， ， ，

(第二炮兵工程大学 兵器发射理论与技术国家重点学科实验室， 陕西 西安　710025)

引言

作为液压系统的主要动力元件，液压泵的性能直接影响液压系统的正常工作，其状态检测与故障诊断是液压系统检测诊断的重要环节。柱塞泵具有额定压力高、功率大、效率高、体积小等诸多特点，但也存在自吸性差、结构复杂、油液精度要求高、维护成本大等缺点，常见故障有泵发热、配流盘磨损、滑靴与斜盘磨损、松靴以及输出流量不足等[1]。

针对柱塞泵故障诊断状态特征不明显的问题，实验模拟了柱塞泵故障,通过采集各状态下泵端面中央的振动信号， 利用小波包分解提取各频带能量以构建特征向量。有向无环图支持向量机(Directed Acyclic Graph SVM，DAG-SVM)是一种新的多类分类方法，采用最小超球体类包含作为层次分类依据，相比已有的分类方法有更高的分类精度。本研究采用DAG-SVM法[2]构造多分类支持向量机进行故障特征提取与故障预测，在此基础上完成了一体化诊断装置的设计验证。

1　SVM基本原理

支持向量机(Support Vector Machine，SVM)是基于统计学习理论中结构风险最小化原则的一种有效的、通用的机器学习方法，能有效克服局部最小问题以及工程实际中的小样本、高维数和非线性等实际难题，它通过建立最优分类超平面作为最终的决策曲面，将不同模式之间的隔离边缘最大化[3,4]。

C类支持向量机(C-Support Vector Machine，C-SVM)是利用支持向量机求解分类问题的最基本分类器，具有较高的识别率，径向基核函数(Radial Basis Function，RBF)能够实现非线性映射，且有两个参数：惩罚因子c和核参数g，是应用最广泛的核函数。……