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)動力源，一旦出現(xiàn)故障會導致整個液壓設備癱瘓，將給企業(yè)帶來無法估量的損失。本論文以齒輪泵為研究對象，對齒輪泵進行故障診斷研究，內容如下：
　?。?）通過實驗對小波變換和雙樹復小波變換的降噪效果進行對比分析，結果表明雙樹復小波變換的降噪效果更好。對LMD(Local Mean Decomposition)分解原理進行了研究，對其存在的端點效應和分量過多問題分別提出相關點延拓和相關系數(shù)選擇方法進行改進，通過實驗驗證了改

2、進方法的有效性?；陔p樹復小波變換在降噪方面的優(yōu)點和LMD分解可得到包含更多物理意義的單分量信號，提出DT-LMD(Dual-Tree Local Mean Decomposition)能量特征提取方法，通過實驗驗證DT-LMD分解比LMD分解更能有效提取故障特征信號能量值。
　?。?）對SVM(Support Vector Machine)核函數(shù)的選用進行了研究，根據(jù)齒輪泵信號的特點提出一種結構簡單的核函數(shù)，并通過交叉驗證對核參

3、數(shù)進行優(yōu)化。利用UCI數(shù)據(jù)庫對各類核函數(shù)進行對比，結果表明新核函數(shù)的分類準確率最高。
　?。?）利用LabVIEW友好的人機界面和MATLAB強大的數(shù)據(jù)處理功能相結合，進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，將新的方法應用于齒輪泵的故障診斷中，實現(xiàn)了齒輪泵智能化的故障診斷。
　　經(jīng)過小樣本試驗和實際數(shù)據(jù)測試，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，對工作于