统计学习理论是专门研究小样本情况下机器学习的理论,其核心思想是通过控制学习机器的复杂度来控制学习机器的推广能力。在统计学习理论上发展起来的支持向量机表现出优秀的学习性能。本文从支持向量机理论、方法和应用相结合的角度出发,研究了支持向量机分类和回归在设备故障诊断中的应用,本文的主要工作包括以下内容: 一、支持向量机分类包括二值分类、一类分类,本文对这两种方法在故障诊断中的应用进行了研究。首先,从轴承的时域信号中通过主成份分析提取特征参数,然后在二值分类下选择不同的核函数构造判别函数对轴承故障进行检测,并比较了在不同核函数下支持向量机的分类性能。其次,应用一类分类方法对轴承的异常值进行检测;利用基于一类分类的多值分类方法来对轴承的故障类型进行识别,基于一类分类的方法在保持准确率的情况下,能极大的减小运算时间。 二、针对有些问题,新样本所提供的信息量与历史样本所提供的信息量是不同的,给出一种新息加权的支持向量机的增量学习算法,通过循环来获得最优分类面,仿真实验表明采用加权的增量算法更能反映新样本点的特征。 三、研究了支持向量机回归能力及应用,首先通过仿真实例研究了核函数、噪声水平、序列长度对多步预报精度的影响,然后在simulink下建立同步电机的仿真模型,通过模拟A相电流短路造成电流和电压波动的情形,利用支持向量机的回归进行预测分析,结果显示支持向量机回归能及时跟踪输出数据的变化,是设备在线检测的一种有效方法。