支持向量机(supporr vcctor machine，SVM)是在有限样本统计学习理论STARISTICALLEARNING theory，slT)基础上‘发展起来的一种新的机器学习方法，它较好地解决了小样本、非线性和崭维模式识别芍实际问题，并克服r神经网络学爿方法巾网络销构难以确定、收敛速度慢、局部极小点、过学习与欠学习以及训练时需要大量数据样本等不足，具有良好的推广性能，成为继神经网络研究之后新的研究热点。
对于线性可分模式.其主要思想就是建立一个超平而作为决策面，该决策而不但能够将所有训练样本正确分类，而且使训练样本中离分类面最近的点到分类面的距离最大。对于非线性不可分模式·该方法通过某种特定的非线性映射，将样本空间映射到高维特征空间，使其线性可分，并在高维特征空间中构造出最优分类超平面，从而实现分类。有人应用支持向量机的几种多分类算法对离心泵的叶片损坏、密封泄漏和汽蚀3种故障进行诊断，并将诊断结果与利用hp神经网络诊断的结果相比较。结果表明，采用支持向量机的几种算法进行诊断较后者具有更高的精度
其他处理水泵故障的方法推荐：
基于解析模型的方法对离心泵的故障处理 基于信号处理的方法进行泵故障诊断
展望
综I：所述，人们对泵的故障诊断研究虽然已经做了大量的上作，在工程实践巾也得到了一定的应用，但是也暴露出一些尚需解决和进一步研究的问题。
1、在理论分析和应用研究巾，为了便下分析与处理，在多数情况下都对泵进行了一些简单化处理，如假设被分析的信号具有线性、平稳性和最小相位特征等，但在实际的工程用中常常会忽略信号中的一些重要特征，对于上作在较为理想工况条件下的简单的泵来讲分析结果尚可，误差不足很大，但对于精密程度高、工作环境复杂的泵，则诊断结果常常差强人意。
②泵类设备在工作过程中存在着多种振动激励源，既有泵本身旋转运动的振源，也有原动机(如电机、柴油机等)的振动激励，而且当泵出现故障时，其部件内部还存在冲击作用，同时水流也会产生一定的冲击作用。这么多振源的振动混合在一起势必会相瓦影响，而且故障信号往往会被淹没在背景噪声和干扰之中，这都给泵的放障诊断带来了很大难度，现有的信号分析方法在多激励源的振动信号分离以及低信噪比振动信号的特征提取方面并未取得突破性进展，仍需要做更深一步的研究。
③目前人们对泵进行战障分类主要还是采用基于数据的机器学习方式，这种方式的特点就是需要大量的样本数据，但当样本数据难以获得的时候，这种靠法就显爪出了其的限性。凶此需要研究一种具有更高泛化推广能力的小样本故障模式分类方法，使其能够利用有限的数据样本来获得更好的诊断效果。
