中文摘要：

机械故障诊断存在样本少、多故障的问题。支持向量机能够在小样本情况下最大限度地发掘样本数据中隐含的分类知识，特别适合于解决故障诊断这种小样本情况的实际问题。支持向量机基本理论只考虑了两类分类这一简单的情况，而实际中普遍存在多故障分类的情况，因此发展有效的支持向量机多故障诊断技术至关重要。球结构支持向量机是一种新颖的支持向量机多类算法，与其他支持向量机多类算法相比，它用最优超球而不是超平面，来界定各类别的样本数据，具有算法简单、速度快、精度高等优点，很适合小样本情况下的多故障分类。目前球结构支持向量机算法的研究处于起步阶段，它的分类理论有待完善。本课题用故障实验和数值模拟的方法，深入研究和改进现有球结构支持向量机分类方法，提出研究一种全新的二叉树球结构支持向量机算法，并在此基础上研究和发展基于球结构支持向量机的多故障诊断技术，以提高小样本情况下多故障诊断的效率和精度，具有重要理论和现实意义。

结论摘要：

随着机械设备结构的复杂化，机械设备表现出复杂的非线性行为，传统的机械故障诊断技术已经不能满足工程实际的需要。随着人工智能技术的不断进步，诊断技术已开始进入一个新阶段，即智能化诊断阶段。智能化诊断能够从实例故障样本学习，通过对已知的故障样本分析总结出规律，预测机械设备的状态是否将要发生何种故障。在这种学习中，重要的是推广能力（或泛化能力），即利用学习得到的规律，不但可以较好地解释已知的实例，而且还能够对未来的现象或者无法观测的现象做出正确的预测和判断。其核心是设计某种学习算法，使之能够通过对已知故障样本数据的学习，找到故障样本数据内在的相互依赖关系，从而对未知样本数据进行预测，判断设备是否发生了或者将要发生何种故障。与传统的智能故障诊断方法相比，基于支持向量机的故障诊断方法具有模型简单、分类能力强、推广能力好等特点。支持向量机最初是从线性可分和两类的分类情况下提出的，而实际设备可能发生的故障多种多样的，所以需要将支持向量机发展成用来解决非线性和多类模式识别问题。目前的支持向量机多类算法主要是通过组合多个支持向量机二值分类器来实现。常见的组合方法是一对一方法、一对多方法和层次方法等。这些方法存在重复训练样本量较大、分类精度不高、分类速度较慢等问题，特别是在类别数较多时，这些问题更加明显。针对机械故障诊断存在样本少、多故障的问题，本课题研究了一种新颖的二叉树球结构支持向量机算法理论，这种新算法把需要分开的故障类别分在超球之外，一层一层地分开多各类别，没有分类盲区，计算速度快，分类精度高；并开发了基于球结构支持向量机的多故障诊断技术，在一家企业的生产线在线故障诊断中进行了实际应用，其故障诊断精度比现有的支持向量机故障诊断技术提高10%，故障诊断速度提高80%，创造了较大的经济效益和社会效益。通过课题的实施，培养了硕士研究生10人，充实了我国机械故障诊断研究队伍。在国内外重要学术刊物发表5篇左右学术论文，其中SCI检索的论文2篇，EI检索论文2篇。