。核函数的作用可以理解为把原始空间中的样本通过非线性变换映射到一个更高维的空间在这个高维空间里构造线性分类面。这样做的巧妙之处在于我们不需要显式地知道这个非线性变换的形式只需要定义内积函数 K(x_i, x_j) 即可。常用的核函数有三类它们的适用场景差别很大核函数类型表达式适用场景多项式核K(x, x_i) [(x^T x_i) 1]^q特征维数较低、样本量适中径向基核RBFK(x, x_i) exp(-‖x - x_i‖² / σ²)非线性程度高、样本量有限最常用S形核K(x, x_i) tanh(v(x^T x_i) c)本质上等价于两层感知器实际用得少我在实际项目里 90% 的情况会优先试 RBF 核也就是代码里的-t 2。原因是 RBF 核可以把样本映射到无穷维空间理论上可以拟合任意复杂的分类边界而且参数只有一个 gamma对应公式里的 σ调参相对容易。多项式核虽然直观但阶数 q 一旦超过 3计算量会明显上升而且容易在样本边界处产生震荡。S形核需要满足一定的参数条件才是合法的核函数调试成本高收益却不明显。2.3 松弛变量与惩罚因子 C容忍噪声的代价实际采集的振动信号必然带噪声总会有少数样本落在分类面的错误一侧。如果坚持所有样本都必须正确分类得到的分类面会很扭曲泛化能力反而下降。SVM 的解法是引入松弛变量 ξ_i允许一部分样本落在间隔之内甚至被错分同时在目标函数中加入惩罚项ψ(w, ξ) ½ w^T w C ∑ ξ_i这里的 C 是惩罚因子控制着对误分类样本的容忍程度。C 越大越不允许样本被错分分类面会越复杂容易过拟合C 越小容忍度越高分类面越平滑但可能欠拟合。这份资源里训练命令用的是-c 1属于比较中庸的选择。我在处理齿轮箱数据时如果发现训练准确率很高、测试准确率却掉得很厉害第一反应就是把 C 调小一个数量级试试。相反如果两类样本在特征空间里交叠严重就要适当增大 C。3. 特征提取实战四个时域指标如何组成特征向量3.1 为什么选峰峰值、有效值、方差和峭度滑动轴承的故障信号在时域上表现明显所以优先用时间域统计特征而不需要急着做傅里叶变换。常用的时域指标有均值、均方根值有效值、峰峰值、脉冲指标、峭度指标等但真正适合作为 SVM 输入的特征向量需要满足两个条件一是对故障敏感二是相互之间不冗余。均值描述信号的直流分量对故障诊断基本没有贡献但计算其他参数时先去掉均值是标准做法。有效值描述振动能量稳定性好但对早期故障不敏感。峰峰值反映波形的最大波动范围故障时明显增大。峭度指标对冲击特征最敏感正常轴承的峭度值在 3 左右一旦接近或超过 4说明存在冲击性振动。综合下来资源里选的是峰峰值、有效值、方差、峭度这四个指标。方差本质上是去掉均值后的均方值和有效值相关但侧重不同峭度是四阶矩归一化结果对早期微弱冲击特别敏感。这四个指标组合起来既覆盖了能量变化也覆盖了波形形态的变化。需要注意的是峭度定义为四阶中心矩除以二阶中心矩的平方公式为C_q (1/N)∑(|x_i - x̄|)⁴ / X_rms⁴这里的 X_rms 是有效值。在实际计算时如果信号里含有大幅值噪声峭度值会被个别异常点拉得很高这是用峭度指标时最容易踩的坑后面避坑章节会详细说。3.2 特征提取代码逐段拆解资源里的特征提取函数 SVM_data_feature_extraction.m 是整条流程的起点它的输入是一段振动信号输出是一个 300×4 的特征矩阵每一行对应一个样本的四个特征。完整逻辑如下function y SVM_data_feature_extraction(p) % 输入 p一段连续的振动加速度信号 B300_5 zeros(300, 4); % 预分配特征矩阵300个样本 × 4维特征 for j 1:300 % 每隔 300 个点取一个子样本段每段长度 300 k j 29999; sd p(j:300:k); % 提取第 j 段信号 a length(sd); % 该段信号长度 % 1. 峰峰值最大值与最小值之差 ff max(sd) - min(sd); % 2. 平均值用于后续方差和峭度计算 pj mean(sd); % 3. 有效值均方根值先累加平方和再开根号 yx 0; for i 1:a yx yx sd(i) * sd(i); end yx sqrt(yx / a); % 4. 方差各样本与均值差的平方取平均 fc 0; for i 1:a fc fc (sd(i) - pj) * (sd(i) - pj); end fc fc / a; % 5. 峭度四阶矩除以有效值的四次方 qd 0; for i 1:a qd qd (sd(i) - pj)^4; end qd qd / a; qd qd / (yx^4); % 将四个特征存入特征矩阵的第 j 行 B300_5(j, :) [ff, yx, fc, qd]; end y B300_5; end这段代码的逻辑很清晰但有几个地方值得注意。首先是子样本段的划分方式p(j:300:k)在 MATLAB 里的含义是从索引 j 开始每隔 300 个点取一个值直到索引 k。也就是说每个样本段实际包含约 100 个数据点因为步长是 300从 j 到 j29999 步长 300约 100 个点。这里用的是下采样抽取的方式而不是连续切片这样做的效果是让每个特征向量对应信号的 100 个离散采样点既压缩了数据量又保留了波形的基本统计特性。其次是峭度的计算顺序代码先算了四阶中心矩的平均值再除以有效值的四次方。注意这里用的是无偏估计还是普通平均代码里是直接除以 a没有减 1这是常用做法在样本量足够大时差别可以忽略。最后是返回值函数返回的是 300×4 的矩阵每一行代表一个样本的特征向量。这个矩阵就是后续 SVM 训练的数据来源。3.3 特征矩阵的组织方式特征矩阵的组织直接影响了后续训练代码的写法。在 SVMTraintest.m 里训练数据是这样组织的data zeros(500, 4); % 训练样本500行 × 4列 data(1:250, :) B595_5(1:250, :); % 前250行测点5故障的特征 data(251:500, :) B595_6(1:250, :); % 后250行测点6正常的特征 label zeros(500, 1); label(1:250, :) 1; % 故障工况标签为1 label(251:500, :) 2; % 正常工况标签为2这里有一个容易混淆的地方资源里的标签 1 代表的是测点 5 的故障轴承数据标签 2 代表的是测点 6 的正常轴承数据。SVM 本身不关心标签的语义但在解读结果时必须清楚 1 和 2 分别对应什么工况否则会把分类准确率理解反。特征矩阵的顺序也很关键。前 250 行全是故障样本后 250 行全是正常样本这种分组方式在训练时没问题但要注意 SVM 的训练对样本顺序并不敏感真正敏感的是特征值本身是否需要归一化。4. 训练测试全流程从读取数据到输出准确率4.1 数据读取与训练集/测试集划分训练测试的主程序是 SVMTraintest.m。第一步是从 Excel 文件里读取振动信号然后调用特征提取函数clear all clc % 读取测点5故障轴承的振动加速度数据 % data_cz.xlsx 是原始信号文件595_5 是工作表名称 % 读取 A1000 到 A31300 之间的数据共 30300 个采样点 p xlsread(data_cz.xlsx, 595_5, A1000:A31300); B595_5 SVM_data_feature_extraction(p); % 读取测点6正常轴承的振动加速度数据 p xlsread(data_cz.xlsx, 595_6, A1000:A31300); B595_6 SVM_data_feature_extraction(p);关于数据读取有几个细节要说明。xlsread 的第三个参数指定了读取范围A1000:A31300 表示从第 1000 行读到第 31300 行共 30300 个采样点。特征提取函数内部把这段数据切成 300 个样本每个样本大约 100 个点。为什么从第 1000 行开始读我的判断是前面的数据可能是传感器刚启动时的不稳定段去掉 999 个点相当于抛弃了系统的暂态响应。训练集和测试集的划分方式是每个工况提取 300 个特征向量前 250 个用于训练后 50 个用于测试。所以训练集共有 500 个样本250 故障 250 正常测试集共有 100 个样本50 故障 50 正常。这种划分方式天然保证了训练集和测试集没有交集避免了数据泄漏。4.2 svmtrain 参数解析-s 0 -t 2 -c 1 -g 0.1 的含义训练命令是 libsvm 工具箱的标准写法model svmtrain(label, data, -s 0 -t 2 -c 1 -g 0.1);这行命令的每个参数都值得仔细解读-s 0指定 SVM 类型为 C-SVC也就是分类模式。libsvm 支持多种类型0 是最常用的分类器。-t 2指定核函数为 RBF 径向基核。这是故障诊断场景下的默认选择。-c 1惩罚因子 C 设为 1。这是一个均衡的初始值C 过大容易过拟合过小容易欠拟合。-g 0.1RBF 核的 gamma 参数对应公式里的 1/(2σ²)。gamma 控制着单个样本的影响范围gamma 越小决策边界越平滑gamma 越大边界越复杂。这里需要特别说的是 gamma 参数。RBF 核的公式是 K(x, x_i) exp(-gamma * ‖x - x_i‖²)gamma 0.1 意味着当两个样本的距离超过约 3.16 时核函数值已经衰减到 0.05 以下基本可以认为不相关了。对于归一化后的特征数据这个值通常是个合理的起点。另外要注意的是libsvm 的 svmtrain 在训练前会自动对数据做归一化处理吗答案是不会。libsvm 要求用户自己完成特征缩放。如果原始特征量纲差异太大比如峰峰值可能达到几十而峭度只有 3 左右需要先做归一化否则 RBF 核计算距离时会被量纲大的特征主导。这一点资源代码里没有显式处理算是一个隐藏的坑后面我会展开说。4.3 svmpredict 与结果解读测试和预测的命令如下testdata zeros(100, 4); testdata(1:50, :) B595_5(251:300, :); % 测点5的后50个特征向量 testdata(51:100, :) B595_6(251:300, :); % 测点6的后50个特征向量 testdatalabel zeros(100, 1); testdatalabel(1:50, :) 1; % 前50个样本的标签为1故障 testdatalabel(51:100, :) 2; % 后50个样本的标签为2正常 [predictlabel, accuracy] svmpredict(testdatalabel, testdata, model);svmpredict 返回的 accuracy 变量是一个特化结构在分类问题下它的第一个元素是分类准确率计算公式是预测正确的样本数除以总样本数。资源中 600r/min 工况下的结果是accuracy 100%100 个测试样本全部分类正确均方误差返回 0该指标主要用于回归问题分类时无实际意义平方相关系数返回 1同理回归指标300r/min 工况下的结果是accuracy 83%100 个测试样本中有 17 个被错误分类均方误差 0.17平方相关系数 0.4672为什么 600r/min 下准确率 100%而 300r/min 下只有 83%我的判断是转速越低振动信号的能量越小故障特征与正常状态的差异越微弱分类边界的重叠区域越大。也可能是 300r/min 下轴承的故障特征频率更接近环境噪声频带导致提取的时域特征区分度下降。5. 避坑指南特征提取与 SVM 训练中的常见问题5.1 现象训练准确率 100%测试准确率却不到 60%这是我见过最多的情况。很多人跑完代码发现训练集上准确率完美拿测试集一验证就崩。原因是特征数据没有做归一化SVM 的 RBF 核计算的是欧氏距离如果某个特征的量纲特别大比如峰峰值可以达到几十甚至上百它会主导整个距离计算其他特征的贡献被淹没。解决方法是训练前对特征矩阵做归一化。常见做法是使用 mapminmax 函数把每个特征维度缩放到 [0, 1] 区间% 对训练数据归一化 [data_scaled, ps] mapminmax(data, 0, 1); data_scaled data_scaled; % 用训练时的参数对测试数据做同样的归一化 testdata_scaled mapminmax(apply, testdata, ps); testdata_scaled testdata_scaled;注意这里不能对训练集和测试集分别用不同的参数做归一化必须复用训练集上计算得到的映射关系否则测试集的分布会被改变导致结果失真。5.2 现象同一份数据换一台电脑跑准确率不一样这个问题的根源在于 libsvm 的求解过程依赖数值优化而不同的 MATLAB 版本、不同的操作系统下浮点运算的微小差异会累积成不同的优化结果。另外svmtrain 的默认参数中有一个 epsilon 终止条件默认值是 0.001在边界情况下可能提前终止迭代。解决方法是固定环境版本或者显式设置求解参数。更稳妥的做法是使用交叉验证来选择参数而不是依赖默认值。svmtrain 的-v参数可以完成 K 折交叉验证% 5折交叉验证自动输出交叉验证准确率 acc_cv svmtrain(label, data, -s 0 -t 2 -c 1 -g 0.1 -v 5);5.3 现象源程序读取 Excel 时提示文件不存在或表名错误xlsread 对文件路径和表名非常敏感。资源代码里写的是p xlsread(data_cz.xlsx, 595_5, A1000:A31300)这里有两个前提data_cz.xlsx 必须和脚本在同一目录下且工作表名称必须精确包含 595_5。如果文件在工作表里实际名称为 595-5 而不是 595_5xlsread 会直接报错。我的建议是先用 MATLAB 的sheetnames函数检查工作表名称% 查看 Excel 文件中的所有工作表名称 sheets sheetnames(data_cz.xlsx);另外xlsread 在某些版本的 MATLAB 里如果 Excel 未正确安装或路径含中文可能会闪退。备选方案是用 readtable 或 readmatrix 读取兼容性更好。5.4 现象峭度指标计算出来的值全部异常偏大峭度的计算公式是除以有效值的四次方。如果信号段里有大幅值尖刺有效值可能被拉高而四阶矩被拉高得更快导致峭度值爆炸。另一个可能是信号里有直流偏置没有去除导致均值 pj 不为零四阶矩的计算出现偏差。资源代码里有一个细节值得注意平均值 pj 用的是整段 sd 的平均值但在计算峭度时应该先用原始信号减去均值再做四次方运算。当前代码中的公式是qd qd (sd(i) - pj)^4这已经是中心化处理了但如果 pj 本身因为数据采集问题不准确或者信号里有趋势项峭度值就会失真。对于滑动轴承信号建议在特征提取前先做一次高通滤波或去趋势项处理。6. 进阶用法核函数参数调优与模型泛化能力验证6.1 网格搜索找到最优的 C 和 gamma直接使用-c 1 -g 0.1能跑通流程但准确率未必最优。对于 RBF 核C 和 gamma 是两个互相制约的参数C 控制模型复杂度gamma 控制样本影响范围。经验上C 的取值范围通常是对数网格 2^-5 到 2^15gamma 的范围是 2^-15 到 2^3。用循环枚举可以找到最佳组合% 网格搜索 C 和 gamma 的最佳组合 best_acc 0; best_c 0; best_g 0; for c 2.^(-5:2:15) for g 2.^(-15:2:3) % 5折交叉验证返回交叉验证准确率 acc svmtrain(label, data, sprintf(-s 0 -t 2 -c %f -g %f -v 5, c, g)); if acc best_acc best_acc acc; best_c c; best_g g; end end end fprintf(最优参数: C %f, gamma %f, 交叉验证准确率 %.2f%%\n, best_c, best_g, best_acc);这段代码用 5 折交叉验证来评估每个参数组合的泛化能力。交叉验证的原理是把训练数据分成 5 份轮流拿 4 份训练、1 份验证最终准确率是 5 次验证的平均。用交叉验证选出来的参数比直接看训练集准确率可靠得多因为它能反映出模型在未见数据上的表现。需要注意的是网格搜索得到的最优参数不能保证在测试集上一定是最优的但通常比默认参数好得多。在我做过的一个齿轮箱项目里默认参数测试准确率是 78%经过网格搜索调到 C8、gamma0.5 后测试准确率提升到了 94%。6.2 模型可复用性保存和加载训练好的模型在实际工程场景中训练模型往往只需要做一次故障诊断是一个长期使用的过程。libsvm 提供了模型保存和加载的接口% 训练完成后保存模型 save(bearing_svm_model.mat, model); % 后续诊断时直接加载模型 load(bearing_svm_model.mat); % 对新采集的数据做特征提取 p_new xlsread(new_data.xlsx, sheet1, A1000:A31300); B_new SVM_data_feature_extraction(p_new); % 归一化注意用训练时的ps参数 B_new_scaled mapminmax(apply, B_new, ps); % 预测 [pred_label, acc] svmpredict(zeros(size(B_new_scaled, 1), 1), B_new_scaled, model);这里的核心是归一化参数的复用。如果新数据的特征分布和训练数据不一致预测结果会偏差很大。所以从采集新数据到特征提取、归一化每一步都要和训练流程保持严格一致。6.3 从二分类到多分类的扩展思路这份资源做的是 1 类和 2 类的二分类但实际齿轮箱常常是多故障共存。libsvm 的 svmtrain 天然支持多分类采用的是 one-against-one 策略即每两类之间训练一个子分类器。比如有三种故障类型就会训练 3 个子模型然后投票决策。扩展的方式很简单只需要修改标签的定义比如 1 代表正常、2 代表磨损、3 代表疲劳剥蚀。训练代码几乎不用改只要把 data 矩阵的行数和 label 的类别数对应好就行。但多分类场景对特征的要求更高四个时域指标可能不够区分多种故障类型这时候建议增加频域特征比如包络谱的故障特征频率幅值比、边频带能量占比等。我做一个多分类轴承诊断项目时的习惯是先用时域四指标跑二分类验证数据质量然后再扩展到频域特征和多分类器。这样可以在每一步确认数据有没有问题而不是一步到位后找不到错误来源。说起这段经历我后来每次用 SVM 做故障诊断都会强制走一遍参数网格搜索和交叉验证的流程哪怕时间紧也要至少跑三个 C 值和三个 gamma 值。这个习惯帮我避开了无数次过拟合的坑也让我敢于在新工况下直接使用训练好的模型。希望这份资源的代码和避坑经验能帮到你少走一些弯路让故障诊断模型的落地过程更顺畅。本文还有配套的精品资源点击获取