主抽风机是钢铁企业烧结厂中重要的大型设备。主抽电机的稳定运行直接关系整个烧结系统是否能够正常运转。所以当前钢铁企业对于主抽电机的稳定运行极其重视。各大钢厂为了监视主抽的运行设计了众多的传感器。利用多传感器的监测数据实现对主抽电机的在线智能故障诊断也成为钢厂和各设计单位研究的重点。目前人工神经网络因为其具有较强的学习能力和推广能力被广泛应用于智能故障诊断系统的研究。但其也有自身的缺点,例如无法解释自身的诊断过程,容易过度拟合。支持向量机因其具有坚实的理论基础,并且具有良好的学习能力和泛化能力尤其对小样本的支持也成为人们研究分类和故障诊断的方法。支持向量机也有自身的缺点,因其计算量较大所以对大规模的训练样本难以实施,另外经典的支持向量机只给二分类的算法,对于多分类或多回归输出存在困难。本设计主要通过BP神经网络学习建立神经网络诊断模型,同时通过支持向量机学习建立支持向量机诊断模型。最后将两个模型诊断结果通过DS证据理论融合规则进行融合得到最终的诊断结果,实现对主抽电机局部的故障诊断。在支持向量机建模过程中,通过多次的学习建模,解决了支持向量机无法回归多输出的问题。此设计方法在试验中得到了很好的效果。