发明创造名称：一种基于LMD-SVD和IG-SVM的液压泵故障诊断方法
外观设计名称：
决定号：186886
决定日：2019-07-18
委内编号：1F252211
优先权日：
申请（专利）号：201410664863.9
申请日：2014-11-19
复审请求人：北京航空航天大学
无效请求人：
授权公告日：
审定公告日：
专利权人：
主审员：罗崇举
合议组组长：杨丽丽
参审员：徐小岭
国际分类号：G06F17/30,F04B51/00
外观设计分类号：
法律依据：专利法第22条第3款
决定要点
：一项权利要求请求保护的技术方案与作为最接近现有技术的对比文件相比存在区别技术特征，如果部分区别技术特征被另一篇对比文件公开，且其在该对比文件中所起作用与其在该权利要求中为实际解决其技术问题所起的作用相同，另一部分区别技术特征属于本领域的常用技术手段，在上述最接近现有技术的基础上结合另一篇对比文件和本领域常用技术手段得到该权利要求的技术方案对本领域技术人员而言是显而易见的，则该权利要求不具备创造性。
全文：
本复审请求涉及申请号为201410664863.9，名称为“一种基于LMD-SVD和IG-SVM的液压泵故障诊断方法”的发明专利申请（下称本申请）。本申请的申请人为北京航空航天大学，申请日为2014年11月19日，公开日为2015年02月25日。
经实质审查，国家知识产权局原审查部门于2018年02月01日发出驳回决定，以本申请权利要求1不符合专利法第22条第3款的规定为由驳回了本申请，其具体理由是：（1）独立权利要求1请求保护一种基于LMD-SVD和IG-SVM的液压泵故障诊断方法，其与对比文件1（“基于LMD的滚动轴承故障诊断研究”，史美丽，中国优秀硕士学位论文全文数据库工程科技Ⅱ辑,2012年第8期；公开日为2012年08月15日）的区别在于：（i）用于液压泵故障诊断；（ii）采用了基于信息几何的支持向量机算法以及该算法的详细步骤。区别特征（i）属于本领域公知常识，区别特征（ii）被对比文件3（“Chaotic information-geometric support vector machine and its application to fault diagnosis of hydraulic pumps”，Zhipeng Wang等，Journal of Vibroengineering，第16卷第2期，第1034-1042页；公开日为2014年03月31日）公开；因此权利要求1相对于对比文件1、对比文件3和本领域公知常识的结合不具备专利法第22条第3款规定的创造性。
驳回决定所依据的文本为：申请人于2017年10月27日提交的权利要求第1项；于申请日2014年11月19日提交的说明书第0001-0118段、说明书附图图1-11、说明书摘要及摘要附图。
驳回决定针对的权利要求书如下：
“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，该方法具体如下：
1、局部均值分解
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ni(i＝1,2,…)，并计算两个连续极值点ni和ni 1的平均值mi，即：
(1)
用直线连接所有相邻的平均值点mi，并应用移动平均算法对所有mi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ni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：
(2)
对ai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s1n(t)成为纯调频信号，即s1n(t)等于1，即：
(5)
其中，
(6)
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：
a1n(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：
(8)
然后将包络信号a1(t)和纯调频信号s1n(t)相乘，得到第一个乘积函数PF1，即：
PF1(t)＝a1(t)s1n(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s1n(t)求得，如公式(10)所示：
(10)
(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uk(t)变成一个单调函数，即：
(11)
基于以上过程，原始信号可以由这一系列的PFs和剩余信号uk(t)重构而成，即：
(12)
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，为了区分两类点，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＝{(xi,yi),i＝1,2,…,l}，其中每一个样本xi∈Rd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：
(13)
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：
(14)
其中，
(15)
dz＝(dzα)的长度平方写成二次项的形式为：
(16)
其中，
(17)
而输入空间S的黎曼度量即为n×n的正定矩阵G(x)＝(gij(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：
(18)
继而可以证明定理：
(19)
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gij(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gij(x)达到最优，可以通过对核函数进行共形变换来实现：
(20)
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gij(x)可以写成：
其中，当核函数为高斯径向基函数时，最后一项为零；
因此，当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，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：
(22)
其中，参数m,oi,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，可以被用来修正SVM；
IG-SVM可以通过下面的步骤进行实施：
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，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；
其中，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，如表1所示，
表1应用LMD-SVD获取的故障特征向量部分列表
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的运算效率如表2：
表2 IG-SVM的分类结果
所述的方法，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，如表3：
表3 IG-SVM的分类结果
”
申请人（下称复审请求人）对上述驳回决定不服，于2018年05月15日向国家知识产权局提出复审请求，同时修改了权利要求书，以原始权利要求书为基础，在独立权利要求1中增加技术特征以进一步限定。复审请求人陈述意见认为：权利要求1相对于对比文件1具有A1-A5个区别技术特征；对比文件1不涉及液压泵故障诊断，其不是对滚动轴承原始数据进行LMD，更不是对液压泵原始振动信号进行LMD，不是对液压泵原始振动信号进行LMD得到的PF信号分量进行SVD处理。对比文件2也没有公开上述技术特征。因此权利要求1具备创造性。
复审请求人于2018年05月15日提交的权利要求书为：
“1. 一种基于LMD-SVD和IG-SVM的液压泵故障诊断方法，其特征在于包括以下步骤：
对液压泵原始非线性非平稳的振动信号进行局部均值分解LMD，得到有限数目的乘积函数(PF)信号分量；
对液压泵原始非线性非平稳的振动信号进行LMD而得到的有限数目的PF信号分量进行奇异值分解SVD处理，提取简约稳定的奇异值，并将所提取的所述奇异值作为液压泵故障特征向量；
将作为液压泵故障特征向量的奇异值输入到基于信息几何的支持向量机IG-SVM；
将所述IG-SVM作为液压泵故障分类器，使其根据输入的液压泵故障特征向量，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：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，并将训练好的IG-SVM作为液压泵故障分类器。
3. 根据权利要求2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，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，使训练好的IG-SVM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。”
经形式审查合格，国家知识产权局于2018年06月12日依法受理了该复审请求，并将其转送至原审查部门进行前置审查。
原审查部门在前置审查意见书中认为：（1）关于修改：复审请求人对权利要求的修改是在原始提交的权利要求书的基础上对各个英文缩写做了解释说明，保护范围与原始提交的权利要求书实质相同。修改后的权利要求书相对于驳回决定针对的权利要求书扩大了保护范围，不符合专利法实施细则第六十一条第一款的规定。（2）关于技术方案：对比文件1通过提取滚动轴承的振动信号进行分析，判断轴承的故障；本申请是通过提取液压泵的振动信号进行分析，判断液压泵的故障；可见，二者的提取的信号相似，都是被诊断对象的振动信号，本领域技术人员为了有效判断部件的故障容易想到把对比文件１中根据部件振动信号诊断的方法，用于根据液压泵的振动信号来判断其故障。对比文件１在LMD前采用小波包分解方法，是为了克服LMD方法的缺陷，如果直接采用LMD方法，上述缺陷仍然存在，本领域技术人员根据具体情况，容易想到选用直接采用LMD分解原始振动信号。此外，给出具体的试验案例，对故障诊断方法本身没有实质影响。因此坚持原驳回决定。
随后，国家知识产权局成立合议组对本案进行审理。
合议组于2019年03月22日发出复审通知书，引用与驳回决定相同的对比文件，指出权利要求1-3不符合专利法第22条第3款的规定。具体理由为：（1）独立权利要求1相对于对比文件1、对比文件3和本领域常用技术手段的结合不具备专利法第22条第3款规定的创造性。（2）从属权利要求2-3的附加技术特征或被对比文件3公开，或属于本领域常用技术手段，因此均不具备创造性。
针对上述复审通知书，复审请求人于2019年05月06日提交了复审程序意见陈述书，同时修改了权利要求书，在独立权利要求1中增加了从属权利要求2的附加技术特征以及说明书中记载的与训练IG-SVM相关的步骤，删除了原从属权利要求2。复审请求人陈述意见认为：（1）本申请涉及液压泵故障诊断方法，对现有技术的贡献就是利用LMD-SVD和IG-SVM对液压泵故障进行诊断，从而实现了在小样本条件下高准确率的故障分类，对比文件1使用LMD-SVD进行故障诊断，不能实现该技术效果。（2）对比文件1对原始样本数据进行小波包分解，不是对原始样本数据进行LMD。（3）对比文件3利用无故障的正常状态下的数据集训练IG-SVM，没有公开将故障特征向量作为训练IG-SVM的输入向量。因此权利要求1具备创造性。
复审请求人于2019年05月06日提交的权利要求书为：
“1. 一种基于LMD-SVD和IG-SVM的液压泵故障诊断方法，其特征在于包括以下步骤：
对液压泵原始非线性非平稳的振动信号进行局部均值分解LMD，得到有限数目的乘积函数(PF)信号分量；
对液压泵原始非线性非平稳的振动信号进行LMD而得到的有限数目的PF信号分量进行奇异值分解SVD处理，提取简约稳定的奇异值，并将所提取的所述奇异值作为液压泵故障特征向量；
将所述液压泵故障特征向量作为基于信息几何的支持向量机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，并将训练好的IG-SVM作为液压泵故障分类器；
通过将所述液压泵故障特征向量输入到训练好的IG-SVM，进行故障分类，确定当前液压泵的故障状态；
其中，所述的训练IG-SVM的步骤包括：
将所述液压泵故障特征向量作为训练数据输入到具有一个合适的核函数K的SVM，记录支持向量SV的信息；
将支持向量SV的信息通过共形变换修正核函数K，得到新的核函数从而获得修改后的SVM；
通过将训练数据再次输入到修改后的SVM进行训练，得到训练好的IG-SVM。
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，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，使训练好的IG-SVM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。”
在上述程序的基础上，经过充分合议，合议组认为本案事实已经清楚，可以依法作出审查决定。
二、决定的理由
（一）审查文本的认定
复审请求人于2019年05月06日答复复审通知书时提交了权利要求书修改替换页（共包括权利要求第1-2项），经审查，其修改符合专利法第33条和专利法实施细则第61条第1款的规定。因此本复审决定针对的审查文本为：复审请求人于2019年05月06日提交的权利要求第1-2项；于申请日2014年11月19日提交的说明书第0001-0118段、说明书附图图1-11、说明书摘要及摘要附图。
（二）关于专利法第22条第3款
专利法第22条第3款规定：创造性，是指与现有技术相比，该发明具有突出的实质性特点和显著的进步，该实用新型具有实质性特点和进步。
一项权利要求请求保护的技术方案与作为最接近现有技术的对比文件相比存在区别技术特征，如果部分区别技术特征被另一篇对比文件公开，且其在该对比文件中所起作用与其在该权利要求中为实际解决其技术问题所起的作用相同，另一部分区别技术特征属于本领域的常用技术手段，在上述最接近现有技术的基础上结合另一篇对比文件和本领域常用技术手段得到该权利要求的技术方案对本领域技术人员而言是显而易见的，则该权利要求不具备创造性。
本复审决定引用与驳回决定和复审通知书相同的对比文件，为：
对比文件1：“基于LMD的滚动轴承故障诊断研究”，史美丽，中国优秀硕士学位论文全文数据库工程科技Ⅱ辑,2012年第8期；公开日为2012年08月15日；
对比文件3：“Chaotic information-geometric support vector machine and its application to fault diagnosis of hydraulic pumps”，Zhipeng Wang等，Journal of Vibroengineering，第16卷第2期，第1033-1040页；公开日为2014年03月31日。
1、权利要求1不具备专利法第22条第3款规定的创造性。
权利要求1请求保护一种基于LMD-SVD和IG-SVM的液压泵故障诊断方法，对比文件1公开了一种基于LMD-SVD和SVM的滚动轴承故障诊断方法，并具体公开了（参见第2-3、18-21、46、54-55页）：
从机械设备的振动信号中提取故障特征是机械故障诊断的关键因素之一，针对故障特征信号的非平稳、非线性特性，需要选择合适的信号处理方法来凸显其故障特征；
LMD是一种适合分析和处理机械故障振动信号的自适应分解方法；LMD方法是依据信号本身进行的自适应分解，得到的每一个PF分量都具有一定物理意义，反映了信号的内在本质，具有很高的信噪比，非常适用于非平稳、非线性信号的处理；
支持向量机有效改善了传统分类方法的缺陷，在解决模式识别的小样本问题中表现出了独特的优势和良好应用前景；本文采用支持向量机SVM作为分类器来对轴承工作状态进行分类；
在故障特征提取中，用基本的时域波形和频谱等分析手段来检测周期性的冲击分量难以取得理想的效果，矩阵的奇异值分解SVD在信号的分析处理中得到应用；矩阵元素发生小的变动时，矩阵奇异值变化很小，同时矩阵奇异值还具有比例不变性和旋转不变性，可以有效描述初始特征向量的特征；因此可提取各振动信号的奇异值作为故障特征向量来识别滚动轴承的工作状态和故障类型；
LMD在减少迭代次数、抑制端点效应方面要优于EMD方法，但LMD方法也有其缺陷，首先它在低频带会产生的多余PF分量；其次，LMD分解得到的第一个PF分量包含的频带范围可能太宽，从而不能完整得到某些分量的特性；第三，LMD方法不能有效的将低能量分量分解出来；针对以上问题，本文提出一种改进的LMD方法，即在LMD分解过程之前使用小波包分解方法，小波包分解方法不仅能对信号的低频部分进行分解，也能对信号的高频部分进行分解，从而将高低不同的频率分量分解到相应的频段上，以提高信号通频带的频率分辨率；
本文的故障诊断方法的步骤如下：对滚动轴承在一定的采样频率下进行N次采样，获得3N个振动信号作为样本；对各个原始样本数据进行小波包分解，得到n个重构结果；对重构信息应用LMD分解，得到n×m个PF分量，形成初始向量矩阵（相当于对非线性非平稳的振动信号进行局部均值分解LMD，得到有限数目的乘积函数PF信号分量）；进一步对初始向量矩阵A进行奇异值分解，得出奇异值矩阵（相当于对非线性非平稳的振动信号进行LMD而得到的有限数目的PF信号分量进行SVD处理，提取简约稳定的奇异值，并将所提取的奇异值作为故障特征向量）；将样本信号的奇异值输入支持向量机进行训练；对测试信号进行分类识别（相当于将故障特征向量的奇异值输入到支持向量机SVM，将该SVM作为故障分类器使其根据输入的故障特征值进行故障分类，确定当前设备的故障状态）。
由上述对比可知，该权利要求与对比文件1相比其区别技术特征为：（1）该故障诊断方法针对的设备为液压泵，LMD处理的是液压泵原始振动信号，SVD处理的是液压泵原始振动信号经LMD处理得到的PF信号分量，故障分类器中输入的是液压泵故障特征向量的奇异值；（2）将所述液压泵故障特征向量作为基于信息几何的支持向量机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，并将训练好的IG-SVM作为液压泵故障分类器；通过将所述液压泵故障特征向量输入到训练好的IG-SVM，进行故障分类，确定当前液压泵的故障状态；训练IG-SVM的步骤包括：将所述液压泵故障特征向量作为训练数据输入到具有一个合适的核函数K的SVM，记录支持向量SV的信息；将支持向量SV的信息通过共形变换修正核函数K，得到新的核函数从而获得修改后的SVM；通过将训练数据再次输入到修改后的SVM进行训练，得到训练好的IG-SVM。
基于上述区别技术特征可以确定该权利要求实际要解决的技术问题是：（1）选择故障诊断的设备；（2）提高故障分类准确率。
针对区别技术特征（1），对比文件1公开了一种滚动轴承的故障诊断方法，其中通过对故障振动信号进行故障特征提取和故障特征分类进行故障诊断，滚动轴承的振动信号为具有非平稳、非线性特点的小样本数据。本领域技术人员熟知，液压泵同样存在故障诊断的需要，且液压泵的故障诊断方法也可通过对故障振动信号进行故障特征提取和故障特征分类进行故障诊断，尤其是液压泵的振动信号同样是具有非平稳、非线性特点的小样本数据。
滚动轴承的故障诊断方法是对设备振动信号的处理方法，液压泵的故障诊断方法也是对设备振动信号的处理方法，尽管采集振动信号的设备来源不同，但对于具有相似的非平稳、非线性特性的小样本数据，本领域技术人员想到将对比文件1公开的针对滚动轴承的振动信号处理方法用于针对液压泵的振动信号处理中是显而易见的，因此将对比文件1公开的滚动轴承故障诊断方法用于液压泵故障诊断中是显而易见的。在此基础上，该故障诊断方法针对液压泵，LMD处理液压泵振动信号，SVD处理液压泵振动信号经LMD处理得到的PF信号分量，故障分类器输入液压泵故障特征向量的奇异值即为本领域技术人员在对比文件1的基础上进行的常规改进。
另外，针对区别技术特征（1）中LMD处理的信号为原始振动信号，对比文件1中公开了：LMD可以将复杂的多分量调幅-调频信号自适应分解成单分量的调幅-调频信号，分解得到的PF分量很好保持了原始信号的幅值和频率变换，因此可以采用LMD方法对故障振动信号进行分析来提取故障特征（参见第8页第1段）。可见对比文件1公开了可以采用LMD方法处理原始的故障振动信号。尽管在对比文件1的具体实施例中考虑到LMD的若干缺陷，在LMD处理前先采用小波包分解方法对原始振动信号进行分解，以提高信号通频带的频率分辨率，但是本领域技术人员在对比文件1公开的上述内容基础上得到技术启示进而想到采用LMD对原始振动信号进行处理是显而易见的。
针对区别技术特征（2），对比文件3公开了一种基于IG-SVM的液压泵故障诊断方法，并具体公开了（参见第1033-1040页）：应用基于信息几何的支持向量机IG-SVM作为故障分类器，对液压泵进行故障诊断；以普通状态的样本数据对IG-SVM进行训练，然后将其作为故障分类器以检测故障（相当于将液压泵故障特征向量作为基于信息几何的支持向量机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，并将训练好的IG-SVM作为液压泵故障分类器；通过将所述液压泵故障特征向量输入到训练好的IG-SVM，进行故障分类，确定当前液压泵的故障状态）。可见，对比文件3公开了采用训练好的基于信息几何的支持向量机IG-SVM作为液压泵故障诊断方法中的故障分类器，即区别技术特征（2）中部分技术特征已被对比文件3公开，且其在该对比文件中所起的作用与其在该权利要求的技术方案中为实际解决其技术问题所起的作用相同， 均可以提高故障分类的准确率， 因此本领域技术人员从该对比文件中得到采用IG-SVM作为液压泵故障分类器的技术启示是显而易见的。而训练IG-SVM的常规方法是本领域技术人员熟知的，在对比文件3已经公开了SVM所包括的共形变换修正核函数的基础上，本领域技术人员想到以液压泵故障特征向量作为训练数据输入核函数K，记录支持向量SV的信息，然后将其通过共形变换修正核函数获得修改后的SVM，并将训练数据再次输入修改后的SVM进行训练得到训练好的IG-SVM是显而易见的，可见区别技术特征（2）的另一部分属于本领域的常用技术手段。
因此，在对比文件1的基础上结合对比文件3和本领域常用技术手段得到该权利要求请求保护的技术方案对于本领域技术人员来说是显而易见的，因此权利要求1不具有突出的实质性特点和显著的进步，不具备专利法第22条第3款规定的创造性。
2、权利要求2不具备专利法第22条第3款规定的创造性。
权利要求2对权利要求1进一步限定。对比文件3公开了以普通状态的样本数据对IG-SVM进行训练，然后将其作为故障分类器以检测故障（参见第1033页）。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，其对应的状态标签为输出向量训练IG-SVM，以及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，使训练好的IG-SVM输出液压泵健康状态标签实现故障诊断是本领域技术人员在此基础上结合本领域常用技术手段容易得到的。因此在其引用的权利要求不具备创造性时，该权利要求也不具备创造性。
（三）关于复审请求人的意见陈述
针对复审请求人在答复复审通知书时陈述的意见，合议组认为：
（1）本申请的故障诊断方法为液压泵故障诊断方法，对比文件1公开了一种滚动轴承的故障诊断方法，其中通过对故障振动信号进行故障特征提取和故障特征分类进行故障诊断，滚动轴承的振动信号为具有非平稳、非线性特点的小样本数据。液压泵同样存在故障诊断的需要是本领域技术人员熟知的，且液压泵的故障诊断方法也可通过对故障振动信号进行故障特征提取和故障特征分类进行故障诊断，尤其是液压泵的振动信号同样是具有非平稳、非线性特点的小样本数据也是本领域技术人员熟知的。滚动轴承的故障诊断方法是对设备振动信号的处理方法，液压泵的故障诊断方法也是对设备振动信号的处理方法，尽管采集振动信号的设备来源不同，但二者实质上均是对有共同特点的一类数据信号进行处理的方法。对于同样具有非平稳、非线性特性的小样本数据，本领域技术人员想到将对比文件1公开的针对滚动轴承的振动信号处理方法用于针对液压泵的振动信号处理中是显而易见的。在此基础上，将对比文件1公开的滚动轴承故障诊断方法用于液压泵故障诊断中是显而易见的。同时，LMD处理液压泵振动信号，SVD处理液压泵振动信号经LMD处理得到的PF信号分量，故障分类器输入液压泵故障特征向量的奇异值即为本领域技术人员在对比文件1的基础上进行的常规改进。
（2）对比文件1中公开了如下技术特征：LMD可以将复杂的多分量调幅-调频信号自适应分解成单分量的调幅-调频信号，分解得到的PF分量很好保持了原始信号的幅值和频率变换，因此可以采用LMD方法对故障振动信号进行分析来提取故障特征（参见第8页第1段）。可见对比文件1公开了可以采用LMD方法处理原始的故障振动信号。因此本领域技术人员在对比文件1公开的上述内容基础上得到技术启示进而想到采用LMD对原始振动信号进行处理是显而易见的。
（3）对比文件3公开了（参见第1033-1040页）：应用基于信息几何的支持向量机IG-SVM作为故障分类器，对液压泵进行故障诊断；以普通状态的样本数据对IG-SVM进行训练，然后将其作为故障分类器以检测故障。可见，对比文件3公开了采用训练好的基于信息几何的支持向量机IG-SVM作为液压泵故障诊断方法中的故障分类器。而采用设备在正常工作状态下的数据作为训练样本是本领域技术人员熟知的知识，正常工作状态的数据即包括故障特征向量，因此将设备、即液压泵的故障特征向量作为训练数据输入SVM进行训练对本领域技术人员而言是显而易见的，属于本领域的常用技术手段。
综上可见，复审请求人陈述的理由相对于现有证据不具有说服力，合议组不予支持。
基于上述理由，合议组依法作出以下复审请求审查决定。
三、决定
维持国家知识产权局于2018年02月01日针对201410664863.9号发明专利申请作出的驳回决定。
根据专利法第41条第2款的规定，如对本复审请求审查决定不服，复审请求人可以自收到本决定之日起三个月内向北京知识产权法院起诉。
郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。
