RV减速器是高扭矩的传动设备,被广泛应用于工业机器人当中,它已成为工业机器人关节部位最为核心的零件。RV减速器工作的可靠性至关重要。如果在实际生产中不能准确地判断其运行状态,会对RV减速器的保养和维修带来极大的不利,更会对生产环境造成恶劣的影响。因此,研究RV减速器的健康状态评估是具有非常重要的实际意义。目前,国内外对RV减速器的性能状态识别和可靠性监测的研究相对缺乏,主要的研究是通过故障树来分析RV减速器的故障机制以及基于声发射对故障类型进行判别。基于振动信号的数据驱动方法是利用机器学习进行建模,更容易实现在线状态评估。本文通过来自实际工程的RV减速器的振动数据,在RV减速器的性能退化试验上,对RV减速器的健康状态进行了分析。而且相对于基于该平台的RV减速器的性能测试,基于振动信号的数据驱动方法更加方便有效。本文的主要工作分为两部分:首先,通过RV减速器振动试验平台,对其振动信号进行数据采集,形成不同转速下的数据集,而后对采集到的数据进行小波阈值去噪处理。为了获得和利用更加全面的信号信息,提取了多域的特征参数,包括时域、频域、时频域和熵等特征。得到的特征集含有无关的冗余特征,需要使用ReliefF算法进行特征选择。之后,比较常用的几种降维算法,包括主成分分析(Principle component analysis,PCA)、线性判决分析(Linear discriminate analysis,LDA)、等距离映射(Isometric mapping,ISOMAP)和局部线性嵌入(Local linear embedding,LLE),对它们进行三维可视化,并在标准的支持向量机上比较它们的效果,作为特征降维方法的选择依据。其次,建立考虑有序分类和代价敏感的分类模型。本文中使用的RV减速器振动数据划分为四种具有性能趋势的状态,即“健康”、“良好”、“一般”和“较差”。传统分类算法不会考虑响应变量的排序,但这个顺序信息可以对分类做出贡献。同时,需要考虑不同类别的误分代价是不同的。因此,针对问题的实际背景知识,深入研究了有序分类和代价敏感学习,分别使用不同的算法进行实验对比。结果表明,有序分类可以利用内在的顺序信息,而代价敏感学习可以在保持模型准确率的前提下提高“较差”类的召回率。最后,提出基于代价敏感支持向量机的有序分类方法,多种算法的比较实验表明其性能是最优的。