基于LMD和SVM齒輪泵故障特征信息提取與診斷研究.pdf

1、齒輪泵作為液壓系統(tǒng)動(dòng)力源，一旦出現(xiàn)故障會(huì)導(dǎo)致整個(gè)液壓設(shè)備癱瘓，將給企業(yè)帶來(lái)無(wú)法估量的損失。本論文以齒輪泵為研究對(duì)象，對(duì)齒輪泵進(jìn)行故障診斷研究，內(nèi)容如下：
　　（1）通過(guò)實(shí)驗(yàn)對(duì)小波變換和雙樹復(fù)小波變換的降噪效果進(jìn)行對(duì)比分析，結(jié)果表明雙樹復(fù)小波變換的降噪效果更好。對(duì)LMD(Local Mean Decomposition)分解原理進(jìn)行了研究，對(duì)其存在的端點(diǎn)效應(yīng)和分量過(guò)多問(wèn)題分別提出相關(guān)點(diǎn)延拓和相關(guān)系數(shù)選擇方法進(jìn)行改進(jìn)，通過(guò)實(shí)驗(yàn)驗(yàn)證了改

2、進(jìn)方法的有效性?；陔p樹復(fù)小波變換在降噪方面的優(yōu)點(diǎn)和LMD分解可得到包含更多物理意義的單分量信號(hào)，提出DT-LMD(Dual-Tree Local Mean Decomposition)能量特征提取方法，通過(guò)實(shí)驗(yàn)驗(yàn)證DT-LMD分解比LMD分解更能有效提取故障特征信號(hào)能量值。
　?。?）對(duì)SVM(Support Vector Machine)核函數(shù)的選用進(jìn)行了研究，根據(jù)齒輪泵信號(hào)的特點(diǎn)提出一種結(jié)構(gòu)簡(jiǎn)單的核函數(shù)，并通過(guò)交叉驗(yàn)證對(duì)核參

3、數(shù)進(jìn)行優(yōu)化。利用UCI數(shù)據(jù)庫(kù)對(duì)各類核函數(shù)進(jìn)行對(duì)比，結(jié)果表明新核函數(shù)的分類準(zhǔn)確率最高。
　?。?）利用LabVIEW友好的人機(jī)界面和MATLAB強(qiáng)大的數(shù)據(jù)處理功能相結(jié)合，進(jìn)行齒輪泵故障診斷系統(tǒng)的開發(fā)，利用LabVIEW中的MATLAB script節(jié)點(diǎn)，將新的方法應(yīng)用于齒輪泵的故障診斷中，實(shí)現(xiàn)了齒輪泵智能化的故障診斷。
　　經(jīng)過(guò)小樣本試驗(yàn)和實(shí)際數(shù)據(jù)測(cè)試，論文提出的基于DT-LMD分解和SVM的故障診斷方法，理論上可行，對(duì)工作于