为了能够准确地对大型设备的性能退化过程进行描述，提出了一种基于支持向量数据描述（SVDD）和信息融合技术的评估方法。通过SVDD算法分别评估来自单个传感器的数据，然后运用D—S证据理论对来自多传感器的局部评估结果进行信息融合，最终给出设备的整体性能评估结果。实验分析表明，SVDD算法能够真实地反映设备局部性能退化状态的变化，而利用D—S证据理论得出的整体设备状态评估结果符合实际情况，同时有效地消除局部信息之间的矛盾，提高了设备整体评估的可靠性。

为了实现更早地检测出滚动轴承发生故障,提出一种基于核熵成分分析(KECA)和贝叶斯优化(BO)算法优化支持向量数据描述(SVDD)的滚动轴承早期故障检测方法。提取轴承振动信号的时域、频域特征以及小波包分解节点能量特征,组成多维特征矩阵;利用KECA对多维特征矩阵进行降维处理,进而提取有效特征;最后,选取轴承正常状态的特征指标训练模型,利用BO算法确定SVDD的惩罚因子和核宽度,进而得到早期故障检测模型。利用该模型对XJTU-SY数据集中不同工况下的轴承

提出了一种基于变分模态分解（VMD）和支持向量数据描述（SVDD）相结合的滚动轴承性能退化程度定量评估方法.针对采样时间长、采集到的信号数据点多时,信号中某些部分可能受到异常信号干扰的问题,首先提出了一种基于VMD和SVDD结合的特征提取新方法,将长信号分为多帧短信号,分别使用VMD方法分解短信号并提取各分量的奇异值组成特征向量,得到一组特征向量集,然后使用SVDD方法找到并剔除其中的异常样本点,求出剩余特征向量的平均值便可作为原信号的特征.特征提取完毕后,使用SVDD方法进行性能退化评估,以待检样本到训练得到的超球体模型球心的距离描述性能退化程度,并使用隶属函数将距离指标转化为与正常状态的隶属度作为性能退化指标,实现设备的性能退化程度的定量评估.使用轴承全寿命数据,并与以传统时域无量纲指标作为特征的分析结果进行

针对液压泵性能退化过程定量评估,提出了变分模态分解(VMD)和支持向量数据描述(SVDD)相结合的综合评估方法。利用VMD方法将信号分解成一系列不同频率成分的BIMF分量,并用SVDD方法对异常点进行剔除;使用SVDD方法对正常状态样本进行训练得到超球体模型,并计算各样本到球心的距离;再将各样本到球心的距离转化为隶属度,作为性能退化指标。通过对轴向柱塞泵滑靴磨损和松靴故障实验数据分析,验证了该性能退化评估方法的有效性。