Marcin Strączkiewicz、Piotr Czop 和 Tomasz Barszcz 是本文的主要作者，他们均来自波兰的 AGH University of Science and Technology。本文发表于2016年《Diagnostyka》期刊（Vol.17, No.2, pp.71-80）。这篇论文属于类型a，是一项单一的原始研究，题为《Supervised and Unsupervised Learning Process in Damage Classification of Rolling Element Bearings》，研究核心是将有监督和无监督的模式识别方法应用于滚动轴承的损伤分类。

学术背景

滚动轴承在工业机械中是极为重要的运动元件，但其易损性导致大约80%的机械故障与之相关，因此对轴承的诊断具有重要的意义。损伤分类是诊断过程中的关键环节，与检测损伤一样重要，因为损伤分类可以帮助评估故障的严重程度，并据此改善生产或维修管理。随着工业系统及状态检测系统（Condition Monitoring System，CMS）的快速发展，采用高效的数据采集与分析手段能够实现诊断过程的高度自动化。本研究旨在通过实验验证多种有监督和无监督模式识别方法在滚动轴承外环损伤分类中的有效性，特别是基于振动信号的特征提取和分类算法，以期开发适用于工业环境的通用故障诊断技术。

工作流程

本研究包含以下步骤：

1. 实验装置设计与测试对象

实验装置主要由三相异步电机、变频器、发电机和两个滚动轴承组成，其中一个SKF 1205 EKTN9球轴承被选为研究对象，并引入逐步加深的外环裂纹。数据采集设备包括具有24位分辨率和50kHz采样率的NI 9233数据采集卡，垂直安装的加速度传感器对轴承振动信号进行记录，采样频率设定为25kHz。

实验中，分别在正常、轻微损伤（裂纹深度0.5 mm）、中等损伤（裂纹深度1 mm）和严重损伤（裂纹深度1.5 mm）四个阶段采集数据，每阶段获取10秒长度的60组数据。

2. 振动信号预处理

数据预处理参考文献[36]的方法，确保信号具有连续性、合理的幅值、期望的高频成分和足够的时间分辨率，同时过滤掉旋转频率相关的低频成分。初步检查确认所有采集的振动信号满足验证标准，为后续特征提取准备了高质量的输入数据集。

3. 特征提取

滚动轴承的局部损伤通常会导致谐振频率的周期性激励，从而表现为振动信号的幅值调制。为了揭示这一现象，每组信号采用包络分析技术提取特征。具体步骤包括： - 高通滤波以消除旋转组件的低频干扰； - 信号平方以增强调制特性； - 对包络信号进行快速傅里叶变换（FFT）以生成包络谱。

基于轴承的几何参数，提取了四个关键特征频率：外圈通过频率（Ball-Pass Frequency of Outer Race，BPFO）、内圈通过频率（Ball-Pass Frequency of Inner Race，BPFI）、滚动体自旋频率（Ball Spin Frequency，BSF）和保持架频率（Fundamental Train Frequency，FTF）。例如，在给定的实验条件下，外圈通过频率为6.69倍转速。

4. 模式识别与分类算法评估

本文使用了多种有监督和无监督模式识别方法对提取的频率特征进行分类： - 有监督方法包括：Logistic回归、k-最近邻（k-NN）、线性判别分析（LDA）、二次判别分析（QDA）、Parzen分类器、最近均值分类器和基于径向基函数的神经网络（RBF Neural Network）。 - 无监督方法包括：k-均值聚类和模糊c均值聚类。

每种方法在MATLAB平台上实现，并分为学习阶段和测试阶段。学习数据集中包含240个样本，测试集中包含80个样本。为保证随机性，分类过程重复20次取平均值。分类结果的准确率通过正确分类率（Correct Classification）进行验证。

主要研究结果

有监督方法

对BPFO、BPFI、BSF和FTF组成的四维特征向量进行分类，所有有监督方法的分类准确率均在87%-98%之间。其中，线性判别分析（LDA）的准确率最高，达到98%；其次是二次判别分析（QDA），为97%。基于Parzen窗的分类器和Logistic回归的分类结果相对稳定，准确率分别为96%和93%。

无监督方法

聚类分析通过内部和外部评价指标优化聚类数量，最终确定最佳聚类数为4（对应正常、轻微损伤、中等损伤和严重损伤）。在此基础上，k-均值和模糊c-均值算法的分类精度分别为94%和89%。实验还使用二维和三维可视化图展示了聚类结果，验证了数据在诊断条件下的有效分区。

数据支持与逻辑关系

分类与聚类结果表明，振动信号的特征频率随轴承损伤程度逐渐变化，并且四维特征空间中的数据点分布能够清晰映射对应的故障等级。这一系列实验结果为进一步开发状态监测系统（CMS）提供了可靠的数据基础。

结论与研究价值

本文研究对工业现场提供了以下重要价值： 1. 科学贡献：首次系统性比较多种有监督和无监督分类算法在滚动轴承损伤分类中的性能，验证了模式识别方法在振动诊断领域的潜力。 2. 应用价值：实验条件接近工业环境，所开发的方法和流程适用于轴承状态在线监测和诊断。 3. 技术创新：通过包络分析结合多种模式识别算法实现了高效分类，尤其是有监督方法在分类准确性和时间成本之间取得了最佳平衡。

研究亮点

1. 综合性比较：首次全面比较七种有监督方法和两种无监督方法在滚动轴承故障分类中的适用性。
2. 高精度表现：分类准确率最高可达98%，聚类精度可达94%。
3. 符合工业实际：实验装置和数据特性与工业现场较为接近，为进一步应用奠定基础。

未来的研究可进一步扩展算法种类，并尝试将这种分类方法应用于工业现场的在线监测系统。结合多传感器数据融合和历史记录分析，可能进一步提高诊断精度并降低误报率。研究团队计划将这一方案扩展至其他工业设备的状态监测中，以验证其普适性和稳健性。