脉搏是人体生理特征的外在反映,对临床诊断有着重要的指导意义。通过压电传感器采集脉搏信号,设计硬件电路对脉搏信号进行调理和无线传输,结合虚拟仪器技术实现了脉搏波波形显示、存储、报警和特征值提取。对临床采集的10例高血压患者和10例正常人脉搏,利用支持向量机（SVM）的方法对提取的脉搏信号特征进行分类,实验表明,该方法可以很好辨别出高血压患者。

针对柱塞泵故障特征难以提取、故障分类困难、故障诊断准确度不高的问题,提出局部均值分解(LMD)样本熵和支持向量机(SVM)结合的柱塞泵故障诊断方法研究。采集柱塞泵四种状态(正常、松靴、配流盘磨损、滑靴磨损)的多测点振动信号,将振动信号进行LMD分解和重构,提取重构信号的样本熵与原始信号标准差作为特征向量,将其输入SVM中进行训练和诊断,并与原始信号的特征向量诊断结果进行比较,诊断准确度可达99.5%以上。最后将SVM诊断结果与BP神经网络进行比较,结果表明SVM具有更高的速度和准确度。

针对难以从转辙机柱塞泵的非线性振动信号中有效提取故障特征以及各分量之间存在模态混叠现象等问题,提出了一种非线性自适应正交经验模态分解(Kernel Principal Empirical Mode Decomposition,KPEMD)与向量加权平均算法优化的支持向量机(INFO-SVM)结合的故障诊断方法。首先通过KPEMD方法将原始信号分解为多个IMF分量,根据相关系数筛选出故障信息丰富的敏感分量;其次提取敏感分量的时域频域特征及能量熵构造混合特征样本集;最后输入到INFO-SVM多分类器中进行故障识别。利用柱塞泵实验数据进行对比分析,结果表明:KPEMD能够有效减弱模态混叠现象,充分提取故障信息,INFO优化SVM的识别准确率优于其它常用算法的优化结果。本方法能有效识别出转辙机柱塞泵的不同故障类型,诊断准确率达到98%。

工程机械液压系统发生冲击故障时,液压冲击引起的振动信号包含了大量的故障信息。该文针对液压冲击产生的振动信号,通过EEMD方法计算有效IMF分量的能量分布作为振动信号的特征向量,研究了基于SVM分类预测的典型冲击振动信号的高维大样本的分类识别,比较了不同SVM分类器的分类识别效果。结果表明:基于EEMD和SVM相结合的方法可有效进行高维大样本条件下液压系统冲击振动信号分类识别,能实现液压系统冲击振动信号的智能诊断。

微型电机振动信号信噪比低,环境噪声复杂,对噪声信号进行有效去除是对其进行质量检测的关键步骤。针对传统小波降噪阈值函数连续性差、降噪效果不理想等问题,提出一种基于样本熵的改进小波阈值函数,能够根据信号混乱程度自动对阈值函数进行调节。仿真结果表明:在低信噪比环境下,基于样本熵的改进阈值函数降噪效果明显优于传统阈值函数和普通改进阈值函数,信号信噪比得到显著提升。对微型电机异音信号进行降噪处理和特征提取,结合SVM分类器进行训练测试,试验结果表明:改进的小波降噪算法能够有效去除电机信号环境噪声,提取有效的信号特征,对出厂电机性能优劣进行准确判断。该方法将为微型电机厂家大规模质量检测提供理论依据和支持。

支持向量机（SVM）在解决小样本、非线性及高维问题方面表现突出,支持向量回归（SVR）目前被广泛应用于设备状态趋势预测中用于故障定量分析。故障预测用于定性分析的相对较少,为进一步提高其预测精度,结合基于同源信息融合的全矢谱技术进行倍频成分预测。该方法采用全矢谱技术融合双通道信息,相比传统单通道信号提取方法,保障了SVR预测数据特征提取的完整性,提高预测精度。对特征频率进行分别预测,然后重新生成预测的频谱图。该方法应用于某电厂1号汽轮机振动数据的预测,实验结果表明,全矢支持向量回归（FVSVR）频谱成分预测方法具有较高的预测精度,可以对一些故障定性分析。

通过采集2种磨损程度不同的同类型刀具加工工件时机床主轴的振动信号，提出WPD—EMD和SVM故障诊断模型判断刀具磨损程度。首先利用小波包工具去除高频噪声信号，其次利用EMD分解得到若干个固有模态函数和一个残差，计算各个固有模态函数和EMD分解前信号的相关系数，合并相关系数大的固有模态函数得到新信号。计算新信号的绝对均值作为时域特征参数。选取若干组试验数据作为支持向量机训练集，建立判断刀具磨损程度大小的故障诊断模型。试验表明该故障模型预测刀具磨损程度准确率100％，为判断刀具实时加工工件的磨损程度提供新的途径。

工程机械液压系统发生冲击故障时,振动信号会出现相应的时频特性的变化,准确捕捉液压缸冲击振动信号,提取信号的典型特征是故障诊断的关键。该文首先运用SVM延拓解决EEMD方法的端点效应,然后通过改进的三次样条插值方法拟合包络线,再利用互相关分析与频谱分析对特征模态分量进行筛选,选取出能够代表信号特征的IMF分量。

柱塞泵是液压系统的关键部件，对其运行过程中的负荷状态进行监测和识别非常重要。由于在柱塞泵运行过程中，受振动机理复杂，环境干扰等因素的影响，柱塞泵的负荷状态识别比较困难。根据柱塞泵负荷状态发生改变时，振动信号能量会重新分布的特点，通过Hilbert变换对信号进行解调，根据包络谱上供油频率及其倍频处的峰值构造特征向量，最后，采用SVM对柱塞泵负荷状态进行识别，并与BP神经网络方法进行对比。试验结果表明，基于包络谱构造的特征向量能够有效反映柱塞泵的负荷状态，采用SVM对柱塞泵负荷状态进行识别能够获得比较好的结果。

为了更好地实现液压泵的故障模式识别,对液压泵故障特征提取方法和模式识别方法进行研究。针对多尺度熵算法存在的在尺度因子较大时时间序列较短而导致各尺度样本熵表征液压泵故障状态性能较差的问题,提出了改进的多尺度熵算法,通过对液压泵实测信号分析验证了所提出的改进多尺度熵的良好性能。针对液压泵故障状态与故障特征之间的非线性关系,采用支持向量机算法建立液压泵的故障模式识别模型,并提出采用人工蜂群优化算法对支持向量机模型参数进行优化。基于改进多尺度熵和蜂群优化参数的支持向量机实现液压泵故障模式识别,通过对比分析验证了所提出的液压泵故障模式识别方法的良好性能。