钟更进

(广东交通职业技术学院, 广东 广州 510800)

在船舶主机的故障诊断时，往往依靠提取故障数的特征作为参比样本，必须建立典型样本数据库才能实现[1]。实际上要获得典型的障数据样本，必须做大量的故障测试来获取大量的故障数据，其人力物力的耗费之大，会制约了神经网络等智能诊断方法发展和应用。

应用统计学习理论来解决小样本学习提供一个统一的框架[2]，开发了一种新的通用学习方法即支持向量机，以解决少样本学习问题，应用于模式识别领域。机械设备发生故障时，由于故障发生的部位不同和故障发生的程度的差异，输出信号在各频段中的表现也不同。

在船舶主机故障的诊断中，在少量故障样本中的情况下，通过支持向量机算法实现了气阀间隙异常故障模式的识别和分类，取得了满意的结果。

1 主机故障特征的提取

1.1 故障信号的分解

应用小波包分析方法[3]，将频带进行多层次划分，对多分辨率分析设有细分的高频部分进一步分解，并根据被分析信号的特征。

小波包分解对信号的高频成分实施了与低频成分相同的进一步分解，每次分解相当于同时进行低通和高通滤波，进一步分解出低频和高频两部分，这样一直进行下去，使低频和高频成分都达到很精细的程度。

1.2 特征参数提取

利用船舶主机某部件发生故障时能量谱发生的变化，将实测的能量谱值与正常工况下的参考谱值进行比较，则可判别机器的技术状况。……