支持向量機(jī)(supporr vcctor machine，SVM)是在有限樣本統(tǒng)計(jì)學(xué)習(xí)理論STARISTICALLEARNING theory，slT)基礎(chǔ)上‘發(fā)展起來(lái)的一種新的機(jī)器學(xué)習(xí)方法，它較好地解決了小樣本、非線性和嶄維模式識(shí)別芍實(shí)際問(wèn)題，并克服r神經(jīng)網(wǎng)絡(luò)學(xué)爿方法巾網(wǎng)絡(luò)銷構(gòu)難以確定、收斂速度慢、局部極小點(diǎn)、過(guò)學(xué)習(xí)與欠學(xué)習(xí)以及訓(xùn)練時(shí)需要大量數(shù)據(jù)樣本等不足，具有良好的推廣性能，成為繼神經(jīng)網(wǎng)絡(luò)研究之后新的研究熱點(diǎn)。對(duì)于線性可分模式.其主要思想就是建立一個(gè)超平而作為決策面，該決策而不但能夠?qū)⑺�有�?xùn)練樣本正確分類，而且使訓(xùn)練樣本中離分類面最近的點(diǎn)到分類面的距離最大。對(duì)于非線性不可分模式·該方法通過(guò)某種特定的非線性映射，將樣本空間映射到高維特征空間，使其線性可分，并在高維特征空間中構(gòu)造出最優(yōu)分類超平面，從而實(shí)現(xiàn)分類。有人應(yīng)用支持向量機(jī)的幾種多分類算法對(duì)離心泵的葉片損壞、密封泄漏和汽蝕3種故障進(jìn)行診斷，并將診斷結(jié)果與利用hp神經(jīng)網(wǎng)絡(luò)診斷的結(jié)果相比較。結(jié)果表明，采用支持向量機(jī)的幾種算法進(jìn)行診斷較后者具有更高的精度

其他處理水泵故障的方法推薦：

基于解析模型的方法對(duì)離心泵的故障處理   基于信號(hào)處理的方法進(jìn)行泵故障診斷   

　　展望
 

　　綜I：所述，人們對(duì)泵的故障診斷研究雖然已經(jīng)做了大量的上作，在工程實(shí)踐巾也得到了一定的應(yīng)用，但是也暴露出一些尚需解決和進(jìn)一步研究的問(wèn)題。

　　1、在理論分析和應(yīng)用研究巾，為了便下分析與處理，在多數(shù)情況下都對(duì)泵進(jìn)行了一些簡(jiǎn)單化處理，如假設(shè)被分析的信號(hào)具有線性、平穩(wěn)性和最小相位特征等，但在實(shí)際的工程用中常常會(huì)忽略信號(hào)中的一些重要特征，對(duì)于上作在較為理想工況條件下的簡(jiǎn)單的泵來(lái)講分析結(jié)果尚可，誤差不足很大，但對(duì)于精密程度高、工作環(huán)境復(fù)雜的泵，則診斷結(jié)果常常差強(qiáng)人意。

　�、诒妙愒O(shè)備在工作過(guò)程中存在著多種振動(dòng)激勵(lì)源，既有泵本身旋轉(zhuǎn)運(yùn)動(dòng)的振源，也有原動(dòng)機(jī)(如電機(jī)、柴油機(jī)等)的振動(dòng)激勵(lì)，而且當(dāng)泵出現(xiàn)故障時(shí)，其部件內(nèi)部還存在沖擊作用，同時(shí)水流也會(huì)產(chǎn)生一定的沖擊作用。這么多振源的振動(dòng)混合在一起勢(shì)必會(huì)相瓦影響，而且故障信號(hào)往往會(huì)被淹沒(méi)在背景噪聲和干擾之中，這都給泵的放障診斷帶來(lái)了很大難度，現(xiàn)有的信號(hào)分析方法在多激勵(lì)源的振動(dòng)信號(hào)分離以及低信噪比振動(dòng)信號(hào)的特征提取方面并未取得突破性進(jìn)展，仍需要做更深一步的研究。

　�、勰壳叭藗儗�(duì)泵進(jìn)行戰(zhàn)障分類主要還是采用基于數(shù)據(jù)的機(jī)器學(xué)習(xí)方式，這種方式的特點(diǎn)就是需要大量的樣本數(shù)據(jù)，但當(dāng)樣本數(shù)據(jù)難以獲得的時(shí)候，這種靠法就顯爪出了其的限性。兇此需要研究一種具有更高泛化推廣能力的小樣本故障模式分類方法，使其能夠利用有限的數(shù)據(jù)樣本來(lái)獲得更好的診斷效果。