智能诊断技术代表了诊断技术的发展方向,同时其发展与人工智能技术的发展密切相关,为故障诊断的智能化提供了可能性。基于统计学习理论的支持向量机是一个强有力的机器学习方法。它采用结构风险最小化原则,能有效地解决非线性、有限样本和高维等问题,通常可以提供良好的推广能力,并已成功地应用于故障诊断等领域。本文针对支持向量机的智能故障诊断方法中的一些重要问题进行了深入的研究。首先,结合课题的研究背景和意义,简述了故障诊断技术和支持向量机的发展,介绍了关于支持向量机的理论和应用研究。其次,概述了机器学习和统计学习理论中的基本问题,探讨了支持向量机的基本原理和算法性能,然后讨论了基于支持向量机的多元分类方法。接着,研究了基于决策树的支持向量机多元分类算法,考虑到决策树支持向量机的分类性能与其结构密切相关,利用遗传算法来解决决策树生成过程中产生的组合优化问题。另外,分析了基于有向无环图的多元分类算法,鉴于有向无环图的结构运算相当于一个表操作,且算法性能依赖于节点的排序,引入类间分离性测度组织初始操作表单和节点的排列顺序。最后,对基于粗糙集理论的支持向量机分类算法进行了研究,基于样本分布权值的概念重新定义粗糙集中的依赖度及属性重要性,从而改进属性约简算法。本课题的研究内容对故障诊断技术智能化的实现具有实际的应用价值,对支持向量机方法本身也具有一定的意义。