[发明专利]一种基于LMD-SVD和IG-SVM的液压泵故障诊断方法

权利要求书

1.一种基于LMD-SVD和IG-SVM的液压泵故障诊断方法，其特征在于：该方法的步骤如下：

步骤(1)、应用LMD分解原始非线性非平稳的振动信号，得到有限数目的乘积函数(PF)信号分量；

步骤(2)、应用SVD处理得到的PF信号分量，提取简约稳定的奇异值作为故障特征向量；

步骤(3)、以提取的故障特征向量作为输入，应用IG-SVM进行故障分类，确定当前液压泵的故障状态。

2.根据权利要求1所述的一种基于LMD-SVD和IG-SVM的液压泵故障诊断方法，其特征在于：应用LMD对液压泵非线性非平稳的振动信号进行非线性分析，将原始振动信号分解为若干个乘积函数(product functions,PFs)，其中每个PF分量都是一个包络信号和一个具有瞬时物理意义的纯调频信号的乘积，包络信号就是该PF分量的瞬时幅值，而利用纯调频信号可以求出PF分量的瞬时频率，从而得到原始信号完整的时频分布。

3.根据权利要求1所述的一种基于LMD-SVD和IG-SVM的液压泵故障诊断方法，其特征在于：利用SVD在数据压缩、特征信息分离和弱信号提取方面的优势，对LMD分解原始振动信号后得到的包含较大数据量的PF分量进行进一步处理，以获取更加简约、更加稳定的故障特征向量，该特征向量将作为后续故障分类器的输入向量；同时，SVD处理PF分量后可以提取到更为本征的故障特征，为保证小样本条件下故障诊断的准确率奠定了基础。

4.根据权利要求1所述的一种基于LMD-SVD和IG-SVM的液压泵故障诊断方法，其特征在于：应用基于信息几何的支持向量机(IG-SVM)作为故障分类器。IG-SVM利用信息几何中的相关概念，深入分析核函数的对偶微分几何结构，依据被测数据的自身特点，以黎曼度量最优为目标，通过共形变换自适应地优化核函数结构，改善了SVM算法，降低了算法对核函数类型及其参数的过度依赖，减小了算法的复杂度，提高了分类准确率；应用中，首先，以LMD-SVD提取到的不同健康状态下的特征向量作为IG-SVM的输入向量，其对应的状态标签作为输出向量，训练IG-SVM；然后，对于任意时刻任意健康状态下的数据，提取其特征向量作为IG-SVM的输入向量，则IG-SVM可以输出该数据对应的液压泵健康状态标签，实现液压泵的故障诊断。