时代交替,日月更迭,人工智能、大数据以及机器学习中的各类算法的应用已逐渐深入各行各业,在农业领域、军事领域、制造业领域、化工领域等都各有体现,尤其是在工业领域的应用更为显著,例如机器视觉检测可以应用于手机制造商的外壳完整度检查,或是流水线上物体定位识别分类,以及工业设备的故障诊断等,大机器时代就需要通过人工智能来提高作业效率。本文所研究的主体为轴承设备,轴承作为现代大机器设备中十分重要的一个零部件,在生产运作中可以起到四两拨千斤的作用,主要是利用轴承来支撑起大机械旋转部分,从而降低机器在整个使用过程中的摩擦力度,从而保证机器的回转精度,因此轴承的工作状态就决定了整个作业过程的总体效率,所以对于轴承状态研究必不可少。对于轴承设备状态的研究主要通过以下步骤来实现:1、以机器学习相关算法为依托,对现有的轴承运转数据可能出现的问题进行列举并做针对性处理,而后进行特征处理工作,其中包括特征选择和特征生成,进而对已经进行前期处理的数据进行多分类样本构造,为数据集中的样本打上分类标签,具体有无故障、外圈故障、内圈故障、滚珠故障4种状态,同时对多分类样本中存在的数据不平衡问题进行高效处理,构造出一个样本分布均衡的数据集。2、在对数据问题进行完备处理后,开始搭建多分类模型对轴承设备性能进行深入探究,从而实现对轴承设备故障的分类监测,具体通过多种算法,即逻辑回归、人工神经网络、随机森林、Adaboost等算法来构建多分类模型,同时引入多个评价指标对各个模型进行打分评价,本文中先使用Kappa系数、Macro＿F1＿Score、Weighted＿Macro＿F1＿Score、杰卡德相似系数四类指标分别对四个模型进行打分,在对以上四类评价指标进行重要程度考量的基础上,继续考虑对Kappa系数与Weighted＿Macro＿F1＿Scoreacro以及杰卡德相似系数进行加权求和,引入一个综合评价指标,对轴承故障分类模型进行简单直观的打分评价,使对于模型的综合认知更为直接。通过各项对比后,Adaboost模型在综合评价指标下得到了0.89的较高分数,能以高准确率确定轴承所发生的故障种类,表现十分良好,进而能对检测出来的故障做到对症下药,精准治理,从而保证整个作业流程的高效流畅。