基于樣本分位數的機載燃油泵故障狀態特征提取及實驗研究

李娟＊，景博，羌曉清，劉曉東

1．空軍工程大學 航空航天工程學院，西安 710038 2．魯東大學 數學與統計科學學院，煙臺 264025 3．中航工業金城南京機電液壓工程研究中心，南京 210000 4．航空機電系統綜合航空科技重點實驗室，南京 210000

基于樣本分位數的機載燃油泵故障狀態特征提取及實驗研究

李娟1，2＊，景博1，羌曉清1，劉曉東3，4

1．空軍工程大學 航空航天工程學院，西安 710038 2．魯東大學 數學與統計科學學院，煙臺 264025 3．中航工業金城南京機電液壓工程研究中心，南京 210000 4．航空機電系統綜合航空科技重點實驗室，南京 210000

機載燃油泵的健康狀態關系著飛行任務的完成和飛行安全，對機載燃油泵的故障狀態特征提取及診斷成為亟需解決的問題。通過對機載燃油實驗系統的振動與壓力信號進行綜合分析，提出了一種基于樣本分位數的故障狀態特征提取方法。首先，根據樣本分位數的漸近分布定理，討論了樣本分位數的統計特性，分析了故障狀態與樣本分位數的對應關系，從理論上保證了該方法的可行性，在實測數據統計分析的基礎上，討論了樣本容量對樣本分位數穩定性的影響；其次，根據樣本分位數漸近分布定理計算各故障狀態的置信區間，并與Bootstrap方法得到的置信區間進行對比，結果顯示，依據樣本分位數漸近分布定理得到的置信區間真實可靠，為在線故障診斷提供了依據；然后，以各故障狀態下提取的樣本分位數為特征向量構建貝葉斯判別函數，進行故障診斷；最后依據故障診斷的正確率對傳感器進行優化，結果表明，同時安裝振動傳感器與壓力傳感器可以提高故障診斷的正確率，并且只安裝1個壓力傳感器與1個特定方向的振動傳感器即可對機載燃油泵的故障狀態進行完全識別。為快速準確的在線判斷機載燃油泵的狀態提供了理論支撐，并且可以降低工程應用中機載燃油泵監測系統的體積、功耗及復雜性。

燃油泵；樣本分位數；傳感器；故障預測與健康管理；故障診斷

機載燃油系統承擔著為飛機輸送“血液”的重擔，是現代飛機的重要組成部分［1］，其穩定工作是飛機安全性與可靠性的重要保證。燃油泵是燃油系統的核心部件，一旦在空中發生故障就會導致機毀人亡的災難性后果［2］。因此，對機載燃油泵進行在線故障診斷，提高其安全性和可靠性，是飛機故障預測和健康管理［3］（Prognostics and Health Managemen，PHM）系統的重要組成部分。

燃油泵的故障診斷［4－6］得到了國內外的廣泛關注，在機載燃油泵的故障診斷研究中，國內外廣泛采用振動信號［7］或者壓力信號［8］作為狀態監測和診斷的信息源，但多故障模式下基于單監測信號的故障診斷效果并不理想。故障設備狀態監測與診斷的核心工作是特征提取與狀態識別［9－10］。2013年印度學者 Muralidharan和Sugumaran［11］使用振動信號，結合小波分析進行特征提取，運用模糊邏輯分類方法對離心式燃油泵正常、氣蝕、葉輪故障、軸承故障、軸承與葉輪故障并存5種故障狀態進行了識別。2014年Muralidharan等［12］對同樣5種故障運用小波方法提取狀態特征，應用支持向量機對不同狀態進行了識別。王杰華［13］采用矢量融合能量譜理論提取故障特征，應用模糊聚類分析理論，結合BP神經網絡對轉子不平衡、轉子不對中、轉子碰磨和基礎松動這4種故障進行了診斷。

本文對機載燃油泵工作過程中同時獲取的振動傳感器信號與壓力傳感器信號進行統計分析，發現傳感器輸出信號呈現出了低峰瘦尾的特征，且不同故障狀態的樣本分位數區分明顯。查詢文獻時，發現鮮有運用分位數進行特征提取并應用于工程領域的報道。僅文獻［14］針對離心機運行狀態的單一振動信號進行了分位數特征提取，并運用K均值聚類完成了分類，得到該方法在高頻情況下優于小波分析的結論。但論文僅僅應用了單一振動信號，沒有從理論上分析樣本分位數作為特征提取的可行性，且提取的分位數特征向量維數過高，造成信息的冗余，不利于計算與實際應用。針對這些問題，本文提出了基于樣本分位數的特征提取方法，結合貝葉斯判別分析對機載燃油泵的故障狀態進行診斷，從理論上討論了分位數特征提取與貝葉斯判別分析相結合的合理性，并借助樣本分位數漸近分布定理給出了經驗置信區間，為實時故障監測提供參考指標。最后，為了提高故障診斷正確率、降低系統復雜性和成本，討論了機載燃油泵故障診斷傳感器的優化配置問題，結果表明：同時安裝壓力傳感器與振動傳感器可以提高故障診斷率，且只需要安裝Y方向振動傳感器和1個壓力傳感器就可以對故障實現完全識別。

1 機載燃油泵故障狀態監測系統簡介

為了研究機載燃油系統的工作特性，設計了機載燃油泵故障狀態監測系統，主要構成包括：某型離心式機載燃油泵、副油箱、主油箱、閥門和實驗裝置等。燃油泵故障診斷實驗裝置結構如圖1所示，包括：3個振動傳感器、1個壓力傳感器、數據采集設備、主機、顯示器等，用于采集燃油泵工作過程中正常狀態及不同故障狀態的振動和壓力信號。振動傳感器安裝在電機殼上3個互相垂直的點，如圖2（a）所示，X 方向（通道1）、Y 方向（通道2）的傳感器位于軸承處，Z方向（通道3）的傳感器位于電機殼頂上。壓力傳感器安裝在泵出口的油管上，如圖2（b）所示。

該燃油泵的電機為定頻電機，轉速5 600r／min，實驗分別測取了7種故障狀態下的振動和壓力信號，分別為：①正常狀態；②擴散管損傷；③擴散管損傷與葉輪損傷并存；④滲漏——拆掉1處密封圈；⑤葉片損傷；⑥葉輪背面筋與擴散管刮蹭；⑦葉輪前段與泵口刮蹭。狀態①～⑤分別獲得30組樣本數據，狀態⑥～⑦分別獲得24組樣本數據。每組數據包含3個振動信號和1個壓力信號共4個通道，每個通道采樣頻率為6 000Hz，采樣時間5s。

圖1 燃油泵實驗系統結構Fig．1 Structure of experiment system for fuel pump

圖2 壓力傳感器與振動傳感器安裝圖Fig．2 Pictures of vibration sensors and pressure sensor installation

2 基于樣本分位數的機載燃油泵故障狀態特征提取

2．1 樣本分位數

定義1 設X1，X2，…，Xn為來自某總體的一個樣本，X（1）≤X（2）≤…≤X（n）為其次序統計量。該樣本的p分位數定義為［15］

式中：［·］為取整運算。從定義可見，樣本分位數是一個非參數統計量，能夠在沒有總體分布先驗信息的情況下，刻畫數據在某點的集聚性。樣本分位數對極值的影響不敏感。從數據預處理的層面上，可以看出樣本分位數克服了離群點對分析結果的影響，且求取樣本分位數的算法簡單、計算量小。

定理1［15］（樣本分位數的漸近分布定理）設X1，X2，…，Xn為來自具有密度函數f（x）的總體的一個樣本，對給定的p∈，f（x）在總體的p分位數ξp處連續，且f（ξp）＞0，又定義k，使得k＝np＋o，o（·）表示高階無窮小，則對樣本的第k個次序統計量X（k），有

式中：L表示依分布收斂。證明過程見參考文獻［15］。

推論1 樣本分位數mp的漸近分布為正態分布：

式中：AN表示漸近正態。

推論2 樣本分位數是總體分位數的漸近無偏估計。

證明：根據式（3），以E （mp）表示mp的數學期望，則n→ ∞，E （mp）＝ξp，即樣本分位數mp是總體分位數ξp的漸近無偏估計。

推論3 樣本分位數是總體分位數的相合估計。

證明：根據式（3），在漸近意義下，對于任意一個正數ε＞0，mp的期望E （mp）與方差Var（mp）假設均存在，則根據切比雪夫不等式，可得

又因為f（ξp）是密度函數在ξp處的取值，根據概率密度函數的規范性有0≤f（ξp）≤1，即f（ξp）有界，則

樣本分位數的定義、漸近分布定理與推論為基于樣本分位數的機載燃油泵故障狀態特征提取與診斷提供了理論基礎。主要體現為：①樣本分位數對離群值的影響不敏感，可以跳過極值的影響分析系統內部集聚特征的變化；②當傳感器輸出信號不服從正態分布時，樣本分位數的漸近分布定理保證了在非正態環境下提取的分位數特征具有漸近正態性，為貝葉斯判別分析中基于多元正態分布的假定提供了必要條件；③樣本分位數是總體分位數的漸近無偏估計與相合估計，因此基于樣本分位數的特征提取相對于研究總體而言，能夠較好反映總體的特性。

2．2 機載燃油泵故障監測數據統計分析

以V1（X 方向）、V2（Y 方向）、V3（Z 方向）分別表示3個振動傳感器的輸出值，m／s2，以V4表示壓力傳感器的輸出值，Pa。正常狀態下，對4個傳感器的輸出值進行正態性檢驗，顯著性水平為5%的Kolmogorov－Smirnov（K－S）檢驗［16］結果如表1所示。在5%的顯著性水平下，V3接受了正態分布的假設，V1、V2、V4拒絕了正態分布的假設。正常狀態下3個振動傳感器與1個壓力傳感器的輸出信號直方圖見圖3。

表1 正常狀態下各傳感器輸出信號的K－S檢驗Table 1 K－S test about output signal of sensors under normal state

圖3 正常狀態下傳感器輸出信號直方圖Fig．3 Histograms about output signal of sensors under normal state

通過直方圖可以看到，在正常狀態下，雖然V1、V2、V4拒絕了正態分布的假設，但偏離正態分布的趨勢并不是十分明顯。

通過K－S檢驗（見表2）也可以看到所有變量的顯著性概率均小于0．001，表明機載燃油泵發生故障時，傳感器的輸出信號在統計特征上已經發生了巨大的改變。

以擴散管損傷的故障狀態為例，在故障狀態下4個傳感器的輸出信號直方圖見圖4，可見故障狀態下傳感器輸出信號的統計特性發生了較大改變，呈現出了顯著的非正態特征。

從傳感器輸出信號直方圖中可以看出，損傷狀態下，所有輸出變量已經完全無法用正態分布進行刻畫。而且數據表現出了低峰瘦尾的特征。第二個振動傳感器輸出信號（Y方向）的變化最為突出。

表2 擴散管損傷狀態下傳感器輸出信號K－S檢驗Table 2 K－S test about output signal of sensors under state of damaged diffusion tube

圖4 擴散管損傷狀態下傳感器輸出信號直方圖Fig．4 Histograms about output signal of sensors under state of damaged diffusion tube

2．3 特征提取

分別提取3個振動傳感器（X、Y、Z方向）和1個壓力傳感器輸出信號的四分位數（25%分位數，50%分位數，75%分位數）組成初始特征向量V，命名方式如表3所示。其中，

7種狀態共獲得198組樣本（狀態①～⑤30組，狀態⑥～⑦24組）。按樣本依次排列，4個傳感器輸出信號樣本分位數特征提取結果見圖5。

表3 4個傳感器對應樣本分位數的名稱Table 3 Name of sample quantile for four sensors

圖5 基于分位數的特征提取Fig．5 Quantile based feature extraction

從圖5可以看出，當故障狀態變化時，3個振動傳感器的25%和75%分位數變化明顯；壓力傳感器的25%、50%、75%分位數變化都非常明顯。因此，基于樣本分位數的特征提取是有效的。

對實驗中提取的不同故障狀態的樣本分位數分別進行了正態性檢驗。限于篇幅，這里只列出正常狀態與擴散管損傷狀態的75%分位數的正態性檢驗結果（因為后續研究表明只需要75%分位數就能實現完全識別），如表4所示。

表4 正常狀態及擴散管損傷狀態下V23與V43的K－S檢驗Table 4 K－S test about V23and V43under normal state and state of damaged diffusion tube

通過顯著性概率，可以看到樣本分位數序列通過了正態分布的K－S檢驗。雖然傳感器本身的輸出序列呈現出典型的非正態特性，但提取的樣本分位數特征序列通過了正態性檢驗，為后續工作奠定了基礎。

2．4 機載燃油泵故障狀態與樣本分位數的對應關系分析

2．3節的分析結果表明，隨著燃油泵狀態的改變，各個傳感器輸出信號的分位數也隨之改變。但故障狀態與分位數之間的對應關系如何，影響有多大，這里將應用Logistic回歸分析的方法進行研究。

Logistic回歸分析［17］屬于概率型非線性回歸，是對定性變量的回歸分析。它是研究二分類觀察結果與一些因素之間影響關系的一種多變量分析方法。這里用來分析故障狀態與不同傳感器分位數之間的影響關系。因變量y是0－1型貝努力隨機變量，不失一般性，記為6種故障狀態發生的總概率，為正常狀態發生的概率。y本身只有兩個取值，不能作為回歸模型的因變量。

由數學期望的定義可知E（y）＝p，用E（y）代替y 作為因變量。令V11、V12、V13、V21、V22、V23、V31、V32、V33、V41、V42、V43為 自 變 量，則Logistic回歸模型為

式中：β0為常數；βij為第i個傳感器第j個分位數的系數，i＝1，2，3，4；j＝1，2，3。

下面用最大似然估計法得到未知參數β0、βij的估計值。n個觀察對象所構成的似然函數，對似然函數取自然對數后，用迭代算法求解參數估計值。根據圖5的分析，50%的分位數對振動傳感器區分不明顯，因此選用了4個傳感器25%與75%的分位數來分析故障狀態與分位數的關系。為了與后面分析對應，只給出了75%樣本分位數V13、V23、V33、V43的結果（25%可用相同方法得到，結果一致）。

為檢驗模型的顯著性，選取了 Wald統計量［17］。其檢驗步驟為H0：βi＝0 （i＝0，1，2，3，4） ； H1：βi≠0 q為待估參數個數。Wald統計量大者顯著性高，對故障狀態影響更為重要。檢驗結果如表5所示。為消除數據離散程度，使用了標準化分位數ZV13、ZV23、ZV33、ZV43。

表5 75%分位數下系數的估計值與Wald值Table 5 Estimate values of coefficients and Wald values for 75%quantile

構造統計量

Logistic回歸模型為

可見，V23、V33對故障狀態有著顯著的影響，V43也一定程度影響著故障的發生。

運用Logistic回歸模型進行預測分類，正常狀態30組全部正確分類，故障狀態168組有166組正確分類，正確率為98．8%（p≥0．5為故障，p＜0．5為正常）。

同理，任何一種狀態都能與其他狀態區分開來。可見分位數與故障狀態之間存在著對應關系，樣本分位數可以作為表征故障狀態的特征。接下來的工作，將進一步以樣本分位數作為特征提取量，實現故障分類與傳感器優化。

2．5 樣本采樣時間分析

試驗時，每個樣本組數據采樣時間均為5s（采樣頻率6 000Hz）。樣本分位數特征會不會隨著采樣時間的變化而改變？應該取多長時間的信號求取分位數？這兩個問題直接關系著分位數特征的穩定性以及該方法的實時應用性。為此，針對5s內的數據，求取 ［0，t ］s （t ＜5）時間窗口內信號特征的分位數，再逐個向后移動該時間窗，分別求取分位數，形成分位數序列。通過求取這些分位數的標準差，來判斷分位數的穩定性。由于第1個傳感器各故障狀態下的分位數波動最大，其他傳感器的波動均小于第1個傳感器，故以第1個傳感器為例進行分析。時間窗口長度t從0．1s開始以0．1s為步長，直到t為2s，求取同一時間窗口下獲得的樣本分位數序列的標準差，如圖6所示。

圖6 樣本分位數標準差與時間窗口的關系Fig．6 Relationship between standard deviation of sample quantile and time windows

從圖6可以看到，時間窗口較小時，樣本分位數的標準差較大，但隨著時間窗口的增加，樣本分位數的標準差逐漸降低，當時間窗口大于1s時，分位數的標準差已經小于0．015。當時間窗口為2s時，分位數標準差更加穩定。據此可以選取分位數特征提取的時間窗口為2s。

2．6 樣本分位數置信區間分析

2．6．1 基于樣本分位數漸近分布定理的置信區間

在正常狀態下給定分位數置信區間，可以對實時采集的信號計算分位數，根據分位數特征的穩定性，構造基于樣本分位數的置信區間。當求得的分位數連續偏離95%的置信區間時，機載燃油泵發生故障的可能性增大，有必要進行進一步故障診斷。充分利用采樣得到的有效樣本，求取總體分位數的置信區間，作為工程應用的經驗信息。

由定理1可知，樣本分位數漸近服從正態分布，如式（3）所示。在方差未知時，運用樣本標準差S估計總體標準差，可以得到其置信區間為［15］

2．6．2 基于分位數漸近分布定理與Bootstrap方法的置信區間比較

Bootstrap方法是美國斯坦福大學統計系教授Efron［18］提出地一種統計方法。它的特點是可以在小樣本情形下通過擴展樣本容量得到可靠結論。文獻［19］列舉了多種運用Bootstrap方法估計置信區間的方法。

國內袁修開針對航空領域的小樣本特點提出了一種估計小樣本置信區間的Bootstrap方法［20］。具體步驟為1）進行有放回抽樣獲取新樣本，為Bootstrap樣本。

3）重復抽樣B次，可以獲得B個Bootstrap統計量為

4）將B個Bootstrap估計量從小到大排序，由經驗百分位數方法得到置信水平為α的置信區間為為經驗百分位數，分別對應于百分位數為α／2、1－α／2的排序Bootstrap估計量。

本文以Y方向振動傳感器和壓力傳感器輸出信號的75%分位數置信區間為例，按照Bootstrap方法重復抽樣2 000次，將基于樣本分位數漸近分布定理得到的置信區間與基于Bootstrap經驗百分位數方法得到的置信區間進行比較，如表6所示。

這里只列出了第2個振動傳感器（Y方向）75%分位數與壓力傳感器75%分位數的置信區間。因為后續分析中發現，只需要這兩個傳感器就可以對故障狀態完全識別。通過表6的對比結果，可以看到基于樣本分位數漸近分布定理得到的置信區間與基于Bootstrap方法得到的置信區間基本吻合。因此，由樣本分位數漸近分布定理估計置信區間簡單可靠。得到置信區間后，可以作為實時故障診斷的經驗區間。當傳感器的輸出值連續超出置信區間時，故障有可能發生，需要進一步診斷。

表6 75%分位數置信區間比較Table 6 Comparison about 75%quantile confidence interval

3 基于樣本分位數與貝葉斯判別分析的機載燃油泵故障診斷

3．1 貝葉斯判別分析

定理2（貝葉斯判別定理）［21］設有r個總體π1，π2，…，πr，它 們 的 密 度 函 數 分 別 f1（x），f2（x），…，fr（x），已知r個總體出現的先驗概率為p1，p2，…，pr，且。已知樣本x，且有后驗概率為

判別準則為

根據貝葉斯判別定理，得到基于樣本分位數特征向量的具體判別方法為

1）假設7種狀態出現的先驗概率分別為p1，p2，…，p7，且。先驗概率根據機載燃

要使式（6）達到最大，只需讓分子達到最大。且

則式（7）為分類函數，得到的判別準則為d（i）＝油泵某一類故障樣本占總故障樣本的比例確定。假設每種狀態為一個總體，μ1，μ2，…，μ7分別為每種狀態的m 維均值向量為各自的協方差陣。

2）依據樣本分位數漸近分布定理，假設針對每個狀態提取的分位數特征向量X＝［x1x2… xm］服從多元正態分布。實際判別過程中，當樣本容量較少時，各組的協方差陣難以形成非奇異陣。故論文以聯合組內協方差陣作為判別分析矩陣，即

3）在多元正態分布假定下，樣本分位數特征

向量的概率密度函數為

式中：μ＝ ［μ1μ2… μm］′；Σ為正定矩陣。對于給定的X，有

3．2 機載燃油泵損傷故障診斷

基于貝葉斯判別的機載燃油泵故障診斷實驗驗證時，每種狀態選取5組作為訓練樣本，共35組，其他163組為待判樣本。

逐步判別分析法是在判別分析的基礎上采取有進有出的辦法，即每一步都通過檢驗把判別能力最強的一個變量引入判別函數，同時，將判別能力差的變量剔除，最終生成的判別函數中只包括主要的變量，從而去除冗余的信息，實現降維，降低了特征量共線性的可能性。

論文應用 Wilk’sλ值［22］結合F統計量來確定特征變量的取舍。對于每個候選特征量，度量變量添加到模型以后的 Wilk′sλ值，再計算F統計量，具有最大F值的變量進入模型。F值的改變量Fg由式（9）計算：

式中：n為個案數；g為類別數；p為變量個數；λp為添加變量以前的Wilk’sλ值，λp＋1為添加變量以后Wilk’sλ的值。具體的內容見文獻［22］。

對初始特征向量V＝［V11V12V13V21V22V23V31V32V33V41V42V43］的16種不同組合（見表7第2列）分別運用逐步判別法［22］得到貝葉斯判別分析時的特征向量（見表7第3列），再根據貝葉斯判別準則式（8）進行故障判別，結果如表7所示。

根據表7列出的判別正確率，可以得到以下結果：

1）只使用振動傳感器進行故障診斷，正確率較低，而融合壓力傳感器輸出信號后，可以大幅提高故障診斷正確率。如 ［V11V21V31］診斷正確率只有69．33%，［V13V23V33］診斷正確率為68．10%，引入壓力傳感器信號后，［V11V21

V41］、［V13V23V43］、［V23V33V43］都可以實現100%的故障診斷。

2）只使用第2個振動傳感器（Y方向）與壓力傳感器提取的75%分位數特征，就能對198組故障狀態進行100%識別，為傳感器優化配置提供了新的思路。

因此，基于最簡原則，選擇樣本分位數特征向量為 ［V23V43］，根據式（7）得到7種故障狀態的貝葉斯判別函數為

給定待判樣本，計算第2個振動傳感器（Y方向）與第4個傳感器（即壓力傳感器）75%的分位數組合 ［V23V43］，分別代入7種貝葉斯故障狀態分類函數，把待判樣本判為取值最大的一類。以第3類故障與第7類故障為例，判別函數結果

表7 不同樣本分位數特征向量的貝葉斯判別結果Table 7 Bayesian based discriminating results for different feature vectors of sample quantile

見圖7。從圖7可以看出：第i類故障所有樣本的 分類函數極大值均為d （i），因此對訓練樣本組及待判樣本組，均實現了全部識別。

圖7 貝葉斯故障判別結果Fig．7 Bayesian based fault discriminating results

4 結 論

1）故障狀態與正常狀態相比，機載燃油泵振動信號、出口壓力信號的統計特性發生了較大的改變，說明設計的實驗系統有效捕捉到了設備的故障特征。

2）基于樣本分位數特征提取與貝葉斯判別分析相結合的機載燃油泵故障狀態特征提取和故障狀態判別方法簡單便捷，識別率高，為實現機載燃油泵的實時故障狀態監測提供了可能。

3）振動信號結合壓力信號，可以大幅提高故障狀態判別的正確率。

4）只需安裝1個Y方向的振動傳感器與1個壓力傳感器，就能實現故障的完全識別，為傳感器優化提供了理論基礎。

課題組將在接下來的研究工作中，進行機載燃油泵PHM的進一步研究。

［1］ 馮威，于勁松，袁海文．機載燃油系統在線實時健康管理［J］．北京航空航天大學學報，2013，39（12）：1639－1643．FENG W，YU J S，YUAN H W．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）．

［2］ 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，1998，145（5）：441－448．

［3］ 王少萍．大型飛機機載系統預測與健康管理關鍵技術［J］．航空學報，2014，35（6）：1459－1472．WANG S P．Prognostics and health management key thchnology of aircraft airbrone system［J］．Acta Aeronautic et Astronautic Sinica，2014，35（6）：1459－1472（in Chinese）．

［4］ MECROW B C，JACK A G，ATKINSON D J，et al．Design and testing of a four－phase fault－tolerant permanentmagnet machine for an engine fuel pump［J］．IEEE Transactions on Energy Conversion，2004，19（4）：671－678．

［5］ 胡春燕，劉新靈，李瑩．某發動機主燃油泵軸承失效分析［J］．金屬熱處理，2011，36（9）：64－67．HU C Y，LIU X L，LI Y．Failure analysis on main fuel pump bearing of engine［J］．Heat Treatment of Metals，2011，36（9）：64－67（in Chinese）．

［6］ WANG X J，CAI Y P，LIN X Z．Diesel engine PT pump fault diagnosis based on the characteristics of its fuel pressure［J］．IERI Procedia，2014（7）：84－89．

［7］ ZHANG X，TANG L，DECASTRO J．Robust fault diagnosis of aircraft engines：A nonlinear adaptive estimationbased approach［J］．IEEE Transactions on Control Systems Technology，2013，21（3）：861－868．

［8］ HANCOKE 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．

［9］ NIEMANN H．A setup for active fault diagnosis［J］．IEEE Transactions on Automatic Control，2006，51（9）：1572－1578．

［10］ MOOSAVI S S，DJERDIR A，AMIRAT Y A，et al．Demagnetization fault diagnosis in permanent magnet synchronous motors：A review of the state－of－the－art［J］．Journal of Magnetism and Magnetic Materials，2015，391：203－212．

［11］ 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．

［12］ MURALIDHARAN V，SUGUMARAN V，INDIRA V．Fault diagnosis of monoblock centrifugal pump using SVM［J］．Engineering Science and Technology：An International Journal，2014，17（3）：152－157．

［13］ 王杰華．基于BP神經網絡的離心油泵故障診斷研究［D］．邯鄲：河北工程大學，2013：6－11．WANG J H．Fault diagnosis of centrifugal oil pump based on BP neural network［D］．Handan：Hebei University of Engineering，2013：6－11（in Chinese）．

［14］ 管河山，王謙，唐德文．基于分位數特征提取的時間序列模式分類［J］．計算機工程，2015（3）：167－171．GUAN H S，WANG Q，TANG D W．Time sequence pattern classification based on quantile feature extraction［J］．Computer Engineering，2015（3）：167－171（in Chinese）．

［15］ 茆詩松．高等數理統計［M］．北京：高等教育出版社，2006：46－49．MAO S S．Advanced mathematical statistics［M］．Beijing：China Higher Education Press，2006：46－49（in Chinese）．

［16］ 王星，褚挺進．非參數統計［M］．北京：清華大學出版社，2014：94－95．WANG X，CHU T J．Nonparametric statistics［M］．Beijing：Tsinghua University Press，2014：94－95 （in Chinese）．

［17］ 王濟川，郭志剛．Logistic回歸模型——方法與應用［M］．北京：高等教育出版社，2001：6－17．WANG J C，GUO Z G．Logistic regression model—method and application［M］．Beijing：China Higher Education Press，2001：6－17（in Chinese）．

［18］ EFRON B．An introduction to the bootstrap［M］．Chapman ＆ Hall，1993：168－176．

［19］ TIMMERMAN M E，BRAAK C J F T．Bootstrap confidence intervals for principal response curves［J］．Computational Statistics ＆ Data Analysis，2008，52（4）：1837－1849．

［20］ 袁修開，呂震宙，岳珠峰．小樣本下分位數函數的Bootstrap置信區間估計［J］．航空學報，2012，33（10）：1842－1849．YUAN X K，LU Z Z，YUE Z F．Bootstrap confidence interval of quantile function estimation for small samples［J］．Acta Aeronautic et Astronautic Sinica，2012，33（10）：1842－1849（in Chinese）．

［21］ 趙瑋．應用統計學教程（下冊）［M］．西安：西安電子科技大學出版社，2003：8－10．ZHAO W．Applied statistics course（Volume II）［M］．Xi’an：Xidian University Press，2003：8－10（in Chinese）．

［22］ 張堯庭，方開泰．多元統計分析引論［M］．北京：科學出版社，1982：235－246．ZHANG Y T，FANG K T．A introduction to multivariate statistical analysis［M］．Beijing：Science Press，1982：235－246（in Chinese）．

Fault states feature extraction and experimental study for airborne fuel pumps based on sample quantile

LI Juan1，2，＊ ，JING Bo1，QIANG Xiaoqing1，LIU Xiaodong3，4
1．College of Aeronautics and Astronautics Engineering，Air Force Engineering University，Xi’an 710038，China 2．College of Mathematics and Statistics，Ludong University，Yantai 264025，China 3．Nanjing Engineering Institute of Aircraft Systems，Jincheng，AVIC，Nanjing 210000，China 4．Aviation Science and Technology Key Laboratory of Aviation Mechanical and Electrical System，Nanjing 210000，China

The health state of airborne fuel pumps is important for the achievement and safety of flight mission，so the fault state feature extraction and diagnosis for the fuel pumps become an urgent problem．Through the analysis of the output signal about the vibration sensors and pressure sensor from the experiment system of airborne fuel pump，a sample quantile based fault state feature extraction method is presented．Firstly，by the asymptotic distribution theorem of the quantile，the statistic character of the sample quantile is discussed；the correspondence between the fault state and the sample quantile is discussed；the feasibility of the presented method is ensured in theory；statistic analysis has been done for the real data，and the stability alone with the sample size is discussed．Secondly，the confidence interval of sample quantile is computed based on the asymptotic distribution theorem，and compared with that obtained by the Bootstrap methods．The results show that the confidence interval of sample quantile obtained according to the asymptotic distribution theorem is credible，providing basis for online fault diagnosis．Then the Bayesian discriminant function is established based on the quantile feature vector extracted under different states，which will be used for the fault diagnosis．Finally，the layout of the sensors is optimized based on the accuracy of fault diagnosis．The results show that the vibration sensors combined with pressure sensor will improve the accuracy of fault diagnosis，and only one vibration sensor combined with one pressure sensor can finish the fault diagnosis completely．This study provides theoretical support for the quick and accurate online decision about the states of the fuel pump，and it can reduce volume，power consumption and complexity of the system in engineering applications．

fuel pumps；sample quantile；sensors；prognostics and health management；fault diagnosis

2015－08－31；Revised：2015－10－12；Accepted：2015－11－12；Published online：2015－11－27 13：21

URL：www．cnki．net／kcms／detail／11．1929．V．20151127．1321．006．html

Aeronautical Science Foundation of China（20142896022）

V263．6

A

1000－6893（2016）09－2851－13

10．7527／S1000－6893．2015．0303

2015－08－31；退修日期：2015－10－12；錄用日期：2015－11－12；網絡出版時間：2015－11－27 13：21

www．cnki．net／kcms／detail／11．1929．V．20151127．1321．006．html

航空科學基金 （20142896022）

＊通訊作者．Tel．：029－84787628 E－mail：daidaiquanquan123＠126．com

李娟，景博，羌曉清，等．基于樣本分位數的機載燃油泵故障狀態特征提取及實驗研究［J］．航空學報，2016，37（9）：2851－2863．LI J，JING B，QIANG X Q，et al．Fault states feature extraction and experimental study for airborne fuel pumps based on sample quantile［J］．Acta Aeronautica et Astronautica Sinica，2016，37（9）：28512－863．

李娟 女，博士研究生，講師。主要研究方向：故障預測與健康管理。

Tel．：029－84787628

E－mail：daidaiquanquan123＠126．com

景博 女，博士，教授，博士生導師。主要研究方向：故障預測與健康管理，可測試性設計，傳感器網絡，數據融合。

E－mail：jingbo＿sensor＠163．com

羌小清 男，碩士研究生。主要研究方向：故障預測與健康管理。

E－mail：928169759＠qq．com

劉曉東 男，高級工程師。主要研究方向：飛機燃油泵及燃油系統設計。

E－mail：bettercc＠sohu．com

＊Corresponding author．Tel．：029－84787628 E－mail：daidaiquanquan123＠126．com