郭佳

[摘要]支持向量机的运用提升了机械故障诊断的检测效率，并将机械诊断技术推向了智能化发展领域。基于统计学理论以及相关支持向量机方法满足了机械故障诊断对样本的需求，为其创新发展提供了新途径。本文结合机械故障及诊断常见类型，分析及研究了支持向量机运行适应性特征和运用范围，希望能够对机械工程领域的企业提供一定借鉴参考。

[关键词]支持向量机;机械故障诊断;统计学理论;分析及研究

近年来，在机械技术不断发展的影响下，支持向量机逐渐运用在多个领域。如人脸识别、手写识别等。本文针对支持向量机对机械故障诊断研究，结合其分类计算算法类型，分析其运行原理和适应性。下面，笔者结合相关运行操作经验，对支持向量机在机械故障诊断中的特征进行分析，希望能够为相关企业提供实践借鉴和理论参考。

一、机械故障诊断方法类型

机械故障诊断技术已有多年研究历程，从宏观方面来谈，其主要有以下三类诊断类型：第一，知识模拟诊断。这种方式结合了模拟生物智能方式，基于人为大脑特征，主要有智能诊断、神经网络、模糊推理等方式。该方式在非线性系统有着较为广阔的发展空间，一方面它能给系统建立一个智能化的环境，另一方面也能将这门技术进行简易化推广。第二，信号分析诊断。这种方式结合了物理场相关理论，将光学波普和小波分析、相关分析作为信号处理方式。第三，模型建设方式。借助模拟模型建设方式，按照一定规律规则建立一定的状态分析估计模型。主要方式有参数分析、等价空间分析、状态估计分析等方式。以上三种方式代表了我国当前诊断系统建设采用的主流方式，结合运行原理，这些理论在一定程度上缺乏相应的学习样本空间，不能有效地预测、控制机械故障发生频率。这对企业设备管理和经济建设有助较大的威胁。在此基础上，支持向量机的建设，能够优化产业风险结构，实现度机械故障及时诊断。

二、分析支持向量机的机械故障算法

支持向量机模式与线性可分最有分类面有着直接联系，当存在分类间隔最大值时，就能保证推广性内保证经验风险最小，让其能够成为最有分类面。

（一）可分性线性特征

对于线性而言，通过在分类问题中输入相关数据

，借助内部样本的多特征性就能满足一定程度的样本建设需求。让存在的数据信息呈现超平面或决策边缘特性，就需要借助算法将数据目标按照正负数分类隔开。同时要让任意样本的点到平面距离

这种方式将上下界隔开，让上方属于正类，下方反之。双方边界上正、负类样本定义为支持向量。这样能够为一定的范围内的机械问题争端提供依据和大量的参考样本。

（二）损失函数特征

损失函数主要是运用于不存在线性可分性的分类问题上，此时部分支持向量不符合规则直接进入了边界内部，或者落实错误决策一栏。现将损失函数进行数据化分析：

以上可知，损失函数并不是连续函数，因此也不适用于优化问题，经过向支持向量机处理后，采取铰链损失函数，能够实现相关连续性分析。

（三）相关风险以及正则化算法

通过上方损失函数算法影响，也可以定义相关经验风险算法：

其中f表示的是数据分类器，该经验风险算法能够确定相关分类器运行稳定状态和可行性。借助该算法能够将经验风险降到最低。

正则化的目的是对分类器进行求解，其中C指的是正则化相关系数，这种方式能够建设以SVW硬边界为主的最小化风险的结构分类器，以确保一定范围内数据分析风险，同时优化经验风险。

（四）其他算法研究

除开以上常见分类算法之外，支持向量机在机械故障诊断方面还有较多突破，如多分法的研究运用，该项算法能够对故障进行全面评判，对其进行分类，同时也能对各种故障类型进行区分。同时，核函数研究也能应对多种设备故障的判断处理。

结语

综上所述，受传统建设管理方式影响，相关操作管理人员不能有效地预测，控制机械故障发生频率，这对企业设备技术和经济建设有助较大的威胁。在机械故障诊断领域中，机械向量机有着较强实用性。本文针对其运行特征和算法类型进行了分析，对机械故障中学习样本较少的问题进行了研究。本文针对常见算法和运行原理，对支持向量机各项运用和智能化建设做出了阐述。然而该项技术在故障诊断领域中应用范围还有待探讨，因此，建议相关企业、机构加强对其研究，有助于支持向量机技术的全面发展，同时也带动相关机械产业安全性，综合性建设。

參考文献：

[1]袁胜发，褚福磊.支持向量机及其在机械故障诊断中的应用[J].振动与冲击，2013（11）：29-35+58+181.

[2]郝腾飞，陈果.旋转机械故障的拉普拉斯支持向量机诊断方法[J].中国机械工程，2016，27（01）：73-78.

[3]王长林，陈鸿宝，林玮，等.SVM模式识别技术及在机械故障诊断中的应用进展[J].桂林电子科技大学学报，2016，29（03）：256-259.