CN104373338A - 一种基于lmd-svd和ig-svm的液压泵故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于局部均值分解(local mean decomposition,LMD)、奇异值分解(singular value decomposition,SVD)和基于信息几何的支持向量机(information-geometric support vector machine,IG-SVM)的液压泵故障诊断方法，以提高小样本情况下故障诊断的精度。LMD作为一种自适应信号处理方法，可以自适应地将液压泵原始振动信号分解为有限个数的信号分量。然后应用SVD处理信号分量，压缩信号分量的数据量，提取更加简约稳定的故障特征向量。最后，应用IG-SVM对液压泵的故障状态进行分类，提高小样本情况下故障诊断的精度。本发明方法采用基于LMD-SVD-IGSVM的故障诊断方法，为液压泵提供了一套完整有效的小样本情况下的故障诊断方案，具有很好的实际工程应用价值。

Description

一种基于LMD-SVD和IG-SVM的液压泵故障诊断方法

技术领域

本发明涉及液压泵故障诊断的技术领域，具体涉及一种基于局部均值分解(local meandecomposition,LMD)、奇异值分解(singular value decomposition,SVD)和基于信息几何的支持向量机(information-geometric support vector machine,IG-SVM)的液压泵小样本条件下的故障诊断方法。

背景技术

液压泵是液压系统的关键部件，对整个系统的稳定运行有着非常重要的影响，因此，迫切需要高效的液压泵故障诊断方法。由于液压泵故障的发生往往伴随着振动信号的变化，所以基于振动信号的诊断方法非常重要并已经成为国内外相关研究的热点之一。然而，在实际应用中，由于液压系统结构复杂，工况多变，难以建立准确的物理模型，因而往往采用基于数据驱动的方法进行故障诊断，如主成分分析(principal component analysis,PCA)、判别分析(discriminant analysis)、聚类分析(cluster analysis)、人工神经网络(artificial neural networks,ANNs)以及D-S证据理论等方法。相比于基于物理模型的方法，基于数据驱动的方法可以避免建立复杂的液压泵物理模型。然而在有些情况下，由于液压泵工作环境恶劣、多变，有效的振动信号往往被淹没在大量的干扰信号中，难以获取，数据驱动的方法将面临故障样本不足(即小样本情况)的问题。

为了进行有效的故障诊断，选取高效的故障特征提取方法和故障分类方法是关键。由于液压泵的振动信号是非线性非平稳信号，传统的线性信号处理方法(如全息谱分析、短时傅里叶变换等)无法有效处理轴承振动信号。而小波分析结果易受小波基选择的影响，同时不是自适应信号处理方法；经验模态分解(empirical mode decomposition,EMD)在分解过程中存在模态混淆、过包络、欠包络等问题。局部均值分解(local mean decomposition,LMD)是由Smith提出来的一种新的自适应信号处理方法，弥补了一些EMD方法的缺陷，提高了信号完整性、减少了迭代次数、减少了超调对信号分析的影响。由此，本发明采用LMD对液压泵的振动信号进行分析处理。但经LMD处理后得到的信号分量往往包含较大是数据量，无法直接用作分类器的输入，因此采用在数据压缩、特征信息分离和弱信号提取方面非常有效的奇异值分解(singular value decomposition,SVD)方法对信号分量进一步处理，以获取更加简约、更加稳定的故障特征向量。

在故障分类方面，支持向量机(support vector machine,SVM)具有解决小样本分类问题的能力，与ANNs相比有更好的稳健性并可避免维数灾难。SVM广泛应用于在故障诊断和模式识别领域。然而，SVM的性能取决于核函数的选择及其参数的设定，不合适的核函数对SVM的分类效果影响很大。但由于实际应用中人们无法预知数据的类型，核函数的选取还主要依靠主观经验，缺乏系统客观的理论指导。而近年来发展起来的信息几何为此提供了强有力的理论依据，使机器学习的配置更加科学、合理。由此，本发明提出了基于信息几何的支持向量机(information-geometric support vector machine,IG-SVM)。IG-SVM利用信息几何学中的相关概念(如：子流形、黎曼度量等)，深入分析核函数的对偶微分几何结构，依据被测数据的自身特点，以黎曼度量最优为目标，通过共形变换自适应地优化核函数结构，降低了算法对核函数类型及其参数的过度依赖，减小了算法的复杂度，提高了算法的性能与适用性。

发明内容

本发明提出基于LMD、SVD以及IG-SVM相结合的故障诊断方法，对试验数据的分析结果验证了该方法在液压泵小样本情况下诊断的有效性，具有很好的实际工程应用价值。

本发明采用的技术方案为：一种基于LMD-SVD和IG-SVM的液压泵故障诊断方法，其特征在于：该方法的步骤如下：

步骤(1)、应用LMD分解原始非线性非平稳的振动信号，得到有限数目的乘积函数(PF)信号分量；

步骤(2)、应用SVD处理得到的PF信号分量，提取简约稳定的奇异值作为故障特征值；

步骤(3)、以提取的故障特征向量作为输入，应用IG-SVM进行故障分类，确定当前液压泵的故障状态。

进一步的，所述的步骤(1)具体为：应用LMD对液压泵非线性非平稳的振动信号进行非线性分析，将原始振动信号分解为若干个乘积函数(product functions,PFs)，其中每个PF分量都是一个包络信号和一个具有瞬时物理意义的纯调频信号的乘积，包络信号就是该PF分量的瞬时幅值，而利用纯调频信号可以求出PF分量的瞬时频率，从而得到原始信号完整的时频分布。

进一步的，所述的步骤(2)具体为：利用SVD在数据压缩、特征信息分离和弱信号提取方面的优势，对LMD分解原始振动信号后得到的包含较大数据量的PF分量进行进一步处理，以获取更加简约、更加稳定的故障特征向量，该特征向量将作为后续故障分类器的输入向量。同时，SVD处理PF分量后可以提取到更为本征的故障特征，为保证小样本下故障诊断的准确率奠定了基础。

进一步的，所述的步骤(3)具体为：首先，以LMD-SVD提取到的不同健康状态下的特征向量作为IG-SVM的输入向量，其数据实际对应的状态标签作为输出向量，训练IG-SVM；然后，对于任意时刻任意健康状态下的数据，提取其特征向量作为训练好的IG-SVM的输入向量，则IG-SVM可以输出该数据对应的液压泵健康状态标签，实现液压泵的故障诊断。

本发明与现有技术相比的优点在于：

(1)针对由于液压泵工作环境恶劣、多变，有效的振动信号往往被淹没在大量的干扰信号中，难以获取，数据驱动的方法将面临故障样本不足(即小样本情况)的问题，提出了一套液压泵故障诊断方法，该方法可以保证在小样本情况下实现高准确率的故障诊断。

(2)、针对液压泵振动信号非线性非平稳非高斯的特点，应用高效的自适应非线性时频分析方法LMD将原始振动信号分解为一系列乘积函数(product functions,PFs)，得到了原始信号完整的时频分布。

(3)、利用SVD在数据压缩、特征信息分离和弱信号提取方面的优势，应用SVD进一步处理PF分量，提取到更简约、更稳定、更本征的特征向量。

(4)利用IG-SVM作为故障分类器，弥补了SVM分类器对核函数类型及其参数过度依赖的缺陷，减小了算法的复杂度，提高了分类准确率，实现了在小样本条件下高准确率的故障分类。

附图说明

图1为SVM基本概念图解；

图2为IG-SVM的实施步骤；

图3为诊断方法流程图；

图4为华盛顿天主教大学轴承数据中心的试验台示意图；

图5为液压泵正常状态的LMD分解结果；

图6为液压泵斜盘磨损故障状态的LMD分解结果；

图7为液压泵转子磨损故障状态的LMD分解结果；

图8为分别由LMD-SVD、EMD-SVD、WPD-SVD获取奇异特征值折线图；

图9为网格搜索方法的优化过程；

图10为案例1中IG-SVM、SVM和BP神经网络分类效果的对比；

图11为案例1中IG-SVM和SVM分类效果的对比。

具体实施方式

下面结合附图以及具体实施例进一步说明本发明。

本发明的一种基于LMD-SVD和IG-SVM的液压泵故障诊断方法，具体如下：

1、局部均值分解

局部均值分解(local mean decomposition,LMD)是由Smith与2005年提出来的一种新的自适应时频分析方法，可以自适应地将非线性非平稳振动信号分解为一系列乘积函数(product functions,PFs)，其中，每一个PF都是一个包络信号和一个具有瞬时物理意义的纯调频信号的乘积，包络信号就是该PF分量的瞬时幅值，而利用纯调频信号可以求出PF分量的瞬时频率，从而得到原始信号完整的时频分布。基于移动平均方法，LMD对信号进行平滑处理。对于任意信号x(t)，LMD的详细分解步骤如下：

(1)找出原始信号x(t)的所有局部极值点n_i(i＝1,2,…)，并计算两个连续极值点n_i和n_i+1的平均值m_i，即：

$m_i=\frac{n_i+n_{i+1}}{2}---\left(1\right)$

用直线连接所有相邻的平均值点m_i，并应用移动平均算法对所有m_i进行平滑处理，最终形成平滑变化的连续局部均值函数m₁₁(t)。

(2)基于局部极限值n_i计算局部包络估计函数a₁₁(t)。每一个半波振荡的局部幅值可以由下式计算：

$a_i=\frac{|n_i-n_{i+1}|}{2}---\left(2\right)$

对a_i进行平滑处理可以得到局部包络估计函数a₁₁(t)。

(3)从原始信号x(t)中分离出局部均值函数m₁₁(t)得到剩余信号h₁₁(t)，如下式所示：

h₁₁(t)＝x(t)-m₁₁(t)               (3)

将剩余信号h₁₁(t)除以a₁₁(t)，可得到调频信号s₁₁(t)，如下式所示：

s₁₁(t)＝h₁₁(t)/a₁₁(t)                   (4)

重复公式(3)得到a₁₂(t)，验证a₁₂(t)是否为1,。如果a₁₂(t)等于1，说明s₁₁(t)是纯调频信号，可以终止循环；否则将继续循环n次直到s_1n(t)成为纯调频信号，即s_1n(t)等于1。即：

$\left\{\begin{array}{c}{h}_{11}\left(t\right)=x\left(t\right)-m_{11}\left(t\right)\\ h_{12}\left(t\right)=s_{11}\left(t\right)-m_{12}\left(t\right)\\ \·\\ \·\\ \·\\ h_{1n}\left(t\right)=s_{1(n-1)}\left(t\right)-m_{1n}\left(t\right)\end{array}\right.---\left(5\right)$

其中，

$\left\{\begin{array}{c}{s}_{11}\left(t\right)=h_{11}\left(t\right)/a_{11}\left(t\right)\\ s_{12}\left(t\right)=h_{12}\left(t\right)/a_{12}\left(t\right)\\ \·\\ \·\\ \·\\ s_{1n}\left(t\right)=h_{1n}\left(t\right)/a_{1n}\left(t\right)\end{array}\right.---\left(6\right)$

在实际应用中，在保证分解效果的前提下，为了减少循环次数、降低运行时间，可以将终止条件设置为：

a_1n(t)≈1              (7)

(4)把所有包络估计函数相乘可以形成一个包络信号，即：

$a_1\left(t\right)=a_{11}\left(t\right)a_{12}\left(t\right)...a_{1n}\left(t\right)=\underset{q=1}{\overset{n}{\mathrm{\Π}}}{a}_{1q}\left(t\right)---\left(8\right)$

然后将包络信号a₁(t)和纯调频信号s_1n(t)相乘，得到第一个乘积函数PF1，即：

PF₁(t)＝a₁(t)s_1n(t)(9)

第一个乘积函数PF₁中包含了原始信号的最大频率，它实际上是一个单组份的调幅调频信号。PF₁的瞬时幅值就是包络信号a₁(t)，PF₁的瞬时频率可由纯调频信号s_1n(t)求得，如公式(10)所示：

$f_1\left(t\right)=\frac{1}{2\mathrm{\π}}\frac{d\left[\arccos \left(s_{1n}\left(t\right)\right)\right]}{\mathrm{dt}}---\left(10\right)$

(5)从原始信号中分离出第一个乘积函数PF₁，剩余信号u₁(t)充当了新的“原始信号”，重复以上过程k次，直到u_k(t)变成一个单调函数，即：

$\left\{\begin{array}{c}{u}_1\left(t\right)=x\left(t\right)-{\mathrm{PF}}_1\left(t\right)\\ u_2\left(t\right)=u_1\left(t\right)-{\mathrm{PF}}_2\left(t\right)\\ \·\\ \·\\ \·\\ u_k\left(t\right)=u_{k-1}\left(t\right)-{\mathrm{PF}}_k\left(t\right)\end{array}\right.---\left(11\right)$

基于以上过程，原始信号可以由这一系列的PFs和剩余信号u_k(t)重构而成，即：

$x\left(t\right)=\underset{p=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{PF}}_p\left(t\right)+u_k\left(t\right)---\left(12\right)$

可见，LMD方法保证了原始信号x(t)的信息完整性。

2、基于信息几何的支持向量机算法

基于信息几何的支持向量机(information-geometric support vector machine,IG-SVM)算法是在SVM的基础上，通过优化核函数来改善SVM算法性能的。图1给出了SVM的基本原理图，图中有一些属于两个类别的点，圆点属于A类，三角形的点属于B类。为了区分这两类点，SVM算法试图找到一个线性边界H使这个边界与每一类中最接近的点之间的距离最大化，而这些最近的点就用来定义这个边界，被称为支持向量(support vectors,SVs)。

假设存在训练样本G＝{(x_i,y_i),i＝1,2,…,l}，其中每一个样本x_i∈R^d属于一个类别y∈{+1,-1}。基于非线性映射函数，SVM将输入数据x投影到一个更高维度的特征空间F＝Rⁿ，则可得到线性判别函数：

可见，核函数的选择是分类的关键。为了说明基于信息几何的支持向量机的原理，下面首先分析核输入空间的微分几何结构。

根据信息几何观点可以发现，非线性映射函数φ(x)是一个子流形，定义了输入空间S的样本映射到高维特征空间F中的一个嵌入。当F为欧式空间或再生核Hilbert空间(再生核Hilbert空间是Hilbert空间的子空间)时，可以在输入空间S中引入黎曼度量。在在输入空间S中定义x，其映射到特征空间F中的量定义为z，两者有关系为z＝φ(x)。则x的微分向量dx的映射关系为：

其中，

dz＝(dz_α)的长度平方写成二次项的形式为：

$\left|\mathrm{dz}\right|=\underset{\mathrm{\α}}{\mathrm{\Σ}}{\left({\mathrm{dz}}_{\mathrm{\α}}\right)}^2=\underset{i,j}{\mathrm{\Σ}}{g}_{\mathrm{ij}}\left(x\right){\mathrm{dx}}_i{\mathrm{dx}}_j,---\left(16\right)$

其中，

$g_{\mathrm{ij}}\left(x\right)=\left(\frac{\∂}{\∂x_i}\mathrm{\φ}\left(x\right)\right)\·\left(\frac{\∂}{\∂x_j}\mathrm{\φ}\left(x\right)\right)---\left(17\right)$

而输入空间S的黎曼度量即为n×n的正定矩阵G(x)＝(g_ij(x))，由以上推导可知，黎曼度量是由核函数决定的。

基于公式可以推导出：

继而可以证明定理：

$g_{\mathrm{ij}}\left(x\right)=\frac{\∂}{\∂x_i}\frac{\∂}{\∂x_j^{\′}}K(x,x^{\′}){|}_{x^{\′}=x}.---\left(19\right)$

通过以上分析可知，为了提高SVM分类器的稳定性和准确率，需要提高超平面H处的空间分解力。一个有效的方法是：增大分类面处支持向量附近的体积元，而减小其他地方的体积元，也就是说使黎曼度量g_ij(x)在分类面处的点增大而在其他点处减小。为了使黎曼度量g_ij(x)达到最优，可以通过对核函数进行共形变换来实现：

$\tilde{K}(x,x^{\′})=c\left(x\right)c\left(x^{\′}\right)K(x,x^{\′}).---\left(20\right)$

通过引入一个适当的保角映射c(x)，可以得到修正后的核函数此时，非线性映射函数φ(x)可以被修正为可以证明满足Mercer定理。由此，修正后的黎曼度量g_ij(x)可以写成：

${\tilde{g}}_{\mathrm{ij}}\left(x\right)=c{\left(x\right)}^2{g}_{\mathrm{ij}}\left(x\right)+c_i\left(x\right)c_j\left(x\right)+2c_i\left(x\right)c\left(x\right)K(x,x),$

其中， $c_i\left(x\right)=\∂c\left(x\right)/\∂x_i,K_i(x,x)=\∂K(x,x^{\′})/\∂x_i{|}_{x^{\′}=x}.$ 当核函数为高斯径向基函数时，最后一项为零。

因此，当我们选择了合适的保角映射c(x)后，c(x)值会在x靠近最优超平面时变大，在远离最优超平面时变小，如此，共形变换增加了分类面H处的空间分解力。

然而，本文研究发现，在实际应用中，我们不可能提前预知最优超平面的位置，但从经验上来讲，支持向量(SV)通常分布在最优分类面的周边，而SV是可以依据训练数据确定的。因此，本发明认为，可以选择一个合适的包角映射函数c(x)使c(x)的值在x靠近支持向量时变大，在远离支持向量时变小。

基于以上分析，包角映射函数c(x)可以选择如下：

$c\left(x\right)=\frac{1}{m}\underset{i-1}{\overset{m}{\mathrm{\Σ}}}\exp (-{\left|\right|x-o_i\left|\right|}^2/{\mathrm{\τ}}^2),---\left(22\right)$

其中，参数m,o_i,τ分别代表了分区点的个数、中心点以及第i个分区的宽度。

从式(22)中可以看出，当c(x)和SVs之间的距离增加的时候，c(x)呈指数趋势增长。如此，这个函数满足上文提到的要求，可以被用来修正SVM。

总之，IG-SVM可以通过图2中所示的步骤进行实施。

首先，选择合适的核函数K，训练SVM，记录SVs的信息。

然后，根据公式(20)和公式(22)，通过共形变换修正核函数K得到新的核函数

最后，基于核函数重新训练修正后的SVM。

3、基于LMD-SVD-IGSVM的液压泵故障诊断方法

本发明提出的液压泵故障诊断方法流程如图3所示。具体的步骤如下：

(1)首先，应用LMD分解原始非线性非平稳的振动信号，得到有限数目的乘积函数(PF)信号分量；

(2)应用SVD处理得到的PF信号分量，提取简约稳定的奇异值作为故障特征值；

(3)以提取的故障特征向量作为输入，应用IG-SVM进行故障分类，确定当前液压泵的故障状态。

应用实例如下：

1、试验设置

为了验证提出的方法，本发明搭建了一个柱塞泵试验台，如图4所示，采集液压泵端面的振动信号，电动机转速固定为528r/min，采样频率为1000Hz。在数据采集中，本发明设置了液压泵的三种状态，即正常状态、斜盘磨损(故障1)和转子磨损(故障2)，对于正常状态和故障1状态，只设置了一种故障程度，但是故障2设置了4种故障程度。

2、故障特征提取

(1)基于LMD的信号分解

首先，基于LMD，将原始振动信号分解为有限个数的PF分量，如图5-7所示，为液压泵正常、故障1和故障2状态下的LMD分解信号结果图。

(2)基于LMD-SVD的特征提取

从上面的LMD分解结果图中可以看出，LMD分解原始信号后获得的PF分量的数据量很大，无法直接充当故障特征向量。因此，应用SVD对PF分量进行进一步的处理，提取更加简约、稳定的矩阵奇异值作为特征向量。表1中列出了一部分由SVD提取的特征向量，可以看出，每一个特征向量只包含了3个数值，且液压泵在同种状态下的特征向量有高度的相似性。为了更清晰的表现LMD-SVD提取特征的优势，将由LMD-SVD、EMD-SVD、WPD-SVD分别提取的特征值绘制成折线图，如图8所示。从图中可以看出，由EMD-SVD和WPD-SVD方法获取的特征值在不同故障状态下有很大程度的混淆，难以区分各种故障状态；应用LMD-SVD获取的特征值在不同故障状态下有很好的可分离性，而故障2的4种故障程度(图中在“故障1”与“正常”折线簇之间的4根折线簇)之间并没有出现较大的分歧，而是较有层次地聚集在一起，体现出了一种渐变的过程，说明本发明提出的特征提取方法能够有效地提取较为本质的故障特征，具有高度可分性的特征值为后续的故障分类奠定了基础。

表1 应用LMD-SVD获取的故障特征向量部分列表

3、基于IG-SVM的状态分类

在获取的特征向量的基础上，本发明应用IG-SVM进行液压泵的故障分类。在此，将进行两个分类验证案例。案例一，验证本发明提出的方法在处理小样本故障诊断中的有效性，此时故障2状态不区分不同的故障程度；案例二，验证所提出的方法在处理小样本下不同故障程度交叉诊断中的有效性，此时，故障2状态分别单独以故障程度1-4的数据作为训练数据，而以所有故障程度的数据作为测试数据。

案例一中，每种状态、每种故障程度下的数据各取80组数据组成测试数据，而分别各取30、20、10和5组数据组成训练数据，以验证训练数据不同时IG-SVM的分类准确率。IG-SVM的核函数选取工程中应用最广泛的径向基函数，并应用网格搜索优化参数，优化过程如图9所示。为了验证本发明提出方法的优势，将分别采用IG-SVM、SVM和BP神经网络进行故障分类，分类的具体结果如表2和图10所示，从中可以看出，当训练样本数据量减少的时候，BP神经网络的分类效果急剧下降，尤其当训练数据小于5时，分类效果很差；而SVM和IG-SVM受训练数据量影响较小，IG-SVM的分类准确率在小样本的情况下依然很高，即使在只有5个训练样本时也高达99.79％，即在总共480个测试样本中只有1个样本的故障状态被判断错误；IG-SVM的支持向量数量比SVM的支持向量数量少一半以上，大大提高了SVM的运算效率。

表2 案例1中IG-SVM的分类结果

案例二中，在每种状态、每种故障程度下的数据各取80组数据组成测试数据，正常状态和故障1状态下各取10组数据组成训练数据，故障2状态下随机选取一种故障程度取10组数据作为训练数据，即训练数据共有30组数据。交叉诊断的结果如表3所示。结合图8和表3可以看出，在小样本条件下，当训练数据与测试数据属于同一种状态和故障程度下时，故障诊断的准确率可以达到100％；当训练数据与测试数据属于不同故障程度时，差异越大的数据在交叉诊断时准确率越低；SVM受不同故障程度的影响较大，最低准确率小于90％，而IG-SVM对不同故障程度具有一定的兼容能力，最低准确率不低于95％；从支持向量数量来看，在交叉故障诊断中IG-SVM的运算效率也高于SVM。案例1和案例2的诊断结果，充分验证了本发明提出的方法在小样本情况下对液压泵故障诊断的有效性。

本发明提出的方法，通过提取更加准确的故障特征向量，在小样本情况下具有更高的分类准确率和运算效率，适合应用在缺少历史故障数据的液压泵故障诊断问题中。

表3 案例2中IG-SVM的分类结果

本发明未详细阐述部分属于本领域技术人员的公知技术。

Claims (4)

1.一种基于LMD-SVD和IG-SVM的液压泵故障诊断方法，其特征在于：该方法的步骤如下：

步骤(1)、应用LMD分解原始非线性非平稳的振动信号，得到有限数目的乘积函数(PF)信号分量；

步骤(2)、应用SVD处理得到的PF信号分量，提取简约稳定的奇异值作为故障特征向量；

步骤(3)、以提取的故障特征向量作为输入，应用IG-SVM进行故障分类，确定当前液压泵的故障状态。

2.根据权利要求1所述的一种基于LMD-SVD和IG-SVM的液压泵故障诊断方法，其特征在于：应用LMD对液压泵非线性非平稳的振动信号进行非线性分析，将原始振动信号分解为若干个乘积函数(product functions,PFs)，其中每个PF分量都是一个包络信号和一个具有瞬时物理意义的纯调频信号的乘积，包络信号就是该PF分量的瞬时幅值，而利用纯调频信号可以求出PF分量的瞬时频率，从而得到原始信号完整的时频分布。

3.根据权利要求1所述的一种基于LMD-SVD和IG-SVM的液压泵故障诊断方法，其特征在于：利用SVD在数据压缩、特征信息分离和弱信号提取方面的优势，对LMD分解原始振动信号后得到的包含较大数据量的PF分量进行进一步处理，以获取更加简约、更加稳定的故障特征向量，该特征向量将作为后续故障分类器的输入向量；同时，SVD处理PF分量后可以提取到更为本征的故障特征，为保证小样本条件下故障诊断的准确率奠定了基础。

4.根据权利要求1所述的一种基于LMD-SVD和IG-SVM的液压泵故障诊断方法，其特征在于：应用基于信息几何的支持向量机(IG-SVM)作为故障分类器。IG-SVM利用信息几何中的相关概念，深入分析核函数的对偶微分几何结构，依据被测数据的自身特点，以黎曼度量最优为目标，通过共形变换自适应地优化核函数结构，改善了SVM算法，降低了算法对核函数类型及其参数的过度依赖，减小了算法的复杂度，提高了分类准确率；应用中，首先，以LMD-SVD提取到的不同健康状态下的特征向量作为IG-SVM的输入向量，其对应的状态标签作为输出向量，训练IG-SVM；然后，对于任意时刻任意健康状态下的数据，提取其特征向量作为IG-SVM的输入向量，则IG-SVM可以输出该数据对应的液压泵健康状态标签，实现液压泵的故障诊断。