摘要
随着工业自动化技术的迅速发展，液压泵作为核心动力元件在各类机械设备中发挥着至关重要的作用。然而，长期运行和复杂工作条件使得液压泵易于发生故障，进而影响整个系统的稳定性和效率。因此，高效准确地诊断液压泵的故障成为了提高系统可靠性和降低维护成本的关键。本研究提出了一种基于声纹识别的最小二乘双支持向量机（Least Squares Twin Support Vector Machine，LSTSVM）方法，应用于恒压变量柱塞泵的故障诊断。通过结合声纹识别的高灵敏度和LSTSVM的高效计算性能，本研究旨在实现对液压泵故障的快速、准确检测，从而为液压系统的健康管理提供一种新的技术途径。 首先，针对声音信号提取的单一特征难以完整表达信息的缺点，研究了融合特征的提取和降维，该方法通过结合梅尔倒谱系数与线性倒谱系数来相对完整地捕捉液压泵运行时产生的声音信号特征，再利用 Fisher 值的大小进行特征选择，从而提取出最有用的特征，使得最终每个特征向量的维数都保持在一个较低的水平，可以有效提升机器学习算法的计算效率并防止其过拟合。试验表明提取出的融合特征相较于单一特征能够更好地对声音信号进行描述，从而帮助机器学习算法获得更好的性能表现。 相对于振动信号，声音信号的特征规模往往更大，针对传统SVM计算效率低的问题，研究了基于LSTSVM的故障诊断模型，LSTSVM在将传统SVM解决一个较大规模的二次规划问题转化为求解两个规模更小的二次规划问题的基础上，引入最小二乘法作为优化准则，这使得其计算效率远远高于SVM，在处理较大规模的声音信号特征时更加得心应手。针对引入核函数的LSTSVM参数人为选择困难的问题，研究了粒子群算法对其参数进行寻优。试验表明，该方法能够有效地使用声音信号提取出的融合特征对试验数据进行分类。 为了提高故障诊断模型的分类精度，选择更紧凑且全面的特征 i-vector 作为LSTSVM的输入，主要研究了i-vector的提取和不同参数对i-vector质量的影响，通过试验选择合适的参数，使用融合特征向量提取声音信号的i-vector，LSTSVM的试验结果表明：i-vector能够更好地表征声音信号，进一步提升了LSTSVM的分类精度，同时在实际使用中，i-vector 模型可以接受不同长度的声音信号而输出长度相同的i-vector向量，这使得模型的兼容性和适应性更好。 最后，本论文使用LSTSVM作为分类器，分别提取声音信号和振动信号的特征，对比模型的性能差距。使用先前轴向柱塞泵故障模拟试验同步提取的振动信号，选择对除噪后的振动信号进行小波包分解并计算每个节点的能量组合成的向量做为特征向量，输入LSTSVM进行试验。结果表明，使用振动信号提取特征的LSTSVM具有略高的分类精度，声音信号和振动信号在故障诊断中各有所长。
NETL