论文以支持向量机为理论基础,结合江西省自然科学基金项目:“基于支持向量机设备故障智能诊断方法中若干关键问题研究(0650054)”和教育厅科技计划项目:“基于支持向量机的故障智能诊断新方法研究”对智能故障诊断方法进行了研究。以旋转机械为研究对象,围绕支持向量机在机械故障诊断领域应用这一问题,就多故障分类器模型的建立、故障特征提取、基于核主元分析的特征选择和核函数的参数优化等关键问题展开讨论,并通过仿真和实验对论文所研究的理论与方法进行了验证。论文主要做了以下方面的工作:1、论述了课题研究的背景和意义;介绍了故障诊断方法的发展和现状;综述了支持向量机的理论研究和应用发展;分析了支持向量机应用于机械故障诊断领域的可行性、优势及存在的不足;最后给出了本文研究的总体思路和主要内容。2、探讨了支持向量机的多类分类问题。针对机械故障诊断这一典型的多类故障模式分类问题,提出了采用基于聚类思想的二叉树多类分类算法建立多类故障分类器模型,并选用机器学习库(UCI)中的典型模式识别测试数据集——Fisher Iris数据集作为仿真对象,验证了模型和算法的正确性和有效性。3、研究并实现了基于核主元分析的特征选择方法。针对主元分析在非线性问题特征选择上存在的不足,引入了核方法,实现了一种基于核主元分析的特征选择方法。该方法利用计算原始特征空间的内积函数,来实现原始特征空间到高维特征空间的非线性映射,通过对高维特征数据主元分析,得到原始特征的非线性主元,以所选的非线性主元构造特征子空间代替原始的特征空间。核主元分析能有效地降低样本数据的维数,从而达到降低分类器计算复杂度的目的。4、研究了支持向量机核函数的参数优化。研究了以Fisher判别函数为目标函数的核函数的参数优化原理,提出基于Fisher判别准则和固定步长优化算法相结合的核函数的参数自动优化算法。该方法可以实现支持向量机分类器的核函数的参数优化,提高了分类器的分类能力,具有算法简单、优化效率高等优点。5、以Bently转子试验台模拟的典型故障为诊断对象,研究了小波包分析与支持向量机相结合的故障诊断方法。通过测试、分析与诊断,为本文理论研究提供事实基础,充分验证了本文所研究理论与方法的正确性和有效性,包括基于小波包的特征提取、基于聚类思想的二叉树多类分类、基于核主元分析的特征选择、基于Fisher判别准则与固定步长优化算法相结合的核函数的参数自动优化等方法。6、总结与展望。总结了全文,给出了研究结论,并对进一步的研究工作做了展望。