智能诊断系统的核心是有效的获取、传递、处理、再生和利用诊断信息,从而能够对给定环境下的诊断对象进行准确的故障模式识别和预报。目前故障智能诊断面临的主要难题是典型故障样本的严重不足以及诊断知识的发现问题,这两者都严重制约着机械故障智能诊断的发展。近几年来,基于统计学习理论的支持向量机的研究逐渐成为机器学习领域中的一个重要方向。本文以支持向量机在故障智能诊断应用中需要解决的关键问题为主线,在基于小波包的特征提取、故障分类器模型的建立、基于核主元的故障特征选择、核函数的参数优化、增量学习及工程应用等方面进行了较为系统、深入的研究: 1、针对有限样本情况下故障诊断的特点和基于渐进理论的传统模式识别方法在故障模式分类中面临的困难,把支持向量机引入到故障智能诊断中,为故障智能诊断提供了一种新的研究方法。论文研究了支持向量机用于故障诊断的关键问题,给出了基于支持向量机故障诊断的基本实现步骤。针对标准支持向量机不能直接用于解决故障诊断这种典型多值分类问题的困难,本文提出了采用决策有向无环图的多值分类算法,建立了多故障分类器模型。以转子实验台模拟的典型故障为诊断对象,研究了运用小波包分解提取故障特征的方法,并结合建立的故障分类器模型,成功实现了故障的检测和诊断。最后对影响故障分类器分类性能的各种因素进行了深入分析。 2、为了降低故障分类器的计算复杂度,提高故障模式的可分性,有必要对所提取的故障特征向量进行选择。针对主元分析在故障特征选择上存在的不足,提出并实现了一种有效的基于核主元分析的非线性特征选择方法。该方法通过计算原始特征空间的内积核函数来实现原始特征空间到高维特征空间的非线性映射,在高维特征空间中对映射数据进行主元分析来得到原始特征数据的非线性主元。通过对故障特征向量进行核主元分析,能有效地降低特征向量的维数,从而降低了故障分类器的计算复杂度。 3、故障分类器的分类性能与支持向量机核函数参数有很大的关系。在研究现有核参数优化方法的基础上,研究了以Fisher判别函数为目标函数的核函数参数优化的原理,进而提出了基于Fisher判别函数和改进遗传算法相结合的核函数参数优化算法。新算法利用遗传操作来实现目标函数的参数优化,不需要计算梯度,依据新算法实现了二类故障分类器的参数优化。 4、在深入分析支持向量特点的基础上,研究了库恩-塔克条件与样本点的几何