近些年,船舶智能化已经成为全球航运的大趋势。船舶智能化主要体现在智能船体、智能机舱、智能航行、智能货物管理、智能能效管理和智能集成平台。船舶推进轴系是船舶动力系统的重要组成部分,如何智能识别和诊断船舶轴系的各种故障,是进行船舶轴系智能状态监测与智能故障诊断研究的关键。本文对基于支持向量机理论的故障诊断方法进行研究,针对惩罚因子C和核函数参数σ选取难度较大的问题,提出了改进的人工蜂群(IABC)算法优化支持向量机的惩罚因子C和核函数参数σ。并且,针对人工蜂群算法迭代后期易出现收敛速度慢、易陷入局部最优解等问题,在原始人工蜂群算法的搜索公式中引入了全局搜索因子。为了验证改进的人工蜂群(IABC)优化算法的有效性,以仿照“申汉线”客轮的推进系统结构设计模拟实验平台为例,针对三种基本振动常见故障(轴系不对中、打滑、转子偏心),设置故障诊断监测点收集故障数据。将改进人工蜂群(IABC)优化算法与人工蜂群ABC优化算法同时应用到轴系故障诊断中,得到以下结论:在模型训练过程中,IABC-SVM因为引入了全局搜索因子,在参数寻优时,收敛速度加快,可以跳出局部最优解,从而获得全局最优参数,可以比ABC-SVM更快的速度达到全局优化。从平均准确度的趋势来看,IABC-SVM可以帮助训练从更优的初始蜜源开始,其平均准确度为85.41%,明显高于传统ABC的72.91%。而且,IABC-SVM的训练时间、最佳平均准确度均优于ABC-SVM。由模型测试结果可知,IABC-SVM的分类准确度明显高于ABC-SVM,在测试过程中更具优势。本文针对船舶轴系的振动特点及故障诊断中存在的问题,提出IABC-SVM的故障诊断方法,该方法可以有效地对轴系振动的故障进行检测和识别,具有较高的准确性和诊断效率。