[发明专利]一种基于LMD-SVD和IG-SVM的液压泵故障诊断方法

说明书

技术领域

本发明涉及液压泵故障诊断的技术领域，具体涉及一种基于局部均值分解(local mean decomposition,LMD)、奇异值分解(singular value decomposition,SVD)和基于信息几何的支持向量机(information-geometric support vector machine,IG-SVM)的液压泵小样本条件下的故障诊断方法。

背景技术

液压泵是液压系统的关键部件，对整个系统的稳定运行有着非常重要的影响，因此，迫切需要高效的液压泵故障诊断方法。由于液压泵故障的发生往往伴随着振动信号的变化，所以基于振动信号的诊断方法非常重要并已经成为国内外相关研究的热点之一。然而，在实际应用中，由于液压系统结构复杂，工况多变，难以建立准确的物理模型，因而往往采用基于数据驱动的方法进行故障诊断，如主成分分析(principal component analysis,PCA)、判别分析(discriminant analysis)、聚类分析(cluster analysis)、人工神经网络(artificial neural networks,ANNs)以及D-S证据理论等方法。相比于基于物理模型的方法，基于数据驱动的方法可以避免建立复杂的液压泵物理模型。然而在有些情况下，由于液压泵工作环境恶劣、多变，有效的振动信号往往被淹没在大量的干扰信号中，难以获取，数据驱动的方法将面临故障样本不足(即小样本情况)的问题。

为了进行有效的故障诊断，选取高效的故障特征提取方法和故障分类方法是关键。由于液压泵的振动信号是非线性非平稳信号，传统的线性信号处理方法(如全息谱分析、短时傅里叶变换等)无法有效处理轴承振动信号。而小波分析结果易受小波基选择的影响，同时不是自适应信号处理方法；经验模态分解(empirical mode decomposition,EMD)在分解过程中存在模态混淆、过包络、欠包络等问题。局部均值分解(local mean decomposition,LMD)是由Smith提出来的一种新的自适应信号处理方法，弥补了一些EMD方法的缺陷，提高了信号完整性、减少了迭代次数、减少了超调对信号分析的影响。由此，本发明采用LMD对液压泵的振动信号进行分析处理。但经LMD处理后得到的信号分量往往包含较大是数据量，无法直接用作分类器的输入，因此采用在数据压缩、特征信息分离和弱信号提取方面非常有效的奇异值分解(singular value decomposition,SVD)方法对信号分量进一步处理，以获取更加简约、更加稳定的故障特征向量。

在故障分类方面，支持向量机(support vector machine,SVM)具有解决小样本分类问题的能力，与ANNs相比有更好的稳健性并可避免维数灾难。SVM广泛应用于在故障诊断和模式识别领域。然而，SVM的性能取决于核函数的选择及其参数的设定，不合适的核函数对SVM的分类效果影响很大。但由于实际应用中人们无法预知数据的类型，核函数的选取还主要依靠主观经验，缺乏系统客观的理论指导。而近年来发展起来的信息几何为此提供了强有力的理论依据，使机器学习的配置更加科学、合理。由此，本发明提出了基于信息几何的支持向量机(information-geometric support vector machine,IG-SVM)。IG-SVM利用信息几何学中的相关概念(如：子流形、黎曼度量等)，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，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，提高了算法的性能与适用性。

发明内容

本发明提出基于LMD、SVD以及IG-SVM相结合的故障诊断方法，对试验数据的分析结果验证了该方法在液压泵小样本情况下诊断的有效性，具有很好的实际工程应用价值。

本发明采用的技术方案为：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值；

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。