留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于EMD和SVM的机载燃油泵故障诊断研究

陈俊柏 刘勇智 陈勇 聂恺

陈俊柏, 刘勇智, 陈勇, 等 . 基于EMD和SVM的机载燃油泵故障诊断研究[J]. 北京航空航天大学学报, 2021, 47(8): 1687-1696. doi: 10.13700/j.bh.1001-5965.2020.0620
引用本文: 陈俊柏, 刘勇智, 陈勇, 等 . 基于EMD和SVM的机载燃油泵故障诊断研究[J]. 北京航空航天大学学报, 2021, 47(8): 1687-1696. doi: 10.13700/j.bh.1001-5965.2020.0620
CHEN Junbai, LIU Yongzhi, CHEN Yong, et al. Fault diagnosis of airborne fuel pump based on EMD and SVM[J]. Journal of Beijing University of Aeronautics and Astronautics, 2021, 47(8): 1687-1696. doi: 10.13700/j.bh.1001-5965.2020.0620(in Chinese)
Citation: CHEN Junbai, LIU Yongzhi, CHEN Yong, et al. Fault diagnosis of airborne fuel pump based on EMD and SVM[J]. Journal of Beijing University of Aeronautics and Astronautics, 2021, 47(8): 1687-1696. doi: 10.13700/j.bh.1001-5965.2020.0620(in Chinese)

基于EMD和SVM的机载燃油泵故障诊断研究

doi: 10.13700/j.bh.1001-5965.2020.0620
基金项目: 

陕西省自然科学基础研究计划 2019JQ-711

详细信息
    通讯作者:

    刘勇智. E-mail: liuyz_kj@163.com

  • 中图分类号: TP306+.3

Fault diagnosis of airborne fuel pump based on EMD and SVM

Funds: 

Basic Research Program of Natural Science of Shaanxi Province 2019JQ-711

More Information
  • 摘要:

    针对机载燃油泵故障数据来源较少、诊断效率较低、维护费用较高、缺乏有效故障特征的问题,利用机载燃油转输系统实验平台收集的振动信号和压力信号,提出了一种基于经验模态分解(EMD)和支持向量机(SVM)的机载燃油泵故障诊断方法。首先,利用EMD提取振动信号不同频段的能量值作为特征参量,并结合压力信号均值构造故障特征向量;其次,分别采用遗传算法(GA)、粒子群优化算法(PSO)、樽海鞘群算法(SSA)、网格搜索算法(GS)对SVM的惩罚参数和径向基函数(RBF)参数进行优化,并对优化后的SVM诊断性能进行了评估;最后,分别采用SVM、极限学习机(ELM)、BP神经网络作为分类器,并对3种分类器的诊断性能进行了评估。结果表明:采用3种群智能优化算法的SVM故障诊断率均能达到100%,寻优过程中均未陷入局部最优解,且寻优时间相当,其中GA的训练时间最短,可以采用GA对SVM参数进行寻优;当采用GA_SVM作为故障分类器时,用时较短,且故障诊断率较高,可以选用GA_SVM分类模型实现机载燃油泵的高效故障诊断。

     

  • 图 1  机载燃油转输系统实验平台结构示意图

    1—显示器;2—主机;3—数据采集设备;4—储油箱;5—振动传感器;6—燃油泵;7—阀门;8—压力传感器;9—供油箱。

    Figure 1.  Structure schematic diagram of experimental platform for airborne fuel transfer system

    图 2  振动传感器实物图

    Figure 2.  Physical installation of vibration sensor

    图 3  压力传感器实物图

    Figure 3.  Physical installation of pressure sensors

    图 4  叶片损伤1片振动信号

    Figure 4.  Vibration signal with one damaged blade

    图 5  叶片损伤1片EMD分解

    Figure 5.  EMD with one damaged blade

    图 6  叶片损伤1片IMF1~4频域特征

    Figure 6.  Frequency-domain features of IMF1-4 with one damaged blade

    图 7  叶片损伤2片IMF1~4频域特征

    Figure 7.  Frequency-domain features of IMF1-4 with two damaged blades

    图 8  正常状态压力信号时域图

    Figure 8.  Time domain of pressure signal in normal states

    图 9  叶片损伤1片压力信号时域图

    Figure 9.  Time domain of pressure signal with one damaged blade

    图 10  扩散管损伤压力信号时域图

    Figure 10.  Time domain of pressure signal with damaged diffusion tube

    图 11  扩散管与叶轮刮蹭压力信号时域图

    Figure 11.  Time domain of pressure signal when diffusion tube and impeller rub

    图 12  泵口与叶轮刮蹭压力信号时域图

    Figure 12.  Time domain of pressure signal when pump port and impeller rub

    图 13  渗漏状态压力信号时域图

    Figure 13.  Time domain of pressure signal in leakage state

    图 14  轴承磨损压力信号时域图

    Figure 14.  Time domain of pressure signal in wear bearing state

    图 15  基于故障特征向量EP的SVM测试结果

    Figure 15.  SVM test results based on fault feature vector EP

    图 16  基于故障特征向量G的SVM测试结果

    Figure 16.  SVM test results based on fault feature vector G

    图 17  基于故障特征向量V的SVM测试结果

    Figure 17.  SVM test results based on fault feature vector V

    图 18  PSO适应度曲线

    Figure 18.  PSO fitness curves

    图 19  GA适应度曲线

    Figure 19.  GA fitness curves

    图 20  SSA适应度曲线

    Figure 20.  SSA fitness curves

    表  1  产品主要工作参数

    Table  1.   Main working parameters of product

    参数 数值
    泵流量/(L·h-1) 12 000
    泵增压/kPa ≥73
    电压/V 27
    电流/A ≤5.5
    漏油量/(mL·min-1) 0
    下载: 导出CSV

    表  2  不同故障状态的归一化IMF能量

    Table  2.   Normalized IMF energy in different fault states

    故障模式 IMF1 IMF2 IMF3 IMF4
    叶片损伤1片 0.012 6 0.549 4 0.017 8 0.072 3
    叶片损伤2片 0.484 6 0.121 3 0.012 2 0.096 0
    下载: 导出CSV

    表  3  各工作状态下压力信号均值

    Table  3.   Average pressure under different working conditions

    机载燃油泵工作状态 压力信号均值/kPa
    正常 74.094
    叶片损伤1片 75.379
    叶片损伤2片 73.788
    叶片损伤10片 56.660
    扩散管损伤 71.208
    叶片损伤10片+扩散管损伤 52.354
    扩散管与叶轮刮蹭 72.480
    泵口与叶轮刮蹭 81.212
    渗漏 72.284
    轴承磨损0.02 mm 72.379
    下载: 导出CSV

    表  4  燃油泵数据采集参数

    Table  4.   Fuel pump data acquisition parameters

    参数 数值
    燃油泵转速/(r·min-1) 5 000
    采样频率/kHz 6
    采样时间/s 5
    测量通道 3振动
    1压力
    记录组数 100
    下载: 导出CSV

    表  5  归一化特征参数

    Table  5.   Normalized partial characteristic parameters

    状态 EV1 EV2 EV3 EV4 EP
    正常状态 0.204 6 0.028 5 0.102 6 0.010 7 0.730 7
    0.404 2 0.091 1 0.042 0 0.033 2 0.643 0
    叶片损伤1片 0.975 0 0.952 3 0.012 1 0.010 0 0.673 2
    0.201 4 0.023 5 0.079 9 0.008 9 0.748 0
    叶片损伤2片 0.983 6 0.921 8 0.021 5 0.079 9 0.682 7
    0.441 6 0.111 7 0.018 4 0.092 8 0.747 6
    轴承磨损0.02 mm 0.978 3 0.940 5 0.017 0 0.093 0 0.688 1
    0.973 5 0.897 1 0.017 1 0.085 2 0.685 7
    下载: 导出CSV

    表  6  故障特征参数

    Table  6.   Fault characteristic parameters

    状态 训练样本编号 EV1 EV2 EV3 EV4 EP 分类标签
    正常状态 1~80 0.192 0 0.005 5 0.070 8 0.013 8 0.749 2 1
    0.192 3 0.016 1 0.069 5 0.011 6 0.749 2
    叶片损伤1片 81~160 0.002 6 0.479 7 0.025 8 0.060 6 0.806 2 2
    0.002 3 0.433 7 0.025 6 0.058 2 0.795 4
    叶片损伤2片 161~240 0.437 3 0.098 9 0.023 0 0.091 5 0.742 0 3
    0.550 3 0.218 6 0.012 0 0.091 2 0.749 4
    轴承磨损0.02mm 721~800 0.965 3 0.866 8 0.017 7 0.089 6 0.675 5 10
    0.975 2 0.901 2 0.012 8 0.101 8 0.672 1
    下载: 导出CSV

    表  7  算法寻优性能对比

    Table  7.   Comparison of algorithm optimization performance

    优化算法 训练时间/s 故障诊断率/%
    PSO 54.15 100
    GA 19.86 100
    SSA 47.55 100
    GS 88.57 100
    下载: 导出CSV

    表  8  各分类器评估指标

    Table  8.   Evaluation index of each classifier

    分类器 用时/s 故障诊断率/% 诊断方差
    BP神经网络 3.000 0 97.95 16.006 4
    ELM 0.006 7 86.95 11.907 5
    常规SVM 0.005 0 99.95 0.020 3
    GA_SVM 0.005 1 100 0
    下载: 导出CSV
  • [1] HAYLOCK J A, MECROW B C, JACK A G, et al. Operation of a fault tolerant PM drive for an aerospace fuel pump application[J]. IEE Proceedings Electric Power Applications, 1998, 145(5): 441-448. doi: 10.1049/ip-epa:19982164
    [2] 冯威, 于劲松, 袁海文, 等. 机载燃油系统在线实时健康管理[J]. 北京航空航天大学学报, 2013, 39(12): 1639-1643. https://bhxb.buaa.edu.cn/CN/Y2013/V39/I12/1639

    FENG W, YU J S, YUAN H W, et al. Online real-time health management for aerial fuel delivery system[J]. Journal of Beijing University of Aeronautics and Astronautics, 2013, 39(12): 1639-1643(in Chinese). https://bhxb.buaa.edu.cn/CN/Y2013/V39/I12/1639
    [3] MURALIDHARAN V, SUGUMARAN V. Rough set based rule learning and fuzzy classification of wavelet features for fault diagnosis of monoblock centrifugal pump[J]. Measurement, 2013, 46(9): 3057-3063. doi: 10.1016/j.measurement.2013.06.002
    [4] TIAN J W, GAO M J, LI K, et al. Fault detection of oil pump based on classify support vector machine[C]//2007 IEEE International Conference on Control and Automation. Piscataway: IEEE Press, 2007: 549-553.
    [5] HANCOCK K M, ZHANG Q. A hybrid approach to hydraulic vane pump condition monitoring and fault detection[J]. Transactions of the ASABE, 2006, 49(4): 1203-1211. doi: 10.13031/2013.21720
    [6] GAO Y, ZHANG Q, KONG X. Comparison of hydraulic faults diagnosis methods: Avelet vs. spectral analyses[C]//Proceedings of the ASME Fluid Power Systems and Technology Division, 2005: 73-78.
    [7] 焦晓璇, 景博, 黄以锋, 等. 基于小波包BP_AdaBoost算法的机载燃油泵故障诊断研究[J]. 仪器仪表学报, 2016, 37(9): 1978-1988. doi: 10.3969/j.issn.0254-3087.2016.09.008

    JIAO X X, JING B, HUANG Y F, et al. Research on fault diagnosis for airborne fuel pump based on wavelet package and BP_AdaBoost algorithm[J]. Chinese Journal of Scientific Instrument, 2016, 37(9): 1978-1988(in Chinese). doi: 10.3969/j.issn.0254-3087.2016.09.008
    [8] ZHANG X D, TANG L, DECASTRO J. Robust fault diagnosis of aircraft engines: A nonlinear adaptive estimation-based approach[J]. IEEE Transactions on Control Systems Technology, 2013, 21(3): 861-868. doi: 10.1109/TCST.2012.2187057
    [9] 孔凡国, 张永孝, 宋剑虹. 经验模态分解在密封轴承故障诊断中的应用[J]. 机械设计与研究, 2011, 27(3): 70-72. https://www.cnki.com.cn/Article/CJFDTOTAL-JSYY201103024.htm

    KONG F G, ZHANG Y X, SONG J H. Sealed bearing fault diagnosis method based on empirical mode decomposition[J]. Machine Design & Research, 2011, 27(3): 70-72(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-JSYY201103024.htm
    [10] 焦晓璇, 景博, 羌晓清, 等. 机载燃油泵故障诊断及实验平台研究[J]. 振动与冲击, 2017, 36(1): 120-128. https://www.cnki.com.cn/Article/CJFDTOTAL-ZDCJ201701018.htm

    JIAO X X, JING B, QIANG X Q, et al. Fault diagnosis and test platform for airborne fuel pumps[J]. Journal of Vibration and Shock, 2017, 36(1): 120-128(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-ZDCJ201701018.htm
    [11] 彭喜元, 彭宇, 戴毓丰. 群智能理论及应用[J]. 电子学报, 2003, 31(S1): 1982-1988. https://www.cnki.com.cn/Article/CJFDTOTAL-DZXU2003S1007.htm

    PENG X Y, PENG Y, DAI Y F. Swarm intelligence theory and applications[J]. Acta Electronica Sinica, 2003, 31(S1): 1982-1988(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-DZXU2003S1007.htm
    [12] 张超, 陈建军, 徐亚兰. 基于EMD分解和奇异值差分谱理论的轴承故障诊断方法[J]. 振动工程学报, 2011, 24(5): 539-545. doi: 10.3969/j.issn.1004-4523.2011.05.012

    ZHANG C, CHEN J J, XU Y L. A bearing fault diagnosis method based on EMD and difference spectrum theory of singular value[J]. Journal of Vibration Engineering, 2011, 24(5): 539-545(in Chinese). doi: 10.3969/j.issn.1004-4523.2011.05.012
    [13] 张超, 陈建军, 郭迅. 基于EMD能量熵和支持向量机的齿轮故障诊断方法[J]. 振动与冲击, 2010, 29(10): 216-220. doi: 10.3969/j.issn.1000-3835.2010.10.045

    ZHANG C, CHEN J J, GUO X. A gear fault diagnosis method based on EMD energy entropy and SVM[J]. Journal of Vibration and Shock, 2010, 29(10): 216-220(in Chinese). doi: 10.3969/j.issn.1000-3835.2010.10.045
    [14] 陈晋音, 熊晖, 郑海斌. 基于粒子群算法的支持向量机的参数优化[J]. 计算机科学, 2018, 45(6): 203-209. https://www.cnki.com.cn/Article/CJFDTOTAL-JSJA201806035.htm

    CHEN J Y, XIONG H, ZHENG H B. Parameters optimization for SVM based on particle swarm algorithm[J]. Computer Science, 2018, 45(6): 203-209(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-JSJA201806035.htm
    [15] 戴邰武, 陈强强, 戴浩然, 等. 基于MFE-GASVM的机载燃油泵故障诊断[J]. 计算机测量与控制, 2020, 28(1): 8-10. https://www.cnki.com.cn/Article/CJFDTOTAL-JZCK202001003.htm

    DAI T W, CHEN Q Q, DAI H R, et al. Airborne fuel pumps diagnosis based on MFE-GASVM[J]. Computer Measurement & Control, 2020, 28(1): 8-10(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-JZCK202001003.htm
  • 加载中
图(20) / 表(8)
计量
  • 文章访问数:  223
  • HTML全文浏览量:  21
  • PDF下载量:  71
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-11-06
  • 录用日期:  2021-01-08
  • 刊出日期:  2021-08-20

目录

    /

    返回文章
    返回
    常见问答