基于支持向量机的 4—135 柴油机故障诊断摘要：利用小波包能量法提取数据特征值，减轻了通过波形分析法所需要做的大量特征提取；并且利用支持向量机（SVM）作为故障分类模型，结合能量法所提取的特征数据，最终得出的结果稳定准确率高
最后拓展讨论了选取不同归一化数据处理方法或不归一化，以及选用不同核函数对最终结果（准确率）的影响
关键词：故障诊断柴油机小波分解支持向量机（SVM）柴油机是一种重要的往复式动力机械，大多作为动力源使用在各种设备上
由于柴油机结构复杂，故障类型多、特点不一而可监测状态参数较少（温度、压力为主），因此多数故障在参数表现上呈一致状态很难推断故障类型（所在）
支持向量机是在小样本情况下进展起来的一种基于统计理论中 VC 维理论和结构风险最小化理论的新型机器学习理论，较好地解决了小样本、高维数和非线性等问题
SVM 可以进行直观的几何解释，并且克服了 BP、Hopfield 中较难确定结构和存在局部最优等弊端，从而极大地提高了系统的泛化能力
因此，在此背景下，笔者着重讨论基于支持向量机的柴油机故障诊断技术
1 支持向量机支持向量机结构体系中所出现参数符号分别有：变量i=（i=1，2…，s）是拉格朗日乘子，s 是乘子的数量；b 为阈值或偏移量；K（x，xi’）为一个支持向量机的核函数；xi’（i=1，2…，s）为SVM 的支持向量机；x 为训练样本、检验样本或实测样本中的某个向量；y（x）为 x 对应的输出量
2 柴油机特征信号提取2
1 故障诊断信号提取系统的建立图 1 为柴油机故障信号提取的系统简图
本系统中柴油机的数据采集是通过以下两部分传感器完成：（1）喷油器入口的压力传感器（CYG30 固态压阻传感器）；（2）柴油机缸头的振动传感器（YD 系列压电式加速度传感器）
其中采样频率 fs 为 25HZ，数据长度 10240
两个传感器传输信号经电荷放大器（
