目前一些常用的故障诊断方法都是以大样本数据为基础的,但通常在实际工程中得到的故障一般都是小样本数据,使其应用受到了一定的限制。统计学习理论(Statistical Learning Theory或SLT)是一种专门研究小样本情况下机器学习规律的理论,它具有完备的理论基础。尤其是建立在统计学习理论基础上的支持向量机(Support Vector Machine或SVM),由于它具有许多优越的性能,所以近年来受到了广泛的重视。目前已成功应用于人脸识别、手写体数字识别、图像检索等许多领域。本文针对SVM在机械故障诊断中的应用等相关问题展开研究,主要做了以下几方面的工作:1、分析研究了SVM算法的可靠性及在机械故障诊断应用中的可行性。2、深入探讨了SVM中重要参数的选取原则。在SVM中核函数类型的选择、核函数参数的选择以及惩罚函数C优化选择是非常重要的一个问题,但直到目前一直都没有科学的优化方法。本文提出了在实验的基础上去一步步地进行优化来确定一些重要参数,通过数据验证表明这种方法是完全可取的。3、系统研究了SVM的分类算法,建立了基于SVM的小样本故障诊断模型。以武汉科技大学齿轮故障实验台为研究背景,分别采集了多种类型的齿轮故障信号,根据SVM分类算法对齿轮进行故障分类,结果表明这种方法是完全可行的。4、对SVM分类算法进行不断改进,建立了多故障智能分类器。鉴于实际工程中不可能只有一种故障类型的现实,对SVM分类算法进行了改进,从而实现了多故障的智能分类,这极大的拓展了SVM在机械故障领域的应用。5、分析研究了SVM的回归算法并对某轧机的振动烈度峰值进行了成功预测。本文对SVM的回归算法(即SVR算法)进行了系统地研究,不仅研究了具体的回归算法,而且通过可视化的编程使结果以图表的形式清晰的显示出来。便于以后安装在在线监测系统中,使其发挥更大的作用。在此算法的应用研究中分别对Lorenz时间序列和某轧机的振动烈度峰值进行了成功预测。该项研究为机械设备故障的智能分类与故障预测提供了有效的研究方法。