柴油机作为一种动力设备,在车辆、船舶、电站、工程机械和农用机械等领域都有着广泛的应用。柴油机具有零部件多、运动复杂、工作环境恶劣等特点,因此其出现故障的概率相对较高,故障诊断的研究在保证整个设备正常运行中具有非常重要的意义。随着智能化技术的发展,故障诊断方法也日益完善。论文在学习和总结现有方法和技术的基础上,基于集成学习理论,对柴油机故障诊断方法进行深入探讨。以支持向量机为子学习器的集成学习理论应用于柴油机故障模式识别中,并综合采用BP神经网络、遗传算法和单个支持向量机就柴油机故障诊断中运行状态的分类识别这一关键环节进行系统的对比分析研究。针对柴油机正常状态以及出油阀磨损、供油多等六种故障状态下的振动信号提取了时域信号特征和子带能量特征,结合不同方法在故障模式识别上的优势,论文在重点研究单个支持向量机和支持向量机集成学习算法故障诊断技术的基础上,研究了BP神经网络和遗传算法在柴油机故障诊断中的应用。建立了支持向量机故障诊断模型,并利用交叉验证方法得出最优参数;基于Boosting算法建立支持向量机集成故障诊断模型;同时分析研究了BP神经网络和遗传算法优化BP神经网络故障诊断模型,并与基于集成学习构建的强学习器诊断模型对比分析。研究结果表明,基于集成学习的支持向量机模型诊断结果正确率高于单个支持向量机方法和支持向量机参数优化以后故障诊断结果正确率,且明显高于BP神经网络和遗传优化BP神经网络在柴油机故障诊断中的应用结果。成功验证了基于集成学习构建强可学习的构想,即集成学习应用于柴油机故障诊断的可行性。