随着科学技术的飞速发展和市场竞争的日益激烈,工业生产表现出大型化、分布化、高速化、自动化和复杂化等特点。由于这些大型系统一般都是作为能源、石化、冶金以及其他国民经济支柱产业中的关键设备,一旦发生故障,轻则降低生产效率,重则设备停机、生产停顿,有时甚至产生机毁人亡的恶性事故,造成灾难性的后果。与此同时面对激烈的市场竞争,降低故障停机时间,延长设备生命周期也是目前每个企业的立业之本。所以,有计划、有组织、有针对地对关键设备进行实时监测与诊断,做到尽早地发现设备在运行过程中的各种隐患,从而防止灾难性事故的发生,成为机械设备故障诊断系统面临和解决的首要问题。智能诊断技术代表了诊断技术的发展方向,同时其发展与人工智能技术的发展密切相关,为故障诊断的智能化提供了可能性。但是传统的基于经验风险最小的人工智能方法在故障数据难以获取,样本数有限的情况下,训练效果往往表现出很差的推广能力。这直接制约着诊断方法的实用化推广。本文是采用基于结构风险最小化的支持向量机,它针对小样本情况下所表现出来的优良性能引起了众多故障诊断领域研究人员的关注。支持向量机应用于故障诊断最大的优势在于它适合于小样本决策,其学习方法的本质在于能够在有限特征信息情况下,最大限度地发觉数据中隐含的分类知识。从推广性的角度来看,更适合于故障诊断这种实际的工程问题。本论文在国家自然科学基金重点项目:“大型复杂机电系统早期故障智能预示的理论与技术”的资助下开展的研究的,主要的研究工作包括以下几个方面:(1)在Bently转子实验台进行机器状态模拟,模拟的状态包括:正常、不平衡、径向碰磨,采集机器状态振动信号。并对获取的原始状态数据数据进行数据预处理,时域和频域的特征提取,以便利用获取数据对诊