CN111707472B - 基于fft和全连接层-svm的滚动轴承故障诊断方法 - Google Patents

Abstract

本发明公开了基于FFT和全连接层‑SVM的滚动轴承故障诊断方法，包括滚动轴承在正常、内圈故障、外圈故障和滚动体故障状态下的振动信号的提取、变换、归一化等过程；本滚动轴承故障检测方法在对滚动轴承进行检测时，不依赖于卷积神经网络，只需要训练SVM分类器和全连接层即可完成，而且分类器的参数不需要算法进行优化，可以提高模型的训练速度和分类准确率；同时本发明所述方法只有一层全连接层，不需要卷积神经网络的卷积核运算，使得其参数优化时间大为减少，实验结果证明，本发明所述方法测得滚动轴承的故障的准确率达到100％，检测时间缩短80％以上，具有分类精度高，故障诊断速度快的特点。

Description

基于FFT和全连接层-SVM的滚动轴承故障诊断方法

技术领域

本发明属于故障诊断技术领域，具体涉及基于FFT和全连接层-SVM的滚动轴承故障诊断方法。

背景技术

现代工业生产对生产节奏要求非常紧密，一旦机械设备出现故障，就将扰乱生产流程，造成巨大经济损失甚至是人员伤亡；如今大规模生产更加依赖于高可靠性的生产加工设备，机械故障诊断成为一门日新月异的工程技术；

滚动轴承不但在生产中应用广泛，滚动轴承也是机械设备中的易损件，根据统计数据，旋转机械中故障大概有30％是滚动轴承失效产生；使用故障诊断技术后，机械设备发生故障的几率能够极大的降低，维修费用比之前少25％-50％；由于滚动轴承的寿命较长，根据国家标准，作为标准件有90％的可靠度阈值，就算是一样的材料在同一台机器上采用相同的工艺生产出同一批次轴承，它的寿命也都不一样；通常在现实当中依据设计的疲劳寿命进行定期检查修理，就有极大的几率损坏设备，出现经济损失；

而目前在企业实践，如果是不重要场合的滚动轴承，主要靠工程技术人员的经验通过触觉，听觉判断轴承的运行过程是否出现故障；在比较重要的场合，需要定期拆装检查轴承的运行情况，但是不能做到及时有效的预估故障状态；目前轴承故障缺陷的检测算法主要集中在传统的利用时域频域信号作为信号输入特征，再利用机器学习或者深度学习方法进行分类，准确率较高，但是，其并没有达到符合核心零部件工业检测应用的情况；同时目前轴承故障缺陷的检测算法消耗的时间比较长，模型收敛速度太慢。

发明内容

针对上述存在的问题，本发明旨在提供基于FFT和全连接层-SVM的滚动轴承故障诊断方法，包括滚动轴承在正常、内圈故障、外圈故障和滚动体故障状态下的振动信号的提取、变换、归一化等过程；不依赖于卷积神经网络，只需要训练全连接层和SVM分类器即可完成，而且分类器的参数不需要人工进行优化，可以提高模型的训练速度和判断分类速度；同时不需要卷积神经网络的卷积核运算，只有一层全连接层，使得其参数优化时间大为减少，具有分类精度高，故障诊断速度快的特点。

为了实现上述目的，本发明所采用的技术方案如下：

基于FFT和全连接层-SVM的滚动轴承故障诊断方法，包括以下步骤：

步骤S1：使用加速度传感器检测滚动轴承在正常、内圈故障、外圈故障和滚动体故障状态下的振动信号，得到包含正常和多个故障状态的振动信号的样本数据集，然后将样本数据集按照6:4的数据比例划分为训练数据集和测试数据集；

步骤S2：将训练数据集和测试数据集中的振动信号数据进行快速傅里叶变换，实现将原有训练数据集和测试数据集中振动信号的时域振动信号变换得到训练数据集和测试数据集的1024维频域信号；

步骤S3：对步骤二得到的训练数据集和测试数据集的频域信号取绝对值，并带入归一化公式进行归一化处理，得到初步提取的振动信号的频域信号；

步骤S4：将归一化处理后的训练数据频域信号接入到神经网络全连接层，利用神经网络全连接层对步骤S3的1024维训练数据频域信号自动进行加权求和，得到训练数据集的10维频域故障特征，将这10维频域故障特征输入到高斯基核函数SVM模型中，自适应的选择最优特征并进行故障诊断模型的训练，得到训练好的高斯基核函数SVM模型；

将归一化处理后的测试数据频域信号接入到神经网络全连接层，利用神经网络全连接层对步骤S3的1024维训练数据频域信号自动进行加权求和，得到测试数据集的10维频域故障特征；

步骤S5：将步骤S4得到的测试数据集的10维频域故障特征带入训练好的高斯基核函数SVM模型中，采用一对多法进行分类诊断，得到故障检测结果，并进行输出。

优选的，步骤S2-S3所述的训练数据集和测试数据集的振动信号数据的处理变换过程为：

S2.1首先将训练数据集和测试数据集中的振动信号数据分别带入到快速傅里叶变换公式中，利用快速傅里叶变换公式将各个振动信号进行分解，得到振动信号的频域信号；

S2.2然后对快速傅里叶变换提取到的频域信号取绝对值；

S2.3利用提取的各个维度频域信号除以样本数量，求出各个维度的频域信号的平均值；

S2.4对提取的频域信号进行排序，提取出幅值最大的前1024维频域信号；

S2.5对提取的1024维频域信号进行归一化处理，使得各个频域信号的幅值相同，避免幅值小的信号在后续的全连接层特征提取的过程中被幅值大的信号覆盖掉。

优选的，步骤S4所述的频域信号数据自动进行加权求和的具体过程如下：

S4.1设初始的1024维的频域故障特征为a₁、a₂、……、a₂₀₁₃、a₂₀₁₄；

S4.2则得到的10维频域故障特征为：

其中：b₁、b₂、……、b₁₀为得到的频域故障特征；w_ij代表第i个初始频域信号的神经元和第j个得到频域神经元之间的权值系数。

优选的，步骤S4.2所述的权值系数w_ij在每次计算时，都利用反向传播算法根据每次计算结果的偏差自动优化连接层的w_ij，进而使提取出来的特征可以很好的反映滚动轴承当前的实际状态，保证分类结果的准确性，所述利用反向传播算法对w_ij进行自动优化的过程为：

对w_ij利用反向传播求导可得：

其中：η为学习率参数，

为对权重系数反向求导，这样可以根据每次计算结果的偏差自动优化连接层的权值系数。

优选的，步骤S5所述的诊断过程为：

S5.1将经步骤S4处理得到的10维测试数据频域特征进行训练，得到10个SVM，这些SVM用于得到10个分类类别，他们分别是C₁,C₂,C₃,C₄,C₅,C₆,C₇,C₈,C₉,C₁₀；

S5.2将步骤S5.1中的10个SVM进行抽取，

在抽取训练集的时候，分别抽取：

(1)C₁所对应的向量作为正集，C₂,C₃,C₄,C₅,C₆,C₇,C₈,C₉,C₁₀所对应的向量作为负集；

(2)C₂所对应的向量作为正集，C₁,C₃,C₄,C₅,C₆,C₇,C₈,C₉,C₁₀所对应的向量作为负集；

......

(10)C₁₀所对应的向量作为正集，C₁,C₂,C₃,C₄,C₅,C₆,C₇,C₈,C₉所对应的向量作为负集；

S5.3然后使用步骤S5.2抽取的这10个SVM分别与步骤S4得到的训练好的高斯基SVM模型中进行训练，得到十个测试结果文件，每个测试结果文件对应一个结果f1(x),f2(x)...f10(x)；

S5.4从这10个结果中选出最大的结果值，作为最终的分类结果f_n(x)，即得到故障检测结果。

本发明的有益效果是：本发明公开了基于FFT和全连接层-SVM的滚动轴承故障诊断方法，与现有技术相比，本发明的改进之处在于：

(1)针对滚动轴承的检测，本发明设计了基于FFT和全连接层-SVM的滚动轴承故障诊断方法，将快速傅里叶变换算法(FFT)与高斯基核函数SVM模型相结合，不依赖于卷积神经网络，只需要训练SVM分类器和全连接层即可完成，而且分类器的参数不需要人工优化，可以提高模型的训练速度和判断分类精度；分类精度高，滚动轴承振动实验数据集上达到100％的准确率；

(2)同时本发明所设计的滚动轴承的故障检测方法由于不需要卷积神经网络的卷积核运算，只有一层全连接层，使得其参数优化时间大为减少，检测时间缩短80％以上。

附图说明

图1为本发明滚动轴承故障检测方法的流程图。

图2为采用本发明的滚动轴承检测方法得到的频域振动信号的波谱图。

图3为采用传统的滚动轴承检测方法得到的时域振动信号的波谱图。

图4为采用本发明的滚动轴承检测方法得到的故障检测的准确率图。

图5为本发明1024维频域信号自动进行加权求和，得到10维频域故障特征的流程图。

具体实施方式

为了使本领域的普通技术人员能更好的理解本发明的技术方案，下面结合附图和实施例对本发明的技术方案做进一步的描述。

参照附图1-5所示的基于FFT和全连接层-SVM的滚动轴承故障诊断方法，包括以下步骤：

步骤S1：使用加速度传感器检测滚动轴承在正常、内圈故障、外圈故障和滚动体故障状态下的振动信号，得到包含正常和多个故障状态的振动信号的样本数据集，然后将样本数据集按照6:4的数据比例划分为训练数据集和测试数据集；

其中，所述的样本数据集包括滚动轴承正常时的振动信号的样本数据、滚动轴承内圈轻微故障时的振动信号的样本数据、滚动轴承内圈中等故障时的振动信号的样本数据、滚动轴承内圈严重故障时的振动信号的样本数据、滚动轴承外圈轻微故障时的振动信号的样本数据、滚动轴承外圈中等故障时的振动信号的样本数据、滚动轴承外圈严重故障时的振动信号的样本数据、滚动轴承滚动体轻微故障时的振动信号的样本数据、滚动轴承滚动体中等故障时的振动信号的样本数据、滚动轴承滚动体严重故障时的振动信号的样本数据；

所述的训练数据集包括60％的滚动轴承正常时的振动信号的样本数据、60％的滚动轴承内圈轻微故障时的振动信号的样本数据、60％的滚动轴承内圈中等故障时的振动信号的样本数据、60％的滚动轴承内圈严重故障时的振动信号的样本数据、60％的滚动轴承外圈轻微故障时的振动信号的样本数据、60％的滚动轴承外圈中等故障时的振动信号的样本数据、60％的滚动轴承外圈严重故障时的振动信号的样本数据、60％的滚动轴承滚动体轻微故障时的振动信号的样本数据、60％的滚动轴承滚动体中等故障时的振动信号的样本数据和60％的滚动轴承滚动体严重故障时的振动信号的样本数据；

所述的测试数据集包括40％的滚动轴承正常时的振动信号的样本数据、40％的滚动轴承内圈轻微故障时的振动信号的样本数据、40％的滚动轴承内圈中等故障时的振动信号的样本数据、40％的滚动轴承内圈严重故障时的振动信号的样本数据、40％的滚动轴承外圈轻微故障时的振动信号的样本数据、40％的滚动轴承外圈中等故障时的振动信号的样本数据、40％的滚动轴承外圈严重故障时的振动信号的样本数据、40％的滚动轴承滚动体轻微故障时的振动信号的样本数据、40％的滚动轴承滚动体中等故障时的振动信号的样本数据和40％的滚动轴承滚动体严重故障时的振动信号的样本数据；

步骤S2：将训练数据集和测试数据集中的振动信号数据进行快速傅里叶变换(FFT)，实现将原有练数据集和测试数据集中振动信号的时域振动信号变换得到训练数据集和测试数据集的1024维频域信号，所述快速傅里叶变换的具体过程为：

S2.1首先将训练数据集和测试数据集中的振动信号数据分别带入到快速傅里叶变换公式中，利用快速傅里叶变换公式将各个振动信号进行分解，得到振动信号的频域信号；

S2.2然后快速傅里叶变换提取到的频域信号取绝对值；

S2.3利用提取的各个维度频域信号除以样本数量，求出各个维度的频域信号的平均值；

S2.4对提取的频域信号进行排序，提取出幅值最大的前1024维频域信号；

步骤S3：由于步骤S2得到的各频域信号的性质不同，可能具有不同的数量级；当各信号的幅值相差很大时，如果直接用原始指标值进行分析，就会突出幅值较高的频域信号在综合分析中的作用，相对削弱幅值较低频域信号的作用，因此，为了避免幅值小的信号在后续的全连接层特征提取的过程中被幅值大的信号覆盖掉，保证结果的可靠性，需要对原始频域数据进行归一化化处理；这样可以让各个频域特征在后续的特征提取过程中都做出贡献，因此需要对步骤S2得到的频域信号取绝对值，并带入归一化公式进行归一化处理，得到频域特征相同的频域信号，所述归一化公式为：x^*＝x-x_min/x_max-x_min；

步骤S4：由于上述步骤S3归一化后得到的1024维频域信号数据量庞大，因此对上述步骤的1024维频域信号数据进行降维处理，减少数据量，其训练数据频域信号和测试数据频域信号降维的过程分别为：

将归一化处理后的训练数据频域信号接入到神经网络全连接层，利用神经网络全连接层对步骤S3的1024维训练数据频域信号自动进行加权求和，得到训练数据集的10维频域故障特征，将这10维频域故障特征输入到高斯基核函数SVM模型中，自适应的选择最优特征并进行故障诊断模型的训练，得到训练好的高斯基核函数SVM模型；

将归一化处理后的测试数据频域信号接入到神经网络全连接层，利用神经网络全连接层对步骤S3的1024维训练数据频域信号自动进行加权求和，得到测试数据集的10维频域故障特征；

所述对1024维频域信号自动进行加权求和，得到10维频域故障特征的具体过程为：

S4.1设初始的1024维的频域故障特征为a₁、a₂、……、a₂₀₁₃、a₂₀₁₄；

S4.2则得到的10维频域故障特征为：

其中：b₁、b₂、……、b₁₀为得到的频域故障特征；w_ij代表第i个初始频域信号的神经元和第j个得到频域神经元之间的权值系数(如图5所示)；

其中：所述的b₁、b₂、……、b₁₀等10维频域故障特征的是对S2和S3得到的初步提取的频域信号进行加权求和，全连接层中的每一个神经元都可以看做一个多项式，将频域信号的维度由1024维降低到10维，便于后面SVM分类器计算减少模型收敛时间。

且在步骤S4.2所述的权值系数w_ij在每次计算时，都利用反向传播算法根据每次计算结果的偏差自动优化连接层的w_ij，进而使提取出来的特征可以很好的反应滚动轴承当前的实际状态，保证分类结果的准确性，所述利用反向传播算法对w_ij进行自动优化的过程为：

对w_ij利用反向传播求导可得：

其中：η为学习率参数，

为对权重系数反向求导，这样可以根据每次计算结果的偏差自动优化连接层的权值参数；

步骤S5：将步骤S4得到的测试数据集的10维频域故障特征带入训练好的高斯基核函数SVM模型中，采用一对多法进行分类诊断，得到故障检测结果，并进行输出；所述的采用一对多法进行故障诊断的具体过程为：

S5.1将经步骤S4处理得到的10维测试数据频域特征进行训练，得到10个SVM，这些SVM用于得到10个分类类别，他们分别是C₁,C₂,C₃,C₄,C₅,C₆,C₇,C₈,C₉,C₁₀；

S5.2将步骤S5.1中的10个SVM进行抽取，在抽取训练集的时候，分别抽取：

(1)C₁所对应的向量作为正集，C₂,C₃,C₄,C₅,C₆,C₇,C₈,C₉,C₁₀所对应的向量作为负集；

(2)C₂所对应的向量作为正集，C₁,C₃,C₄,C₅,C₆,C₇,C₈,C₉,C₁₀所对应的向量作为负集；

......

(10)C₁₀所对应的向量作为正集，C₁,C₂,C₃,C₄,C₅,C₆,C₇,C₈,C₉所对应的向量作为负集；

S5.3然后使用步骤S5.2抽取的这10个SVM分别与步骤S4得到的训练好的高斯基SVM模型中进行训练，得到十个测试结果文件，每个测试结果文件对应一个结果f1(x),f2(x)...f10(x)；

S5.4从这10个结果中选出最大的结果值，作为最终的分类结果f_n(x)，即得到故障检测结果；

其中：选择最大的结果值的原因是最大的数据值代表轴承属于该类别的可能性最高。

实施例1

为了证明本方法的有效性，使用轴承振动数据来源于美国凯斯西储大学的开放数据集；该实验以电机驱动端和风扇端的轴承作为诊断对象，分别在测试轴承的内圈、滚动体以及外圈上采用电火花的加工方式引入单点损伤来模拟轴承的三种故障，其故障损伤尺度分别为0.007inch、0.014inch和0.021inch，然后在相似的工作状态下(负荷相等，转速接近)，由电机驱动端上侧的加速度传感器采集得到的故障信号，采样频率为12kHz。根据轴承故障的位置和尺寸将轴承的类别分为十种，以1024个数据点为一个样本，其中每个类别选择1600个样本(驱动端选择800个，风扇端选择800个)，共16000个实验样本。

进一步，随机选取各个状态60％的样本点组建训练数据集，剩余的样本点组建训练数据集。

进一步，对训练数据集和测试数据集进行快速傅里叶变换，提取频域信号，并选取前1024维频域信号作为初步的频域信号。

进一步，初步采集得到的1024维频域信号取绝对值，并进行归一化处理。

进一步，归一化处理后的1024维频域信号进入全连接层，经过全连接层的加权求和得到10维频域故障特征。

进一步，利用训练集的10维频域故障特征训练SVM分类器。

进一步，测试集的10维频域故障特征进入上一步训练得到的SVM分类器输出结果，与标签值进行比对，验证模型的实际效果。

实施例2

下面使用滚动轴承中的滚动体故障的实验数据对本发明方法的有效性进行验证：

步骤一：选取一个滚动体发生故障的滚动轴承，使其在相同的工作转速下，使用加速度传感器检测滚动轴承上滚动体的振动信号，并将采集到的振动信号分别使用本发明所述的数据处理方法和现有技术中卷积神经网络对振动信号数据进行处理；

步骤二，处理后，将数据的处理结果原始时域和频域振动信号随时间变化的波谱图进行显示，本发明所述处理的频域振动信号随时间变化的波谱图如图2所示，利用传统的卷积神经网络方法处理的原始时域振动信号随时间变化的波谱图如图3所示；

我们从图2可以看出，本发明所述的在轴承故障检测过程中的数据处理方法得到的频域振动信号随时间变化的波谱图波动规律、波峰点明确，我们可以快速、准确的判断滚动体的故障程度和故障位置；而图3所呈现的时域振动信号随时间变化的波谱图波动杂乱无序，且其波峰点并不明确，利用该图很难判断滚动体的故障程度和故障位置；因此，本发明所述的在轴承故障检测过程中的数据处理方法相比传统的卷积神经网络方法具有突出的优点。

步骤三，对快速傅里叶变换得到的频域信号经过神经网络全连接层的来进一步特征提取，从而得到适合后续SVM分类器进行分类的故障频域特征，这个特征提取的方法不需要像其他的快速傅里叶变换+SVM的过程那样进行复杂的参数优化，全连接层的参数优化是依据反向传播算法自动完成的，而且解释性好，分类精度高，模型收敛速度快。

实施例3

下面使用故障轴承对不同的滚动轴承的故障检测方法进行对比试验，进一步对本发明所述的检测方法进行验证：

步骤一：选取一组滚动轴承数据，所述轴承的故障情况如表1所示：

表1：滚动轴承的故障信息

步骤二，分别用时频特征+SVM、EMD+SVM、小波+SVM、CNN-SVM和本发明所述的FFT(快速傅里叶变换)+FC(全连接层)+SVM(支持向量机)等诊断方法对步骤一所述的故障轴承进行检测，将检测到的结果与上述表1的数据进行对比，得到各个检测方法的耗时和准确率的对比结果如表2所示：

表2：不同方法的准确率和消耗时间对比

从表2的结果可以看出，在同等条件下，本发明所述的FFT+FC+SVM的诊断方法具有100％的准确率，而且相比其他4种检测方法，本发明所述检测方法用时更短，仅需84s即可完成，相比其他检测方法，本发明具有用时短、检测精度高的优点；同时，我们通过所使用设备栏可以看出，本发明并没有用到GPU，相比其他4种检测方法，实施起来使用设备更少，其实施过程更加简单，因此可以看出，本发明所述的FFT+FC+SVM的诊断方法相比其他4种现有的检测方法具有突出的优点。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (2)

1.基于FFT和全连接层-SVM的滚动轴承故障诊断方法，其特征在于：包括以下步骤：

步骤S1：使用加速度传感器检测滚动轴承在正常、内圈故障、外圈故障和滚动体故障状态下的振动信号，得到包含正常和多个故障状态的振动信号的样本数据集，然后将样本数据集按照6:4的数据比例划分为训练数据集和测试数据集；

步骤S2：将训练数据集和测试数据集中的振动信号数据进行快速傅里叶变换，实现将原有练数据集和测试数据集中振动信号的时域振动信号变换得到训练数据集和测试数据集的1024维频域信号；

步骤S3：对步骤二得到的训练数据集和测试数据集的频域信号取绝对值，并代入归一化公式进行归一化处理，得到初步提取的振动信号的频域信号，使得各个频域信号的幅值相同，避免幅值小的信号在后续的全连接层特征提取的过程中被幅值大的信号覆盖掉；

步骤S2-S3所述的训练数据集和测试数据集的振动信号数据的处理变换过程为：

S2.1首先将训练数据集和测试数据集中的振动信号数据分别代入到快速傅里叶变换公式中，利用快速傅里叶变换公式将各个振动信号进行分解，得到振动信号的频域信号；

S2.2然后对快速傅里叶变换提取到的频域信号取绝对值；

S2.3利用提取的各个维度频域信号除以样本数量，求出各个维度的频域信号的平均值；

S2.4对提取的频域信号进行排序，提取出幅值最大的前1024维频域信号；

S2.5对提取的1024维频域信号进行归一化处理，使得各个频域信号的幅值相同，避免幅值小的信号在后续的全连接层特征提取的过程中被幅值大的信号覆盖掉；

步骤S4：将归一化处理后的训练数据频域信号接入到神经网络全连接层，利用神经网络全连接层对步骤S3的1024维训练数据频域信号自动进行加权求和，得到训练数据集的10维频域故障特征，将这10维频域故障特征输入到高斯基核函数SVM模型中，自适应的选择最优特征并进行故障诊断模型的训练，得到训练好的高斯基核函数SVM模型；

将归一化处理后的测试数据频域信号接入到神经网络全连接层，利用神经网络全连接层对步骤S3的1024维训练数据频域信号自动进行加权求和，得到测试数据集的10维频域故障特征；

步骤S4所述的频域信号数据自动进行加权求和的具体过程如下：

S4.1设初始的1024维的频域故障特征为

；

S4.2则得到的10维频域故障特征为：

其中：b₁、b₂、……、b₁₀为得到的频域故障特征；

代表第i个初始频域信号的神经元和第j个得到频域神经元之间的权值系数；

步骤S4.2所述的权值系数

在每次计算时，都利用反向传播算法根据每次计算结果的偏差自动优化连接层的

，进而使提取出来的特征反映滚动轴承当前的实际状态，保证分类结果的准确性，所述利用反向传播算法对

进行自动优化的过程为：

对

利用反向传播求导可得：

其中：

为学习率参数，

为对权重系数反向求导，这样可以根据每次计算结果的偏差自动优化连接层的权值系数；

步骤S5：将步骤S4得到的测试数据集的10维频域故障特征代入训练好的高斯基核函数SVM模型中，采用一对多法进行分类诊断，得到故障检测结果，并进行输出。

2.根据权利要求1所述的基于FFT和全连接层-SVM的滚动轴承故障诊断方法，其特征在于：步骤S5的诊断过程为：

S5.1将经步骤S4处理得到的10维测试数据频域特征进行训练，得到10个SVM，这些SVM用于得到10个分类类别，分别是

；

S5.2将步骤S5.1中的10个SVM进行抽取，

在抽取训练集的时候，分别抽取：

（1）

所对应的向量作为正集，

所对应的向量作为负集；

（2）

所对应的向量作为正集，

所对应的向量作为负集；

......

（10）

所对应的向量作为正集，

所对应的向量作为负集；

S5.3然后使用步骤S5.2抽取的这10个SVM分别与步骤S4得到的训练好的高斯基SVM模型中进行训练，得到十个测试结果文件，每个测试结果文件对应一个结果

；

S5.4从这10个结果中选出最大的结果值，作为最终的分类结果

，即得到故障检测结果。

Images