基于GLCT及CPA-SVM的变转速齿轮泵健康状态分类研究

针对齿轮泵变转速工况,提出广义线性调频小波变换(General linear chirplet transform,GLCT)和食肉植物算法(Carnivorous plant algorithm,CPA)优化支持向量机(Support vector machines,SVM)相结合的齿轮泵健康状态分类识别方法。首先选取4组磨损量不同的轴套,利用改造试验台采集不同状态下齿轮泵的振动信号;然后,引入GLCT时频分析方法消除转速变化的影响,提取瞬时旋转频率,进行角度域重采样,提取角度域中峰值指标、脉冲指标、峭度指标,与阶次谱方均根值、阶次域阶次幅值作为特征参数;最后,引入CPA对SVM两个参数c和g优化的分类方法,进行齿轮泵的健康状态进行分类识别,为了进一步验证算法有效性将其与SVM和极限学习机(Extreme learning machine,ELM)两种方法进行比较。结果表明,提出的分类方法平均准确率可达93.75%以上,能有效提高分类识别准确率。