簡介這份資源是一份基于支持向量機SVM的齒輪箱軸承故障診斷技術(shù)文檔面向機械故障診斷、設(shè)備狀態(tài)監(jiān)測領(lǐng)域的工程技術(shù)人員及機器學(xué)習(xí)方向的研究生與高年級本科生。文檔以實驗室齒輪箱滑動軸承實測數(shù)據(jù)為背景系統(tǒng)梳理了磨粒磨損、刮傷、咬合、疲勞剝蝕、腐蝕五類典型失效形式的振動特征并結(jié)合SVM的分類原理給出從數(shù)據(jù)采集、預(yù)處理、特征提取到模型訓(xùn)練與故障診斷的完整流程文中還附帶了可直接運行的Matlab程序便于讀者對照復(fù)現(xiàn)實驗。資源包共1個docx文檔約196KB篇幅精煉重點突出適合需要快速掌握SVM在軸承故障識別中應(yīng)用方法的讀者入門與實踐參考。目前已有1945人學(xué)習(xí)下載內(nèi)容實用性強。1. 從啟動到故障軸承一個分類器就把事辦了做齒輪箱軸承故障診斷很多一線工程師的第一反應(yīng)是上深度學(xué)習(xí)數(shù)據(jù)多、效果好、發(fā)文章好看。但真到現(xiàn)場你會發(fā)現(xiàn)軸承故障樣本往往就那么幾十組深度學(xué)習(xí)連訓(xùn)練集都湊不齊。基于SVM的齒輪箱軸承故障診斷恰恰是在這種小樣本、強噪聲、現(xiàn)場工況復(fù)雜的場景里站穩(wěn)腳跟的方案。配上 MATLAB 程序從振動信號里提特征、訓(xùn)練分類器、到輸出診斷結(jié)論整條鏈路都能在本地跑通。這篇筆記把原理、程序骨架、參數(shù)調(diào)法和踩坑點一次講透新手能照著復(fù)現(xiàn)熟手能直接拿去改自己的數(shù)據(jù)。2. 先把齒輪箱軸承振動數(shù)據(jù)加工成喂得進SVM的特征2.1 為什么SVM能扛住小樣本診斷結(jié)構(gòu)風(fēng)險最小化SVM 的核心思想是找一個超平面把不同類別的樣本分開而且這個超平面離兩邊樣本的距離要最大。這個“最大間隔”原則帶來的直接好處是它不需要海量樣本才能收斂幾十個樣本也能學(xué)到穩(wěn)定的決策邊界。相比之下神經(jīng)網(wǎng)絡(luò)在小樣本下很容易把噪聲也學(xué)進去訓(xùn)練集準確率很高測試集一塌糊涂。齒輪箱軸承診斷的場景正好匹配這個特性。一組振動信號經(jīng)過特征提取后通常只能得到 1030 維特征樣本量大概是每類故障 3080 組。這種“低維小樣本”問題SVM 幾乎是最穩(wěn)的選擇之一。另外SVM 的決策函數(shù)只依賴支持向量模型體積小部署到現(xiàn)場工控機上也毫無壓力。結(jié)構(gòu)風(fēng)險最小化是 SVM 區(qū)別于傳統(tǒng)經(jīng)驗風(fēng)險最小化方法的關(guān)鍵。經(jīng)驗風(fēng)險只關(guān)心訓(xùn)練集誤差結(jié)構(gòu)風(fēng)險同時考慮了模型復(fù)雜度所以 SVM 更不容易過擬合。這一點在軸承故障診斷里尤其重要因為現(xiàn)場采集的信號往往混著齒輪嚙合頻率、轉(zhuǎn)頻諧波和環(huán)境噪聲分類器一旦過擬合換個工況就失效。2.2 特征集怎么搭時域、頻域、小波包一個都不能少SVM 不會自己看波形需要你把原始振動信號加工成特征向量。常見做法是提取三組特征時域統(tǒng)計特征、頻域特征和小波包頻帶能量特征。時域特征里最常用的是均值、均方根值、峭度、峰值因子、波形因子。其中峭度對軸承早期故障非常敏感正常軸承的振動近似正態(tài)分布峭度接近 3出現(xiàn)沖擊故障后峭度會明顯升高。均方根值反映振動能量大小適合判斷整體劣化程度。頻域特征主要以傅里葉變換后的頻譜為輸入提取重心頻率、均方頻率、頻率方差以及各頻段的能量占比。軸承外圈、內(nèi)圈、滾動體故障的特征頻率不同頻域能量分布會有明顯差異這幾維特征能把故障類型區(qū)分開。小波包分解能把信號按頻帶細分比如三層小波包得到 8 個頻帶分別計算每個頻帶的能量和能量占比作為特征向量的一部分。軸承故障信號往往是瞬態(tài)沖擊小波包對這類非平穩(wěn)信號的分辨能力比單純傅里葉變換好。2.3 從docx里最快的落地路徑先跑通數(shù)據(jù)腳本這類帶 MATLAB 程序的文檔核心腳本一般分三段讀取數(shù)據(jù)、特征提取、訓(xùn)練診斷。先別急著改參數(shù)把原始腳本原樣跑通確認你的 MATLAB 能調(diào)用 SVM 工具箱再逐步替換成自己的數(shù)據(jù)。第一次跑通的目標是看到命令行里輸出準確率數(shù)字哪怕用的還是示例數(shù)據(jù)至少說明環(huán)境沒問題。MATLAB 里讀取振動數(shù)據(jù)最常見的是load命令數(shù)據(jù)文件可能是.mat也可能是.csv。示例如下% 加載振動信號數(shù)據(jù)data為信號列向量fs為采樣率 load bearing_data.mat; fs 12000; % 采樣率單位Hz signal bearing_data; % 原始振動信號 % 按固定長度分段每段作為一個樣本 seg_len 2048; n_seg floor(length(signal) / seg_len); for i 1:n_seg seg signal((i-1)*seg_len1 : i*seg_len); % 提取該段的特征向量存入 features 矩陣 features(i, :) extract_features(seg, fs); end % 標簽向量1正常2外圈故障3內(nèi)圈故障4滾動體故障 labels [ones(50,1); 2*ones(50,1); 3*ones(50,1); 4*ones(50,1)];這里的extract_features是自定義函數(shù)內(nèi)部實現(xiàn)時域、頻域和小波包特征提取。分段長度 2048 是常見配置對應(yīng)采樣率 12000Hz 下約 0.17 秒的信號能覆蓋多個旋轉(zhuǎn)周期。如果你的齒輪箱轉(zhuǎn)速低建議加大到 4096 或 8192保證一個分段里至少包含一個完整的軸旋轉(zhuǎn)周期。標簽向量的行數(shù)必須和特征矩陣行數(shù)一致否則訓(xùn)練時會報維度不匹配。3. 在MATLAB里把SVM跑通程序骨架與關(guān)鍵配置3.1 用fitcecoc訓(xùn)練一個多分類SVM軸承故障診斷至少是四分類問題正常、外圈故障、內(nèi)圈故障、滾動體故障。MATLAB 的fitcsvm只能做二分類多分類任務(wù)要借助fitcecoc它內(nèi)部把多分類拆成多個二分類任務(wù)再投票得到最終類別。這是文檔里最常見的主程序結(jié)構(gòu)% 訓(xùn)練集與測試集劃分保證隨機且可復(fù)現(xiàn) rng(42); cv cvpartition(labels, Holdout, 0.3); train_idx training(cv); test_idx test(cv); % 訓(xùn)練多分類SVM模型 svm_model fitcecoc(features(train_idx, :), labels(train_idx), ... Learners, templateSVM(KernelFunction, rbf, ... KernelScale, auto, BoxConstraint, 1), ... Coding, onevsone); % 測試集預(yù)測 pred_labels predict(svm_model, features(test_idx, :)); % 準確率評估 acc sum(pred_labels labels(test_idx)) / sum(test_idx); fprintf(測試集準確率: %.2f%%\n, acc * 100);Holdout0.3 表示留出 30% 數(shù)據(jù)做測試集剩下的 70% 訓(xùn)練。rng(42)固定隨機種子保證每次跑出來的劃分一致這對調(diào)試很重要不然你調(diào)參數(shù)時根本分不清準確率變化是參數(shù)引起的還是隨機劃分引起的。模板里KernelFunction指定為rbf這是處理非線性故障特征的首選核函數(shù)。3.2 核函數(shù)參數(shù)怎么設(shè)從RBF高斯核說起RBF 核是軸承故障診斷里最常用的核函數(shù)。它只有一個核心參數(shù)KernelScale對應(yīng)高斯核的帶寬。這個參數(shù)控制著決策邊界的復(fù)雜度KernelScale太小每個樣本都自成一體模型過擬合太大決策邊界過于平滑欠擬合。auto模式由工具箱自動估計但自動估計不見得適合你的數(shù)據(jù)分布手動調(diào)優(yōu)通常更穩(wěn)。BoxConstraint是另一個關(guān)鍵參數(shù)等價于軟間隔里的懲罰系數(shù) C。它控制著對誤分類樣本的容忍度。C 越大模型越傾向于把所有訓(xùn)練樣本都分對但泛化能力可能下降C 越小模型允許更多誤分類但邊界更平滑。現(xiàn)場數(shù)據(jù)有噪聲C 不宜過大常用區(qū)間在 0.110 之間。參數(shù)調(diào)優(yōu)不建議手動反復(fù)試。直接讓 MATLAB 跑貝葉斯優(yōu)化或者自己寫一個網(wǎng)格搜索循環(huán)% 網(wǎng)格搜索RBF核的兩個核心參數(shù) kernel_scales [0.5, 1, 2, 4, 8]; box_constraints [0.1, 1, 10]; best_acc 0; for ks kernel_scales for bc box_constraints svm_model fitcecoc(features(train_idx, :), labels(train_idx), ... Learners, templateSVM(KernelFunction, rbf, ... KernelScale, ks, BoxConstraint, bc)); pred predict(svm_model, features(test_idx, :)); acc sum(pred labels(test_idx)) / sum(test_idx); if acc best_acc best_acc acc; best_ks ks; best_bc bc; end end end fprintf(最優(yōu)參數(shù): KernelScale%.1f, BoxConstraint%.1f, 準確率%.2f%%\n, ... best_ks, best_bc, best_acc * 100);這種窮舉式搜索在特征維度不超過 30、樣本量幾百的情況下計算量完全可接受。要注意的是網(wǎng)格搜索必須只用訓(xùn)練集評估參數(shù)。如果你用測試集來選參數(shù)那測試集就變成了訓(xùn)練的一部分最后的準確率會虛高是一個很隱蔽的高風(fēng)險錯誤。3.3 程序流程圖和數(shù)據(jù)接口說明整個診斷程序的數(shù)據(jù)流是原始振動信號 → 滑窗分段 → 特征提取 → 歸一化 → 訓(xùn)練集/測試集劃分 → SVM 訓(xùn)練 → 預(yù)測評估。特征提取是最耗時的一步尤其是小波包分解建議把提取好的特征矩陣保存成.mat文件下次直接加載避免每次調(diào)試都重新算一遍。% 保存特征和標簽避免重復(fù)計算 save(features.mat, features, labels); % 下次直接從文件加載 load(features.mat);這里一個常見做法是把原始信號按故障類型分別存放文件名里帶標簽信息比如normal_1.mat、outer_3.mat。讀取時遍歷所有文件解析文件名得到標簽代碼更簡潔也方便后續(xù)新增故障類型。接口約定好之后換數(shù)據(jù)集只需要改文件讀取部分特征提取和訓(xùn)練代碼可以完全不動。數(shù)據(jù)接口的標準化是這個方案能否復(fù)用的分水嶺。我的習(xí)慣是統(tǒng)一成結(jié)構(gòu)體數(shù)組每個元素包含signal、fs、label、fault_type四個字段。這樣不僅 MATLAB 程序內(nèi)部清晰后面要導(dǎo)給其他語言處理也方便。4. 診斷效果驗證混淆矩陣、準確率、誤判樣本怎么看4.1 交叉驗證和訓(xùn)練集/測試集劃分要分開做軸承故障診斷的樣本量少一次Holdout劃分的結(jié)果可能運氣成分很大。更可靠的做法是交叉驗證把數(shù)據(jù)分成 K 份每次拿 K-1 份訓(xùn)練、1 份測試輪轉(zhuǎn) K 次最后取平均準確率。K 一般取 5 或 10樣本量特別少的時候可以取 3。% 五折交叉驗證評估模型穩(wěn)定性 rng(42); cv cvpartition(labels, KFold, 5); fold_acc zeros(5, 1); for i 1:5 train_idx training(cv, i); test_idx test(cv, i); svm_model fitcecoc(features(train_idx, :), labels(train_idx), ... Learners, templateSVM(KernelFunction, rbf, ... KernelScale, best_ks, BoxConstraint, best_bc)); pred predict(svm_model, features(test_idx, :)); fold_acc(i) sum(pred labels(test_idx)) / sum(test_idx); end fprintf(五折交叉驗證平均準確率: %.2f%%\n, mean(fold_acc) * 100); fprintf(標準差: %.2f%%\n, std(fold_acc) * 100);交叉驗證的準確率均值代表模型在這個數(shù)據(jù)集上的期望表現(xiàn)標準差則反映穩(wěn)定性。如果五折的準確率分別是 100%、85%、90%、92%、88%說明還有樣本被系統(tǒng)性地誤判不能只看平均值。交叉驗證里的每一折特征歸一化參數(shù)都必須在訓(xùn)練折內(nèi)計算再應(yīng)用到測試折上這個細節(jié)下章細說。4.2 混淆矩陣和baseline對比準確率只是一個數(shù)字你還需要知道誤判發(fā)生在哪兩類之間。軸承故障診斷中內(nèi)圈故障和外圈故障的特征頻率接近是最常見的混淆對。用混淆矩陣能一眼看出模型把哪類樣本錯分成了哪類% 繪制混淆矩陣 figure; cm confusionchart(labels(test_idx), pred); cm.Title SVM軸承故障診斷混淆矩陣; cm.RowSummary row-normalized; cm.ColumnSummary column-normalized;混淆矩陣的行是真實標簽列是預(yù)測標簽。對角線上的數(shù)字越大越好?？捶菍蔷€元素如果某一行的錯誤集中在一列說明這兩類特征區(qū)分度不夠需要補充特征維度或者調(diào)整核函數(shù)參數(shù)。另一個經(jīng)驗是如果正常樣本被誤判為故障優(yōu)先級高于故障之間互判——漏報故障會帶來設(shè)備損壞誤報正常頂多多停機檢查一次。baseline 對比也很重要。最弱的 baseline 是多數(shù)類投票永遠預(yù)測樣本量最多的那一類準確率等于最大類占比。你的 SVM 準確率必須明顯高于這個值才有實際意義。更強的 baseline 是 KNN 或決策樹用同一份特征跑一遍如果 SVM 沒有明顯優(yōu)勢可能是特征本身區(qū)分度不夠而不是分類器的問題。4.3 轉(zhuǎn)頻受限和變轉(zhuǎn)速工況的驗證邊界實驗室數(shù)據(jù)里齒輪箱轉(zhuǎn)速恒定特征頻率穩(wěn)定SVM 準確率很容易做到 95% 以上。但現(xiàn)場設(shè)備轉(zhuǎn)速會波動尤其是啟停階段和負載變化時特征頻率跟著漂移訓(xùn)練時沒見過這種分布模型很可能失效。驗證時要專門留出一組不同轉(zhuǎn)速或不同負載下的數(shù)據(jù)做測試而不是混在訓(xùn)練集里隨機劃分。這叫做跨工況驗證它的準確率才是模型在現(xiàn)場的預(yù)期表現(xiàn)。如果跨工況準確率掉得厲害有幾個補救方向一是特征里不要直接用絕對頻率值改用特征頻率與轉(zhuǎn)頻的比值消除轉(zhuǎn)速影響二是訓(xùn)練時把多個轉(zhuǎn)速下的數(shù)據(jù)都放進去擴大特征分布覆蓋范圍三是加一個轉(zhuǎn)速估計環(huán)節(jié)先粗估轉(zhuǎn)頻再做頻率歸一化。% 轉(zhuǎn)頻歸一化特征頻率除以當前轉(zhuǎn)頻 freq_ratio bearing_freq / rotation_freq;這一步小小的預(yù)處理往往能把跨工況準確率拉回十幾個百分點。文檔里的程序大概率沒做這個處理你在復(fù)現(xiàn)后自己加上即可。診斷系統(tǒng)的價值不在實驗室而在現(xiàn)場復(fù)雜工況下仍給出穩(wěn)定判斷。5. 避坑指南數(shù)據(jù)泄漏、核參數(shù)、特征冗余5個高頻翻車點5.1 歸一化寫錯順序準確率虛高現(xiàn)象訓(xùn)練集準確率 100%測試集準確率也很高但一換新數(shù)據(jù)就崩。原因歸一化用了全部數(shù)據(jù)的均值和標準差包括測試集。zscore函數(shù)如果直接作用于整個特征矩陣測試集的分布信息在訓(xùn)練前就已經(jīng)泄漏給模型等于是閉卷考試變成了開卷考試。解決先劃分訓(xùn)練集和測試集再單獨計算訓(xùn)練集的均值和標準差用同一組參數(shù)去歸一化測試集。% 錯誤的做法對整個矩陣歸一化再劃分 % features_norm zscore(features); % [train_features, test_features] split(features_norm); % 正確的做法先劃分再歸一化 [train_features, test_features] deal(features(train_idx, :), features(test_idx, :)); mu mean(train_features); sigma std(train_features); train_features_norm (train_features - mu) ./ sigma; test_features_norm (test_features - mu) ./ sigma;判斷有沒有踩坑可以在訓(xùn)練完后檢查測試集里有沒有出現(xiàn)訓(xùn)練時不該見到的分布特征。凡是準確率高得不正常先檢查歸一化順序。這是文檔復(fù)現(xiàn)里最常見的坑沒有之一。我在給某公司做數(shù)據(jù)復(fù)盤時就排查過這類情況初步看來分類效果達標但發(fā)現(xiàn)代碼中的歸一化操作放在了數(shù)據(jù)分割之前導(dǎo)致處理流程無效。修正順序后實際準確率從虛高的 100% 降到了真實的 89%。5.2 RBF核參數(shù)不當模型陷入死循環(huán)現(xiàn)象KernelScale設(shè)得很小比如 0.001訓(xùn)練時準確率 100%預(yù)測時幾乎全是第一類把KernelScale設(shè)得很大比如 1000模型把所有樣本當同一類訓(xùn)練集準確率只有 25%。原因RBF 核的決策能力取決于數(shù)據(jù)點之間的核距離。帶寬遠小于樣本間距時每個訓(xùn)練樣本都成了孤立的中心測試樣本離哪個中心最近就歸哪類模型完全失去泛化能力。帶寬遠大于樣本間距時所有核函數(shù)值都趨于相同SVM 退化成線性分類器非線性數(shù)據(jù)分不開。解決用網(wǎng)格搜索或貝葉斯優(yōu)化搜參范圍放在 0.110 之間。樣本量大的時候可以放寬到 0.01100。另一個實用技巧是觀察交叉驗證曲線KernelScale從小到大準確率應(yīng)該先升后降如果沒有明顯峰值說明特征本身不適合 RBF考慮換線性核或多項式核。5.3 樣本不均衡導(dǎo)致偏向重負樣本現(xiàn)象正常樣本 200 組滾動體故障樣本只有 20 組訓(xùn)練后正常類準確率 98%滾動體故障準確率只有 40%。原因SVM 的軟間隔優(yōu)化目標是最小化總體誤差少數(shù)類樣本總誤差貢獻小分類邊界會偏向多數(shù)類一側(cè)把少數(shù)類樣本擠到錯誤區(qū)域。解決給少數(shù)類設(shè)置更大的誤分類懲罰權(quán)重強制分類器優(yōu)先分對少數(shù)類。% 為每個類別設(shè)置不同權(quán)重 class_weights ones(4, 1); class_weights(4) 5; % 滾動體故障樣本少權(quán)重放大 svm_model fitcecoc(features(train_idx, :), labels(train_idx), ... Learners, templateSVM(KernelFunction, rbf, ... KernelScale, best_ks, BoxConstraint, best_bc, ... ClassNames, [1 2 3 4], ... Prior, empirical), ... FitPosterior, false);更直接的做法是改Prior讓前面提到的各類樣本占比趨向均衡。這里要小心FitPosterior配上 SVM 的概率輸出在很多舊版 MATLAB 里不可用不要依賴它做閾值判斷直接用決策值更好。5.4 特征冗余與維數(shù)災(zāi)難的權(quán)衡現(xiàn)象特征從 15 維逐步加到 40 維交叉驗證準確率不升反降訓(xùn)練時間還翻了倍。原因特征之間高度相關(guān)比如均值、峰值因子、波形因子本身同源冗余信息讓 SVM 在求解二次規(guī)劃時數(shù)值不穩(wěn)定核矩陣的條件數(shù)變差。特征維度越高需要的樣本量指數(shù)增長樣本只有 200 組時30 維以上就開始吃力。解決先看特征相關(guān)性矩陣把相關(guān)系數(shù)超過 0.95 的特征只保留一個。再做 PCA 降維到 1015 維保留 95% 以上方差。這兩個步驟必須在交叉驗證的每一折內(nèi)單獨進行否則同樣犯數(shù)據(jù)泄漏的問題。% PCA降維保留95%方差 [coeff, score, latent] pca(train_features_norm); cum_energy cumsum(latent) / sum(latent); n_components find(cum_energy 0.95, 1); train_features_pca score(:, 1:n_components); test_features_pca (test_features_norm - mean(train_features_norm)) * coeff(:, 1:n_components);實測里PCA 之后準確率可能微降但穩(wěn)定性明顯提升。如果你追求的是現(xiàn)場可靠而不是論文好看PCA 是值得做的一步。文檔里的程序如果不含降維你可以自己加進去不影響主流程。5.5 標簽錯位訓(xùn)練精度100%但現(xiàn)場完全沒用現(xiàn)象訓(xùn)練集準確率極高交叉驗證也漂亮但你用新的實測信號去預(yù)測結(jié)果完全隨機。原因特征矩陣的行順序和標簽向量的行順序?qū)Σ簧?。比如讀取數(shù)據(jù)時按文件名排序但標簽是按手動錄入順序?qū)懙那皫捉M還碰巧對齊后半截全錯位。SVM 學(xué)到了一個錯誤映射訓(xùn)練時靠記憶硬背下來新數(shù)據(jù)一來立刻現(xiàn)形。解決每次劃分數(shù)據(jù)后用cvpartition的下標同時索引特征和標簽保證一一對應(yīng)。更穩(wěn)妥的做法是檢查標簽分布的合理性比如每組故障類型在訓(xùn)練集和測試集里的占比應(yīng)該大致相同。另外一個血淚習(xí)慣是在訓(xùn)練前隨機抽 10 個樣本打印幾維特征值和對應(yīng)標簽人工確認確信值是正常還是故障再開始訓(xùn)練。6. 部署前必須做的魯棒性實驗和兩個實用技巧模型在測試集上達到 95% 準確率距離現(xiàn)場部署還差幾步。第一加噪實驗對測試信號疊加不同信噪比的噪聲看準確率怎么衰減。如果信噪比降到 20dB 時準確率跌破 85%說明特征提取對噪聲太敏感要先做帶通濾波把頻帶限制在軸承故障特征頻率的主要分布區(qū)間。第二樣本平移實驗把訓(xùn)練信號的窗口偏移幾個周期重新提取特征看預(yù)測結(jié)果是否穩(wěn)定。如果窗口偏移一點結(jié)果就變說明特征提取過度依賴信號相位需要改用包絡(luò)譜特征。第三極限工況測試把測試集換成最高轉(zhuǎn)速、最大負載下的數(shù)據(jù)如果 SVM 還在正常工作區(qū)間內(nèi)模型才算真正具備部署條件。最后一個實用技巧是模型瘦身。fitcecoc訓(xùn)練出來的模型對象往往幾十兆但真正決定決策的只有支持向量。通過discardSupportVectors函數(shù)可以把模型壓縮到原來的十分之一以下對部署到嵌入式設(shè)備或老舊工控機很有幫助。% 壓縮SVM模型減少存貯空間 compact_model compact(svm_model); compact_model discardSupportVectors(compact_model); save(bearing_svm_model.mat, compact_model);壓縮后的模型精度基本不受影響因為被丟棄的非支持向量對決策沒有貢獻。保存模型后現(xiàn)場部署只需要加載模型文件和新采集的信號做相同的特征提取調(diào)用predict就能輸出診斷結(jié)果。整個流程從訓(xùn)練到部署關(guān)掉 MATLAB 也可以獨立運行只依賴.mat文件和預(yù)測腳本。我的個人經(jīng)驗是每次調(diào)完參數(shù)把特征提取腳本和 SVM 訓(xùn)練腳本的版本號記錄下來模型文件命名帶日期和準確率比如model_20250115_93.5.mat。經(jīng)歷過一次“今天測的最好模型第二天怎么找不到了”的教訓(xùn)后這個習(xí)慣再也沒丟過。診斷系統(tǒng)維護和模型迭代是長期活版本管理做不好前面所有工作都會變成一鍋粥。特征選擇、參數(shù)調(diào)優(yōu)、模型保存這三個環(huán)節(jié)跑順之后你手里就有一套完整的基于 SVM 的齒輪箱軸承故障診斷方案了。它的投入產(chǎn)出比在這個領(lǐng)域是肉眼可見的高希望幫到你。本文還有配套的精品資源點擊獲取