摘要:支持矩阵机作为一种先进的矩阵学习模型,可充分利用矩阵数据中内蕴的结构信息,但其易受噪声和野值点影响,且在不平衡数据下泛化性不足。为此,提出一种鲁棒代价敏感支持矩阵机(Robust cost-sensitive support matrix machine,RCSSMM)模型,并将其应用于风电齿轮箱智能故障诊断。RCSSMM采用集成矩阵度量评估矩阵输入的先验分布,为不同的样本分配不同的样本权重,以提高模型对噪声和野值点的鲁棒性。同时,RCSSMM引入代价敏感损失函数,为不同类别的矩阵数据赋予不同的惩罚因子,并通过哈里斯鹰优化算法自适应地确定惩罚因子的最优取值,使模型更加聚焦少数类样本,以提高对不平衡数据的诊断性能。利用风电齿轮箱模拟实验数据和工程实测数据对所提方法进行验证,实验结果表明:在噪声、野值点和数据不平衡干扰下,RCSSMM模型具有更优异的故障诊断性能。