机器学习在轴承故障诊断中的应用

吴希明，吴英友，王 鑫，李成锋，张方海

（1.中海油能源发展股份有限公司湛江采油服务文昌分公司，广东 湛江 524057；2.广东海洋大学海洋工程学院，广东 湛江 524088）

0 引言

随着科技的进步与发展，现代机械设备作为现代工业中最重要的一环，也得到快速发展，各种机械设备功能越来越多，结构越来越复杂。旋转机械作为现代机械设备最具代表性的机械之一，其重要性不言而喻。而轴承是旋转机械中关键的组件之一，同样也是其中最脆弱的组件，轴承状态可以影响整个机械系统的运行，因此为避免更大的经济损失，通常会对轴承进行早期故障诊断，及时发现轴承存在的各种隐患，避免因轴承的故障导致的巨大经济损失和人员伤亡。

轴承运行时，由于各零件之间的相互连接而产生相互作用，不同的故障位置，最终采集到的振动信号也是不同的，通过传感器对机械运行时的振动数据进行采集，可以得到反映机器状态的振动数据。由于现代机械的复杂多样化，振动信号也是非常多样可变的，同时还有各种复杂的噪声干扰，几乎很难直接识别信号，因此想要通过数据驱动方法来实现故障诊断，最重要的就是对数据内在特征进行提取与识别。而机器学习凭借其强大的数据分类能力，吸引了众多故障诊断研究人员的目光，将机器学习算法应用在故障诊断领域内已成为当前热门的研究内容。

基于机器学习的故障诊断方法是需要向机器学习算法模型输入特征向量。进行故障诊断时，首先对传感器采集到的振动信号进行特征提取，然后基于数据集进行机器学习算法模型的构建，将提取到的特征输入机器学习算法模型，最后由机器学习对故障类型进行划分。故障诊断领域随着各种机器学习算法的加入，精度与效率相较以前有较大的提高，也使设备的安全得到了很好的保障。

本研究从理论和实践两方面探讨各种机器学习算法，同时也给从事该领域研究者在算法选择上提供一点参考意见。

1 机器学习算法理论及应用

机器学习算法以其可靠性、适应性和鲁棒性在故障检测系统中得到了广泛的应用，这些算法的应用有助于开发一个高效的系统。本研究将详细介绍一些在轴承故障诊断中常用的机器学习算法，包含支持向量机、决策树、k近邻、朴素贝叶斯、人工神经网络、深度学习以及迁移学习等轴承故障诊断的常用算法。

1.1 支持向量机

支持向量机（SVM）是一种监督式的学习方法，可以对数据进行二元分类。Vladimir Vapnik[1]在1994年首次引入了支持向量机概念。支持向量机在无限维空间中构造一个或一组超平面，通过选择其中边际最大的超平面作为最优决策边界。在处理二值分类问题时通过最优超平面来进行类的划分。对于一组给定的训练样本数据，进行两类标记，通过支持向量机建立训练模型，将未知的数据进行二类分配，这样就得到了一个非概率的二元线性分类模型，如图1所示。支持向量机除了支持线性分类外，同样也可以用于非线性分类，支持向量机将给定的输入映射到高维特征空间，然后利用核函数技巧将非线性分类问题转换为线性分类再进行分类。在处理分类问题时，分类向量的维数不会影响模型的分类性能，这一点使得该方法在轴承故障诊断领域中有着更好的泛化性能。

图1 支持向量机模型

支持向量机是轴承故障诊断的有力工具之一。并且在轴承故障诊断领域得到了广泛应用。孟宗等[2]利用经验模式（DEMD）来对信号进行分解，由所得分量计算模糊熵，然后作为输入，通过SVM对故障进行分类诊断。齐咏生等[3]为解决基于数据的传统诊断算法无法充分挖掘非平稳信号内部信息的问题，提出用熵价值法筛选信息最多的模态组成特征向量，作为支持向量机的输入。Guo[4]将包络谱中提取的振动故障特征作为一种新的“一对一”支持向量机算法的输入，解决了支持向量机的二分类局限性。Francos等[5]将监测轴承振动信号的包络分析提取的特征作为一类支持向量机模型的输入，以区分健康数据和故障数据。进一步对故障数据进行分析，确定具体的特征故障频率，从而诊断故障类型。

为了开发高效的故障检测系统，近年来研究了多种支持向量机结构。Deng等[6]通过粒子群优化算法对最小二乘支持向量机进行最优参数选择，将其应用于电机轴承的故障诊断。Wang等[7]针对可扩展性好、计算速度快等研究，提出了一种超球结构的多类支持向量机。主要思想是，为每个类构建一个超球，超球模型针对与轴承故障相关的每个故障类进行调整。Salahshoor等[8]将一个通用框架与自适应神经模糊推理系统分类器集成到SVM分类器中，以增强故障检测和诊断的目的。李怡等[9]为解决传统svm模型在故障诊断中存在的参数过多，调优速度慢等特点，提出了一种基于多尺度熵与麻雀搜索算法-支持向量机（SSA-SVM）相结合的故障诊断方法。杨婧等[10]提出一种基于相关度分析与网格搜索算法（GS）优化支持向量机（SVM）的轴承故障诊断方法。采用GS算法对SVM的惩罚参数c和核函数参数g进行寻优，以此提高故障诊断的准确率。

1.2 决策树

决策树（DT）是一种非常经典的监督式机器学习算法，拥有逆树状结构，是常用的一种分类方法。决策树模仿的是树形结构，通常以一个根节点作为起始点，该节点分支到不同可能的内部节点，每一个内部节点都可以表示为一个输入特征，对比不同内部节点的期望值，按选定决策标准筛选出最佳方案。每个叶子节点都有对应的一类标签，决策树通过把数据样本分配到某个叶子节点来确定样本数据所属类别。图2介绍了树形图的组成部分。

图2 决策树树形图

决策树中ID3、C4.5、CART等常见算法由于其解决分类问题的优秀能力，常被应用于故障诊断场景，其中C4.5更是取得了非常良好的效果。在轴承故障诊断领域类，一般是利用决策树的分类特性来作为分类器进行故障分类。Sugumaran等[11]利用决策树从特征集自动生成规则，形成模糊分类器，利用该分类器对测试数据进行故障分类。赵庆恩等[12]通过小波包对故障特征进行提取，然后输入C4.5决策树分类器进行故障诊断。Amarnath等[13]利用决策树从声音信号中提取的多个特征中选择重要的故障特征，再输入C4.5决策树进行轴承故障的分类。Muralidharan等[14]基于连续小波变换提取特征，采用基于决策树算法进行分类，提供合理的分类精度。Sun等[15]利用主成分分析对特征进行降维，然后将最优特征作为输入用决策树进行故障分类，分类效果良好。在大多数情况下，决策树与其他分类器一起用于高效的故障检测系统。

1.3 K最近邻

K-最近邻算法（KNN）是由Cover[16]在1968年提出的一种监督学习算法，常用于分类问题的处理上。KNN是一种区分性、非参数性及基于实例的分类器模型，无法对数据集中的每个类的分布做出任何明确的假设，适用于非线性及非高斯的数据集，这一特性使其非常适合处理轴承故障数据。KNN在训练期间不会直接的学习模型，只会将训练实例作为预测目的的知识。KNN分类的核心思维即，对于一任意输入的样本向量将其映射到特征空间对应的点，此特征空间中对应输入样本向量的点的k个最近邻中，大多数样本所属的类别，即将输入样本也划分到同样类别中。

如图3所示，方框和三角分别代表不同的类别，要判断一个未知类别的样本圆属于哪一类型，过程如下：

（1）计算圆到特征空间每一个方框和三角的距离.

（2）选择合适的k值。

（3）找出特征距离圆最近的k个点。

（4）统计方框和三角在k个点里的概率。

（5）将圆分配到概率高的样本中。

图3 K近邻判别模型

KNN模型中，对每一个输入的样本，当所有参数确定后，所属类唯一确定。通过测量距离、k值以及决策规则，可将映射特征空间分割成一个个子空间，对于每一个子空间内的点都有对应的所属的类。

He等[17]从固有模式函数中提取时域和频域特征，用于轴承故障诊断的KNN分类器的输入。Jiang等[18]使用从半监督核边缘fisher分析中提取的特征，输入KNN分类器，可以区分不同的故障类别和严重程度。陈法法等[19]基于时域、频域、时频域信号处理方法计算滚动轴承早期故障的特征指标量，构造混合域特征集，输入KNN实现故障的早期诊断。姚武军等[20]使用集合模态分解（EEMD）分解滚动轴承振动信号，计算并挑选较大能量熵构建特征向量，输入KNN模型识别故障类型。

数据的非线性和高维性增加了要估计的分类器参数的数量，将会引发维度诅咒这一问题，这可能导致分类器提供有偏差的估计，从而对轴承故障诊断提出重大挑战。为了克服这一限制，通常在使用KNN作为分类器时，需要将所选特征向量进行降维，避免维度灾难的发生。将降维后的特征作为输入，通常能得到较好的分类结果。Zhou等[21]使用最近成分分析来减少从振动数据中提取的训练特征向量的维数，用于轴承故障分类的KNN算法。蔡锷等[22]利用主成分分析对高维特征向量进行降维，在低维空间中用KNN进行故障的分类识别。黄国荣等[23]利用主成分分析对原始非线性时间序列数据的特征向量进行降维，并选取其中主成分特征向量。将得到的主成分特征向量作为KNN的输入进行故障分类。

1.4 朴素贝叶斯

朴素贝叶斯是一种生成概率模型，具有较高的学习和预测效率，特征向量之间的独立假设性强，即类中某个特征的存在与任何其他特征都没有关系。且由于该模型通常需要先验知识，所以朴素贝叶斯方法只适用于独立特征向量。通过相互独立的特征向量，以贝叶斯定理为基础，构建一个基本方程，然后通过该方程去估计这一类后验概率的方法就是朴素贝叶斯分类方法。朴素贝叶斯模型简单，易于实现，所需估计参数少，对缺少数据不敏感，这些都使它在轴承故障诊断得到广泛应用。

轴承故障诊断领域，朴素贝叶斯分类器已经得到广泛的应用。Jin等[24]使用连续Morlet小波分析以及时间序列分析提取各种统计特征，在选择最优特征后输入集成贝叶斯分类器进行分类。Zhang等[25]通过检测基线数据和传入的新数据之间的偏差，提出了使用贝叶斯估计算法进行轴承健康评估，该算法提供了异常情况的概率以及给定的置信水平。姚成玉等[26]提出了一种基于熵权法的属性加权朴素贝叶斯分类器算法，利用改进小波包算法提取的特征向量作为输入，提高了故障诊断的精度

朴素贝叶斯方法通常适用于独立特征向量。然而，工业信号特征往往是相互依赖的，例如最常用的统计特征。因此，朴素贝叶斯的应用通常是经过一些降维操作来实现。Nguyen等[27]提出一种轴承早期故障的综合多故障诊断方法，利用LDA选择判别特征作为朴素贝叶斯分类器的输入，对故障种类进行分类。朱兴统[28]通过主成分分析对特征向量进行降维处理，再输入朴素贝叶斯模型进行故障分类。

1.5 人工神经网络

人工神经网络是一种监督学习算法，并在多领域得到非常广泛的应用。通常用在解决聚类、分类、回归和非线性函数估计等问题。人工神经网络最常见的形式包括三个组件：输入层、隐藏层、输出层。人工神经网络可以用输入层和隐含层之间的一组链路来表示，该链路由权重和相关偏差的倍数连接。人工神经网络是一种基于多个简单处理器或神经元的智能技术，如图4为神经网络的简单模型。

图4 人工神经网络结构图

输入神经元不参与任何处理，只是用来提供输入信号。而输出神经元则是通过对隐藏层中的单元进行处理来获得输出。隐层中的神经元作为处理单元，实现收敛解。通过使用偏差来避免零结果。在算法开始时，权值被随机分配，在每次迭代中，当训练数据被输入网络时，权值被相应地更新。对于简单神经网络，每个神经元与相邻层的每个神经元相连，没有横向连接。

大量的研究表明，神经网络具有强大的模式分类和模式识别能力。特别是在一些小数据集中，人工神经网络表现出了对故障信号和特征的良好非线性近似能力。因此，人工神经网络被广泛应用于轴承故障诊断领域。目前人工神经网络有非常多模型。本研究探讨几种常见于轴承故障诊断领域的网络模型，主要包括有多层感知器（MLP）、径向基（RBF）神经网络、概率神经网络（PNN）等。

多层感知器（MLP），是一种由各层单元组成的神经网络，只与后续层单元前向连接[29]，它已经在多个场景中得到应用。Rafiee等[30]采用16∶20∶5结构的输入-隐藏-输出层MLP网络进行齿轮箱轴承故障检测与识别。利用预处理信号小波包系数的标准差作为特征向量。Kankar等[31]比较了神经网络和支持向量机在转子轴承系统故障诊断中的性能。实验结果表明，在研究中考虑的情况下，神经网络的分类精度高于支持向量机。

径向基函数（RBF）基于函数逼近理论，是多元逼近和散乱数据插值的著名工具。尽管RBF神经网络和BP神经网络都可以逼近任何非线性函数，但RBF神经网络由于具有良好的全局收敛性、较快的收敛速度和良好的泛化能力而表现出优越的性能。张远绪等[32]通过建聚类算法改进RBF网络，利用该神经网络对轴承故障进行分类，与BP神经网络做对比实验，结果表明改进RBF准确率更高。王海林等[33]采用小波分析与RBF神经网络结合的方法对轴承故障信号进行分类识别，相比常见轴承故障分类算法有更高的准确率。

概率神经网络（PNN）在结构上与MLP相似。最基本的区别是使用了指数激活函数和神经元之间的连接模式。PNN隐藏层的神经元没有完全连接。由于连接数量较少，PNN通常比MLP更容易训练。李文峰等[34]融合传统时域指标得到两个更为敏感的新时域指标，利用概率神经网络（PNN）对两个新指标进行训练测试，实验表明提高了轴承诊断的准确性。陈慧等[35]利用多尺度熵（MSE）提取特征向量，并将其作为概率神经网络的输入，有效实现了更高精度的轴承故障分类诊断。徐统等[36]利用变分模态分解（VMD）对滚动轴承信号进行分解，分别计算分解分量的K-L值，并将较小的两个与其瞬时能量组成特征向量，输入概率神经网络进行分类。

在轴承故障诊断领域，应用人工神经网络（ANN）时，需要大量的训练数据。然而，在实际工业中，由于环境噪声、机器对机器的变化等原因，训练数据和测试数据之间普遍存在分布差异。这些差异会显著降低人工神经网络的故障诊断性能。因此，在模型精度和对看不见数据的适应性之间保持平衡是一个需要重点关注突破的对象。

1.6 深度学习

深度学习是机器学习的一个重要分支，深度学习通过复杂结构的多个处理层来建模数据背后的多层次表示，并对数据进行分类或预测。深度学习是由人工神经网络衍生而来，但相对传统神经网络单层的网络结构，深度学习是多处理层的，需要人工进行特征提取，极易陷入局部最优的缺点，深度学习通过引入概率生成的模型，可以直接从原始信号数据中提取特征向量集。多层次堆叠的网络结构特点可以使其在简单概念中学习到复杂的概念，可以避免对信号数据特征挖掘的不充分性。

深度学习模型有几种常见模型，如深度信念网络（DBN）、卷积神经网络（CNN）、循环神经网络（RNN）等，下面对这几种模型原理进行简单介绍：

DBN由多个限制玻尔兹曼机（RBM）层组成，一个典型的网络结构如图5所示。这些网络被“限制”为一个可视层和一个隐层，层间存在连接，但层内的单元间不存在连接。隐层单元被训练去捕捉在可视层表现出来的高阶数据的相关性。在轴承故障诊断领域，Shao等[37]提出了一种用于滚动轴承故障诊断的优化深度信念网络。采用随机梯度下降法对限制波尔曼机的权重w进行微调。然后，利用粒子群算法确定训练好的DBN最优结构。在另一项工作中[38]，他们提出了一种双树复小波包来提取故障特征，并使用DBN对多种类型的轴承故障进行分类。杨宇等[39]提出了一种新的深度信念网络，即结构自适应深度信念网络（SADBN）。该方法能有效解决DBN结构难以确定已经能有效提升网络诊断效率的问题。DBN不仅能用于故障的分类，对于轴承健康状态的预测，同样有十分显著的效果。Deutsch等[40]就通过使用带粒子过滤器的DBN预测轴承的健康状态以及剩余寿命。DBN诊断模型还可通过预训练一组限制波尔曼机来自动学习特征，能解决部分深层网络带来的梯度消失问题。

图5 深度信念网络

CNN的基本架构如图6所示。总体而言，该体系结构主要由三层组成：卷积层、池化层、全连接层。卷积层包含许多过滤器，其主要功能是从给定的输入数据集中识别重要特征或特征映射。使用多个过滤器背后的想法是，当与输入数据进行卷积时，不同的过滤器将检测/识别不同的特征集。然后将提取的特征传递到下一层。Janssens等[41]是最早将卷积神经网络（CNN）引入轴承故障诊断的，通过CNN从轴承x和y反向的加速度振动数据中自动学习故障特征，最终证明CNN的自动特征学习能力优于传统机器学习方法。为了消除原始振动信号中高频噪声的影响，Zhang等[42]在所提出的CNN体系结构中采用了宽核，并证明所提出的模型的结果优于目前最先进的基于频率特征的深度神经网络（DNN）模型。陈仁祥等[43]利用散小波变换将轴承振动信号时频特征充分展现，然后利用卷积神经网络多层特征提取的特点，将低层信号特征变为深层特征，最后输入softmax分类器，以达到提高诊断精度的目的。肖雄等[44]将原始信号转换为二维灰度图像作为卷积神经网络的输入，并对卷积神经网络进行梯度下降算法优化，最终得到较好的轴承故障诊断效果。与DBN相比，基于CNN的诊断模型可以直接从原始信号数据中学习特征，无需进行频域变换等预处理，可以直接捕捉数据位移特征。此外，采用权值共享的方法有效减少了诊断模型中训练参数的数量，加快了收敛速度，抑制了过拟合现象。

图6 卷积神经网络结构图

RNN的结构主要用于处理和预测序列数据，通常卷积神经网络和全连接神经网络的结构都是由输入层到隐藏层再到输出层，中间采用全连接或者部分连接，但是层与层之间节点没有连接，而循环神经网络结构是用来处理和预测数据的，所以需要去连系输出与之前信息的关系，并通过前面的输入信息影响后面的输出信息，所以从网络结构上来讲，循环神经网络隐藏层之间的节点是有连接的。图7是RNN的网络模型。振动信号数据大部分通过传感器收集，属于时间序列。其包括长短期记忆网络（LSTM）和门循环单元（GRU）在内的RNN模型已经成为处理时序数据的一种流行的体系结构，具有时序信息编码的能力。Jiang等[45]提出一种具有堆叠隐藏层的LSTM单元，以均方误差（MSE）作为损失函数的轴承故障分类方法，通过实验证明具有良好的故障分类效果。孙洁娣等[46]提出了一种深度卷积神经网络与长短期记忆网络相结合的智能故障诊断方法，该方法能自适应的从轴承故障数据中提取鲁棒性特征，通过LSTM中时间序列依存关系实现高精度轴承故障诊断。张立鹏等[47]利用预处理后的机械振动信号，搭建了双向门控循环单元的故障诊断模型，并通过注意力机制的模型优化，提高了诊断模型对故障特征提取的效率。王超群等[48]提出一种基于门控循环单元（GRU）的胶囊网络模型，利用门控循环单元充分提取故障特征，并尽可能减少细节特征的丢失，最后实现故障分类。RNN与CNN相比较，RNN属于时间扩展属性，神经元与时间序列输出计算相关联，不同于CNN中的神经元与特征卷积相互关联，在深度学习中，空间属性的CNN和时间属性的RNN是深度学习中最重要的两个板块。

图7 循环神经网络结构图

1.7 迁移学习

迁移学习是机器学习中的一种，通过从一个或多个相关但不同的应用场景中学习通用知识，以帮助智能算法在迁移场景中获得更强大的性能，是一种非监督式学习方法，可以帮助深度学习克服一些局限性。类似人类工程师可以通过以往的经验知识去解决同类型不同场景的新问题，迁移学习可以赋予人工智能模型更好的学习性能，即使在训练数据稀疏和有限的情况下，也具有从相关但不同的应用程序场景到一个新的的鲁棒泛化性能。

在传统机器学习中，我们会根据不同任务已经场景来对训练相对应的模型。如图8中所展示的，想要完成两个模型的训练，需要分别使用不同的带标签数据，与具体任务及场景相匹配。但是在迁移学习中，我们可以先完成对模型A的训练，然后通过迁移学习将学习到的知识从源域迁移到与源域模型类似，使得目标模型能更加快速稳定的构建。

图8 迁移学习原理图

迁移学习与其他深度学习模型相结合的诊断模式已经得到广泛研究人员的验证，迁移学习是一种帮助智能故障诊断从理论到工业应用的非常有效的工具。Liu等[49]提出了一种基于深度全卷积条件Wasserstein对抗网络（FCWAN）的迁移学习故障诊断模型。所提出的模型通过随机采样图分类和差异分类器用于加强目标条件下的分类准确率，在对抗学习领域引入标签，加强对学习过程的监督和类别域对齐的效果，提高了迁移学习应用的准确率。Qian等[50]提出了一种新的基于卷积自编码器（CAE-DTLN）的深度转移学习网络，在没有标记数据的情况下实现目标域的机械故障诊断。同时由于卷积自编码器的除噪能力，使得整个模型具有很好的抗噪鲁棒性。陈仁祥等[51]提出一种自适应正则化迁移学习的滚动轴承故障诊断方法，对不同工况下轴承的故障诊断都有非常好的效果。

2 各算法在轴承故障诊断中的优缺点

支持向量机具有非常优秀的泛化性能，在训练数据集较少的情况下，也能进行有效的分类和预测。通过核函数对非线性数据进行映射，通过超平面进行多分类问题处理，且分类精度高于常规轴承故障诊断模型。同时支持向量机计算资源少，是一种有效的实时分类工具。

决策树在训练过程中速度是比较快的，不需要大量的参数，没有数据的限制，当需要增加新的模型类别时，也不需要使用者出现构建新的树。在决策树中由于每个特征被单独处理，而且数据的划分也不依赖于缩放，因此决策树算法不需要特征预处理。特别是特征的尺度完全不一样时或者二元特征和连续特征同时存在时，决策树的效果很好。但是在实际分类过程中，决策树通常容易过拟合，泛化性能比较差。

KNN是一种基于实例的学习算法，但因为其学习较少或基本不学习，也被称为机器学习中的懒惰者。在模型的训练阶段速度很快，但到了分类阶段就比较慢了。K-NN的理论成熟，思想简单是其应用在轴承故障诊断的优点之一，在对数据集训练时，对噪声有较好的鲁棒性。

朴素贝叶斯算法是一种潜在的概率模型，有着稳定的分类效率，同时对缺失数据不敏感，当缺失少量数据时可以使用朴素贝叶斯算法。对小规模数据表现良好，运行时占用内存少，适用于多分类任务，在增量样本训练时可以分批次进行训练。

人工神经网络实际上是模仿人脑神经的一种计算模型，有着多个节点和多个输出点的网络结构，可以对任意的非线性、复杂、多维数据进行映射，并且有着非常高的分类精度，在处理并行分类问题时有着非常良好的表现。人工神经网络的结构是多样化的，在轴承故障诊断中，通常会改变其结构来达到提高分类效率与精度的目的。

深度学习是在人工神经网络的基础上，再进行深度架构的方法，由于其特殊的结构，可以直接从数据集中有多个层次上抽象出数据中具有代表性的特征，可以省去人工特征提取的步骤。同时深度学习有很高的分类精度，这是其他算法都比不了的。在实际故障诊断中，深度学习的这些特性非常适合将其引入工业故障诊断中。

迁移学习拥有巨大的工业应用潜力，对于现有的轴承故障诊断领域的算法，都能达到一个增强的作用，与现在热门的深度学习算法结合，可以有效解决深度学习在故障诊断实际应用中存在的一些问题，提高模型构建速度，从而提高诊断准确率的效果。

一般情况下，在处理多维连续特征时，支持向量机、人工神经网络、深度学习会有较好的表现，而KNN、决策树、朴素贝叶斯在处理离散特征时有较大优势，同时他们在信号处理中，都会有明确的物理意义，而支持向量机以及神经网络等因为处理过程黑箱化，因此过程及结果一直难以解释，神经网络的可视化也一直是研究人员重点关注的一个方向。

3 展望

机器学习在故障诊断领域的发展是值得期待的，虽然在工业上的应用还存在限制，但是机器学习算法对于工业故障诊断领域来说，是一个非常有前景的轴承故障处理工具，除了以上的理论探讨以及实践，目前机器学习的发展还有以下几个方面值得关注：

（1）考虑到不同算法各有优缺点，可以将这些算法的优点提取集成到一个混合故障诊断系统上，去针对不同情景的实际工业故障诊断，用多算法集成解决实际应用问题。

（2）随着深度学习的兴起以及在故障诊断方面的应用，对轴承故障的数据要求也越来越高，不仅需要数量也同样需要质量，在应用基于数据驱动的深度学习诊断算法的同时，需要给整个系统配套使用更高精度的数据采集系统。

（3）深度学习可以减少人工特征提取的过程，同时有很强的实时性，可以考虑开发基于深度学习的整套工业故障诊断系统实时监控，挖掘出深度学习的潜力。

（4）基于机器学习的轴承故障诊断方法不断发展完善，不仅要单独从数据驱动的角度，同时也不能忽略人的作用，建立良好的人机交互功能，在高素质从业人员的辅助下，使得整个系统有更好的运行作用。

（5）迁移学习与深度学习相结合，由于一些机器故障诊断问题有足够的训练数据，而其他工业场景缺乏训练数据，通过深度学习与迁移学习结合，可以有效将深度学习模型自适应学习的知识转移到其他场景使用，不用重新训练深度模型以及获取大量标签数据。因此该研究方向对深度学习在机器故障诊断的实际应用有很大意义。

4 结语

本文对基于机器学习的轴承故障诊断进行了详细的综述。对支持向量机、k-NN、决策树、朴素贝叶斯人工神经网络、深度学习、迁移学习等机器学习算法进行了深入的讨论。并对自动编码器、深度置信网络、卷积神经网络、循环神经网络等最新的深度学习算法在轴承故障诊断中的应用进行了综述。对机器学习各种算法的优缺点进行总结。深度学习的应用具有自特征提取和自特征选择的优势，从而降低了在特征提取和特征选择中人为错误的风险，在未来是极具应用潜力的。机器学习算法在轴承故障诊断的未来表现是非常值得期待的，不论是传统的机器学习算法，还是最近热门的深度学习算法，在轴承故障诊断领域都已经有着非常好的表现，值得期待其在未来有更广阔的应用前景。