摘要：支持矢量机（Support vector machines，SVM）已经在小样本故障识别中得到了广泛应用。与之对比，由于先验知识获取和非线性识别较难实现，基于贝叶斯概率的故障识别方法应用较少。针对上述问题，提出隐性函数S-压缩贝叶斯故障识别方法（LS-BFR）。LS-BFR以高斯随机过程和贝叶斯概率为基础，以高斯回归作为隐性函数，通过S-压缩对回归输出进行变换使其具有概率意义，利用贝叶斯概率实现故障识别。为提高LS-BFR非线性故障识别效果，引入核函数方法在高维空间进行隐性高斯过程回归，并给出基于贝叶斯参数估计的核函数参数选择方法。在转子试验台上模拟了不对中和不平衡故障，并利用LS-BFR进行故障识别。试验结果表明，基于隐性函数和S-压缩的LS-BFR方法能有效地进行小样本故障识别，且识别效果优于SVM。

关键词：故障识别 贝叶斯估计 隐性函数 高斯过程回归 

单位：清华大学精密测试技术及仪器国家重点实验室 北京100084