一种基于lmd-svd和ig-svm的液压泵故障诊断方法
【专利摘要】本发明公开了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)的液压泵故障诊断方法，以提高小样本情况下故障诊断的精度。LMD作为一种自适应信号处理方法，可以自适应地将液压泵原始振动信号分解为有限个数的信号分量。然后应用SVD处理信号分量，压缩信号分量的数据量，提取更加简约稳定的故障特征向量。最后，应用IG-SVM对液压泵的故障状态进行分类，提高小样本情况下故障诊断的精度。本发明方法采用基于LMD-SVD-IGSVM的故障诊断方法，为液压泵提供了一套完整有效的小样本情况下的故障诊断方案，具有很好的实际工程应用价值。
【专利说明】-种基于LMD-SVD和IG-SVM的液压栗故障诊断方法
【技术领域】
[0001] 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)、奇异值分角军（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】
[0002] 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。
[0003] 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。
[0004] 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) 〇 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】
[0005] 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。
[0006] 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：
[0007] 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；
[0008] 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；
[0009] 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。
[0010] 进一步的，所述的步骤（1)具体为：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。
[0011] 进一步的，所述的步骤（2)具体为：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，为保证小样本下故障 诊断的准确率奠定了基础。
[0012] 进一步的，所述的步骤（3)具体为：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，其数据实际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训练好的 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。
[0013] 本发明与现有技术相比的优点在于：
[0014] (1)针对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，提出 了一套液压泵故障诊断方法，该方法可以保证在小样本情况下实现高准确率的故障诊断。
[0015] (2)、针对液压泵振动信号非线性非平稳非高斯的特点，应用高效的自适应非线性 时频分析方法LMD将原始振动信号分解为一系列乘积函数（product functions, PFs)，得 到了原始信号完整的时频分布。
[0016] (3)、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，应用SVD进一 步处理PF分量，提取到更简约、更稳定、更本征的特征向量。
[0017] (4)利用IG-SVM作为故障分类器，弥补了 SVM分类器对核函数类型及其参数过度 依赖的缺陷，减小了算法的复杂度，提高了分类准确率，实现了在小样本条件下高准确率的 故障分类。
【专利附图】
【附图说明】
[0018] 图1为SVM基本概念图解；
[0019] 图2为IG-SVM的实施步骤；
[0020] 图3为诊断方法流程图；
[0021] 图4为华盛顿天主教大学轴承数据中心的试验台示意图；
[0022] 图5为液压泵正常状态的LMD分解结果；
[0023] 图6为液压泵斜盘磨损故障状态的LMD分解结果；
[0024] 图7为液压泵转子磨损故障状态的LMD分解结果；
[0025] 图8为分别由LMD-SVD、EMD-SVD、WPD-SVD获取奇异特征值折线图；
[0026] 图9为网格搜索方法的优化过程；
[0027] 图10为案例1中IG-SVM、SVM和BP神经网络分类效果的对比；
[0028] 图11为案例1中IG-SVM和SVM分类效果的对比。
【具体实施方式】
[0029] 下面结合附图以及具体实施例进一步说明本发明。
[0030] 本发明的一种基于LMD-SVD和IG-SVM的液压泵故障诊断方法，具体如下：
[0031] 1、局部均值分解
[0032] 局部均值分解（local mean decomposition, LMD)是由 Smith 与 2005 年提出来的 一种新的自适应时频分析方法，可以自适应地将非线性非平稳振动信号分解为一系列乘积 函数（product functions, PFs)，其中，每一个PF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。基于移动平均方法，LMD对信 号进行平滑处理。对于任意信号X (t)，LMD的详细分解步骤如下：
[0033] (1)找出原始信号x(t)的所有局部极值点ni(i = 1，2,…），并计算两个连续极值 点Iii和ni+1的平均值Iiii，即：
【权利要求】
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。
【文档编号】F04B51/00GK104373338SQ201410664863
【公开日】2015年2月25日 申请日期:2014年11月19日 优先权日:2014年11月19日
【发明者】吕琛, 田野, 马剑 申请人:北京航空航天大学