《表2 基于LS-SVC多类分类器的液压齿轮泵分类结果》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于振动信号的齿轮泵故障诊断》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注：1.Ⅰ：正常状态，Ⅱ：齿面磨损，Ⅲ：气穴故障，Ⅳ：轴承故障，Ⅴ：侧板磨损；2.拒识域识别一栏中，分母为此类别拒识样本总数，分子为拒识样本正确识别数，“-”代表此类别无拒识样本；3.正确识别样本数量是指LS-SVC分类器正确分类数和拒识域识别方法对拒识样本正确识别数

为验证论文提出的故障诊断方法的有效性，在对采集的振动信号预处理后分别运用基于峭度液压泵时域特征提取、小波包能量和经验模态分解特征提取方法提取特征，将提取的训练数据故障特征参数作为LS-SVC的训练样本对核函数参数进行优化选取和最佳分划超平面的构建，测试数据故障特征参数作为LS-SVC的测试样本，验证不同方法的模式识别精度。按照成对分类多类别分类机构造方法，构造10个最小二乘支持向量分类机，并对测试样本进行模式识别，分类结果如表2所示。从表中结果可得，基于EMD的振动信号状态参数提取方法效果更好，由于振源复杂性和噪声干扰的存在，导致提取的振动信号中夹杂复杂的背景噪声，直接从振动信号中提取状态参数将导致故障征兆湮没在复杂背景噪声中；经验模态分解的IMF分量携带了从低频到高频的局部特征信息，在此基础上提取的状态参数凸显原信号的局部特征信息，提高了状态参数集故障特征信息的蕴含量。