支持向量机(SVM)是统计学习的一种,是在统计学习理论基础上发展起来的一种新型的学习机器。目前,SVM被看作是解决分类问题和回归问题的强有力的工具,并已经是机器学习领域继神经网络后新的研究热点。它以结构风险最小化原则和VC维理论为理论基础,根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷,以期获得最好的推广能力。SVM被看作是对传统分类器的一个好的发展,在解决小样本、非线性和高维的机器学习问题中表现出了许多特有的优势。本文所做的主要工作如下:(1)本文将支持向量机引入到核电设备的故障诊断中,并通过实验验证SVM的分类性能;(2)本文深入研究了核电设备典型故障信号的特征提取方法,并成功将基于短时傅里叶思想的特征提取方法应用于机械设备故障诊断之中;(3)选择合适的核函数及其参数已成为SVM进一步发展的关键点和难点。本文结合径向基函数(RBF)核函数和通过改进的“穷举法”找到最优参数组合,并通过对转子试验台模拟故障的识别来比较参数优化后的SVM和优化前的SVM的分类精度;(4)本文还结合了集成学习中的Bagging算法,形成Bagging-SVM,由于支持向量机具有很好的泛化能力,如果再通过集成学习提高其性能,对于一个应用问题来说,会得到更好的解决,并通过实验来比较Bagging-SVM和SVM的识别效果;(5)本文结合核电设备的特点,系统地建立了SVM在核电设备故障诊断中的响应模型;设计了基于SVM的核电设备故障诊断系统,并结合开发的故障诊断软件对系统进行测试,验证整个故障诊断系统的可行性。本项研究对于促进核电设备在线监测与故障诊断技术的进步,对于保证核电设备安全可靠地运行、提高国防战斗力都具有重要的理论意义和实际应用价值。