轴承是机械设备中最常见的零部件，其性能与工况的好坏直接影响到与之相连的转轴以及安装在转轴上的齿轮乃至整个设备的性能。据统计，在使用轴承的旋转机械中，大约有30%的故障都是由于轴承引起的，轴承在运转过程中损坏的原因如装配不当、润滑不良、水分和异物侵入、腐蚀和过载等，并且轴承在使用以及维护过程中也会出现疲劳剥落和磨损等而不能正常工作。在工作过程中，轴承的振动通常分为两类：与轴承的弹性有关的振动和与轴承滚动表面的状况（波纹、伤痕等）有关的振动，前者与异常状态无关，后者反映了轴承的损伤情况。轴承的故障诊断有振动诊断法、时序模型参数分析法、冲击脉冲法、包络法、高通绝对值频率分析法等。

风险评估，就是将设备发生事故的可能性（计算出的概率）和事故造成的危害程度（造成的经济损失）进行综合考虑，将设备划分成不同的风险等级。而在这之中，风险管理和风险评估是不可分割的两部分，风险评估技术可以预测可能出现的危害风险，并控制解决风险，降低风险发生的几率，以便于风险管理，防患于未然。风险评估的目标是在设备使用期间，减少设备故障率，或者在设备预估即将损坏的期间能及时更换，以免发生较大的经济损失。

机器学习是一种赋予机器学习的能力，让它完成编程无法完成的事情，这里的机器指的是计算机，简单来说就是利用数据让计算机训练出模型，然后利用模型预测结果。将机器学习用于工业方面是从上世纪就开始的，但近二十年由于计算机技术以及机器学习技术的长足发展，各种机器学习算法在工业上的运用技术也越来越成熟，而利用机器学习算法对轴承故障的分析以及预测、风险评估也就是情理之中的。

机器学习有许多经典的算法，回归算法以及SVM算法都是在工业方面运用成熟的算法，尤其是回归算法，是机器学习中最基础的，包括线性回归和逻辑回归，其中线性回归是利用大量数据拟合出一条直线，就可以通过这条直线大致预测；而逻辑回归与线性回归的不同之处在于它模拟出的不是具体的数值，而是一种离散的分类，然后就可以判断，比如判断轴承是否会出现故障。回归算法都需要，需要数据计算，计算机学界有一门学科叫做“数值计算”，专门用来提升计算机进行各类计算时的准确性和效率问题。另外一种经典的算法就是SVM算法，也就是支持向量机的算法，这是一种监督式的学习方法，与逻辑回归的算法有些类似，不过它是一种更加精密的分类式算法，广泛地运用于统计分类以及回归分析中，通过跟高斯“核”的结合，支持向量机可以表达出非常复杂的分类界限，从而达成很好的分类效果。

从上面的介绍可以知道，机器学习算法很早就用于工业方面，并且已经是一门成熟的技术，而在目前的国内外从最早的神经网络（沉寂了一段时间又重新崛起）到SVM再到现在的深度学习，大数据的提出以及迅速成功，其实工业上更加需要的是可扩展的机器学习系统，需要更加出色的优化，需要的是更高的维度，支持更多的特征量，这样才能使模型更加准确。

2. 研究的基本内容与方案

本论文以机器学习算法为基础，实验为辅，通过机器学习算法来分析和预测轴承故障以及对其的风险评估，提前学习机器学习算法，查阅相关文献，能通过实验测得的原始大数据获得稳定而准确的结果。

1.英文翻译、文献阅读报告以及开题报告；

2.学习几种机器学习算法，通过学习的机器学习算法开始尝试训练，然后用的到的结果尝试进行轴承的故障分析；