支持向量机(support vector machine, SVM)是在统计学习理论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、非线性和高维模式识别、以及传统神经络模式识别方法中难以解决的网络结构选择和局部极小点等实际问题， 已被成功应用于模式识别与故障诊断。SVM 的基本思想是通过定义适当的内积函数， 将训练数据从输入空间非线性的映射到一个更高维的空间里， 使得样本在该空间内线性可分，之后求取最优线性分类面。SVM 的性能主要受核参数和误差惩罚因子C 的影响。惩罚因子C 用于确定数据子空间中置信范围和经验风险的比例， 通过调整特征空间中经验误差水平来影响学习机的推广能力。

选取焊点压痕深度的特征参量h、焊接电流I、电极压力F 作为输入向量，焊点实际压痕深度hT为目标向量，建立了压痕深度的SVM 评判模型。输入向量中各特征参量数据具有不同的物理意义和不同的量纲。这样会造成在机器学习开始时各输入分量地位重要性不等同，而使得训练误差变大。为了克服该问题在机器学习开始前采用最大最小值方法对输入向量在[10～20]区间进行归一化，使得所有分量只表示相对大小。选取56 个焊点作为模型的训练样本，提取各个焊点的h、I 和F，构造模型输入向量P=[56×3]。提取各个焊点的hT，构造模型输出向量T=[56×1]。选择RBF 核函数g 为0.005524、惩罚因子C 为22.6274 时进行网络训练，获得了压痕深度的回归预测模型。利用测试样本集对模型进行验证。压痕深度的回归预测值hp和实际值hT的线性相关系数为0.9118，表明所建立的SVM 评判模型可以实现焊点压痕深度的预测 。