为了能够更好的保持液压泵轴承振动信号的峰形,解决软阈值函数存在的恒定偏差和硬阈值函数存在间断点的问题,引进了一种最小二乘支持向量机(LS-SVM)与小波指数阈值结合的振动信号降噪方法。首先对液压泵的机械轴承振动信号进行小波阈值分解,进而采用LS-SVM方法将小波系数分为与噪声相关的及与噪声无关的小波系数,采用小波指数阈值函数将与噪声相关的小波系数滤除,将处理后的信号重组,提取微弱的振动信号特征。不仅实现了振动信号的降噪,也利于轴承的故障诊断。

针对小波软、硬阈值函数存在恒定偏差和不连续性的缺点,以及最小二乘支持向量机核函数参数选择困难等问题,提出了一种基于指数小波阈值与PSO-DP-LSSVM的发动机轴承故障诊断方法。利用指数小波阈值函数对原信号进行分解并重组,提取降噪后各个分量的能量特征;采用自适应的DP算法丰富PSO算法的解空间,并采用动态的参数控制,使其更容易获得最优解;将能量特征输入参数已定的LSSVM中,对信息进行训练和预测。结果表明:该方法能快速有效地对故障轴承信号进行自适应的故障诊断及分类。

针对旋转机械轴承微弱故障振动信号易被强噪声掩盖难以识别的问题,提出一种改进混沌粒子群优化支持向量机的故障诊断方法。将信号通过局部均值分解算法分解处理得到乘积函数(PF)分量,并进行能量归一化处理获得时频域特征集;通过迭代拉普拉斯得分降低时频域特征集的空间维度;以PF分量的排列熵作为混沌粒子群的适应度,并加入交叉和变异新策略,建立一种新的交叉变异混沌粒子群优化方法;利用改进的粒子群算法优化支持向量机的核函数和惩罚因子,并将优化后的分类模型应用于轴承故障诊断。结果表明:该故障分类模型的识别准确率高于其他分类模型。