结合国防863项目液体火箭发动机涡轮泵系统实时在线故障检测与诊断方法研究,该文重点研究了基于支持向量机的液体火箭发动机涡轮泵系统的故障诊断方法及其实际应用.由于涡轮泵故障导致的火箭事故占总事故的一半以上,因此涡轮泵的故障诊断一直是航天领域的研究重点.但是液体火箭的特殊性决定了其故障样本的获得是十分困难的,数量也是极少的,而传统的故障诊断方法都是建立在渐进理论的基础之上,因此对小样本故障诊断的效果均不理想.统计学习理论是一种专门研究小样本情况下的机器学习理论,支持向量机是其实际应用算法.它在小样本、非线性和高维问题上表现出很多优势,因此适合于液体火箭发动机涡轮泵系统的故障诊断.以液体火箭发动机涡轮泵为研究对象,应用支持向量机对其故障诊断方法进行了研究.从涡轮泵系统的结构、简化模型以及工作原理,分析了其主要故障机理与故障特征.对于涡轮泵故障信号,给出了时域、频域的分析方法.以小波分析原理为基础,对涡轮泵故障信号的消噪、奇异点检测核弱信号提取进行了研究.提出了一种对涡轮泵信号进行小波包分解,建立特征向量的故障特征提取方法,为故障诊断提供了训练样本.从统计学习理论入手,分析了支持向量机在小样本故障诊断方面的优势所在,给出了其线性和非线性诊断模型.对RBF核函数参数的选择做了详细的研究,由于目前缺乏一种有效的确定核函数参数的理论方法,所以提出了一种确定参数的实验方法,该方法速度快,简单有效.利用转子试验台模拟了涡轮泵的不平衡和碰摩故障,研究其故障机理,并获取了相关的数据,与正常数据合并成为涡轮泵故障诊断数据库.运用支持向量机进行了单一和多故障诊断,取得了理想的诊断效果.从样本的统计分布角度,提出样本的离散度,分析了错分样本的统计学特征.