基于EMD和SVM 的機(jī)載燃油泵故障診斷研究

陳俊柏，劉勇智，陳勇，聶愷

（1.空軍工程大學(xué) 研究生院，西安 710038； 2.空軍工程大學(xué) 航空工程學(xué)院，西安 710038）

飛機(jī)的燃油系統(tǒng)作為重要的機(jī)載系統(tǒng)，可以為發(fā)動(dòng)機(jī)提供符合需求的燃油。燃油泵作為燃油系統(tǒng)的核心部件，是保證系統(tǒng)正常運(yùn)行的關(guān)鍵，一旦在飛行中發(fā)生故障，將會(huì)對(duì)飛機(jī)運(yùn)行的穩(wěn)定性產(chǎn)生重大影響，可能導(dǎo)致墜機(jī)等重大安全事故［1］。因此，為提高飛行的安全性與可靠性，必須采取有效措施對(duì)燃油泵故障進(jìn)行準(zhǔn)確的診斷和隔離，以保證飛機(jī)健康、穩(wěn)定地運(yùn)行［2］。

雖然在機(jī)載燃油泵上安裝有壓力傳感器，但是并不能實(shí)現(xiàn)對(duì)壓力信號(hào)的實(shí)時(shí)采集，在燃油泵發(fā)生故障時(shí)，無法提供充足的故障數(shù)據(jù)。并且，由于缺乏有效的故障診斷方法，在燃油泵發(fā)生故障后，一般采取拆解或返廠的方式進(jìn)行維修，其周期長(zhǎng)、代價(jià)高，會(huì)造成巨大的資源浪費(fèi)。因此，如何節(jié)約成本并有效地提高燃油泵故障診斷效率已經(jīng)得到了國(guó)內(nèi)外的廣泛關(guān)注。Muralidharan和Sugumaran［3］利用小波分析提取振動(dòng)信號(hào)的故障特征，并且基于模糊邏輯分類方法實(shí)現(xiàn)了燃油泵故障狀態(tài)的識(shí)別；Tian等［4］選取燃油泵的電流信號(hào)作為故障特征信號(hào)，通過遺傳算法優(yōu)化SVM，實(shí)現(xiàn)了燃油泵軸承不同損傷狀態(tài)的識(shí)別；Hancock［5］和Gao［6］等選取燃油泵的壓力信號(hào)作為故障特征信號(hào)，實(shí)現(xiàn)了燃油泵的故障診斷；焦曉璇等［7］針對(duì)燃油泵故障特征信號(hào)單一，無法充分表現(xiàn)故障特征的問題，通過小波包分析對(duì)振動(dòng)信號(hào)和壓力信號(hào)進(jìn)行了故障特征的提取，并利用基于Adaboost算法的BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了機(jī)載燃油泵的故障診斷，提高了多故障模式下燃油泵故障診斷的效率。

針對(duì)機(jī)載燃油泵振動(dòng)信號(hào)和壓力信號(hào)非線性、非平穩(wěn)的特點(diǎn)，文獻(xiàn)［3，7］分別通過小波分析和小波包分析的方法對(duì)燃油泵故障特征進(jìn)行了較為準(zhǔn)確的提取，但是這2種分析方法均存在信號(hào)能量泄露、基函數(shù)選擇以及不具備適應(yīng)性的問題。針對(duì)機(jī)載燃油泵的多故障模式，文獻(xiàn)［7］通過BP神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行識(shí)別，但是神經(jīng)網(wǎng)絡(luò)存在對(duì)網(wǎng)絡(luò)參數(shù)依賴程度大以及對(duì)結(jié)果不可解釋性強(qiáng)的問題［8］。因此，為解決上述問題，提出了一種基于EMD和SVM的機(jī)載燃油泵故障診斷方法。

EMD方法是一種信號(hào)分解方法，且具備自適應(yīng)性。EMD方法基于信號(hào)的時(shí)間尺度，將信號(hào)分解為多個(gè)表征其局部特點(diǎn)的固有模態(tài)函數(shù)（IMF）。并且，IMF的頻率特征會(huì)隨著采集信號(hào)的變化而變化［9］。因此，采用EMD方法作為故障特征的提取方法。

SVM是一種適用于小樣本的機(jī)器學(xué)習(xí)模型，具備堅(jiān)實(shí)的數(shù)學(xué)理論基礎(chǔ)，對(duì)結(jié)果具有可解釋性。與傳統(tǒng)的機(jī)器學(xué)習(xí)相比，SVM 泛化能力更強(qiáng)，不存在維數(shù)災(zāi)難的問題［10］。機(jī)載燃油泵故障分類問題屬于小樣本、高維模式識(shí)別問題。因此，選擇SVM作為機(jī)載燃油泵故障的分類模型。

由于SVM性能取決于懲罰參數(shù)c和徑向基函數(shù)（RBF）參數(shù)g的選擇，因此，選擇合適的優(yōu)化算法對(duì)兩者進(jìn)行優(yōu)化是十分必要的。網(wǎng)格搜索（GS）算法是一種傳統(tǒng)的參數(shù)尋優(yōu)算法，由于在參數(shù)尋優(yōu)的過程中該算法需要遍歷指定范圍內(nèi)所有參數(shù)，因此GS搜索速度較慢，且容易陷入局部最優(yōu)解，不利于保證故障診斷的效率。近些年，各種群智能優(yōu)化算法被廣泛應(yīng)用于參數(shù)尋優(yōu)，這些算法具備搜索速度較快、精度較高的特點(diǎn)，如粒子群優(yōu)化（PSO）算法、遺傳算法（GA）、樽海鞘群算法（SSA）等。盡管每一種群智能優(yōu)化算法擁有各自的優(yōu)勢(shì)，但是群智能優(yōu)化算法對(duì)具體問題應(yīng)用環(huán)境的依賴性比較大［11］，即不同優(yōu)化算法的性能在具體應(yīng)用背景下要具體分析。因此，結(jié)合采集的機(jī)載燃油泵振動(dòng)信號(hào)和壓力信號(hào)，在相同的研究環(huán)境下，采用PSO、GA、SSA優(yōu)化SVM 參數(shù)，并與GS進(jìn)行對(duì)比分析，來確定SVM參數(shù)的優(yōu)化算法，最終實(shí)現(xiàn)機(jī)載燃油泵故障的高效診斷。

1 EMD及SVM 方法

1.1 EMD方法

EMD可以分解出信號(hào)中不同尺度的波動(dòng)或趨勢(shì)，產(chǎn)生具有不同特征尺度的IMF，IMF分量滿足如下2個(gè)條件［12］：

1）IMF的極值點(diǎn)和過零點(diǎn)的個(gè)數(shù)相同或兩者差值不超過1個(gè)。

2）局部極小值和局部極大值會(huì)產(chǎn)生2條不同的包絡(luò)線，2條包絡(luò)線之間所有點(diǎn)的均值都為0。

EMD方法的具體分解步驟如下［13］：

步驟1 確定信號(hào)x（t）的所有局部極值點(diǎn)，然后通過3次樣條線分別將所有極大值和極小值連成上、下2條不同的包絡(luò)線。由此，所有的數(shù)據(jù)點(diǎn)均分布在2條包絡(luò)線之間。

步驟2 上包絡(luò)線與下包絡(luò)線之間的任一點(diǎn)均值記為μ1，求出：

步驟3 如果y1（t）不滿足IMF條件，把y1（t）作為原始數(shù)據(jù)，重復(fù)步驟1和2，直到y(tǒng)1（t）滿足IMF條件，此時(shí)，記y1（t）＝c1（t），則c1（t）為信號(hào)x（t）的第1個(gè)滿足IMF條件的分量。

步驟4 將c1（t）從x（t）中分離出來，得到差值信號(hào)r1（t），即有

將r1（t）作為原始數(shù)據(jù)，重復(fù)步驟1～3，得到第2個(gè)IMF分量c2（t），重復(fù)n次，得到n個(gè)IMF分量。這樣就有式中：rn（t）為殘余函數(shù)，代表了信號(hào)的平均趨勢(shì)。信號(hào)從高頻到低頻的不同成分用本征模態(tài)分量c1（t），c2（t），…，cn（t）表示，不同頻段的頻率成分隨信號(hào)x（t）的變化而發(fā)生相應(yīng)的改變。

1.2 SVM 方法

假設(shè)有訓(xùn)練樣本｛（xi，yi）｝，i＝1，2，…，N，訓(xùn)練樣本數(shù)為N，分類標(biāo)簽y∈｛－1，＋1｝，x∈Rm表示m維特征空間。

則超平面為

式中：ω為法向量，決定了超平面的方向；b為位移項(xiàng)，決定了超平面與原點(diǎn)之間的距離。

可以通過求解以下約束優(yōu)化問題來實(shí)現(xiàn)不同類之間的距離最大化，即

對(duì)于非線性問題，將特征向量x∈Rm映射到高維歐氏空間，并引入核函數(shù)：

式中：λi為拉格朗日乘子。

2 試驗(yàn)數(shù)據(jù)采集及故障模式

機(jī)載燃油轉(zhuǎn)輸系統(tǒng)實(shí)驗(yàn)平臺(tái)如圖1所示，各部件主要包括：供油箱、儲(chǔ)油箱、離心式燃油泵、1個(gè)壓力傳感器（CY-YZ-001）、3個(gè)振動(dòng)加速度傳感器（CA-YD-182-10）、數(shù)據(jù)采集設(shè)備（億恒MI-7008）等，電機(jī)殼相互垂直的3個(gè)位置安裝了振動(dòng)傳感器，如圖2所示。壓力傳感器安裝在燃油泵出口處，如圖3所示。機(jī)載燃油泵工作參數(shù)如表1所示。

圖1 機(jī)載燃油轉(zhuǎn)輸系統(tǒng)實(shí)驗(yàn)平臺(tái)結(jié)構(gòu)示意圖Fig.1 Structureschematicdiagram ofexperimental platform forairbornefueltransfersystem

圖2 振動(dòng)傳感器實(shí)物圖Fig.2 Physicalinstallationofvibrationsensor

表1 產(chǎn)品主要工作參數(shù)Table1 Mainworkingparametersofproduct

在測(cè)試時(shí)，打開閥門，使燃油注入油箱；在油箱中注滿燃油后，打開電源，使燃油泵切換至工作狀態(tài)；當(dāng)燃油泵運(yùn)行到穩(wěn)定階段后，對(duì)油泵的出口壓力信號(hào)以及振動(dòng)信號(hào)進(jìn)行采集；采集結(jié)束后，斷開電源并關(guān)閉閥門，使燃油泵逐漸停止工作。由此循環(huán)往復(fù)，通過更換不同的故障件，獲取相應(yīng)的故障信號(hào)。

通過外場(chǎng)維護(hù)的實(shí)際經(jīng)驗(yàn)發(fā)現(xiàn)，葉片損傷、擴(kuò)散管損傷、密封圈老化導(dǎo)致的滲漏、軸承磨損等都屬于典型故障。實(shí)驗(yàn)針對(duì)9類典型故障進(jìn)行故障診斷的研究，分別為：葉片損傷1片、葉片損傷2片、葉片損傷10片、擴(kuò)散管損傷、葉片損傷10片加擴(kuò)散管損傷、滲漏、擴(kuò)散管與葉輪刮蹭、泵口與葉輪刮蹭、軸承磨損0.02mm。

3 故障特征提取

3.1 振動(dòng)信號(hào)特征提取

以葉片損傷1片為例，圖4為葉片損傷1片的燃油泵故障振動(dòng)信號(hào)。經(jīng)EMD處理的振動(dòng)信號(hào)共有10個(gè)IMF分量，由于處理后的信號(hào)能量主要集中在前幾個(gè)IMF，因此，圖5僅列出了選取的前4個(gè)IMF分量的時(shí)域特征，并將這4個(gè)IMF分量作為故障特征向量的分量。圖6表示的是葉片損傷1片4個(gè)IMF分量的頻域特征。

圖4 葉片損傷1片振動(dòng)信號(hào)Fig.4 Vibrationsignalwithonedamagedblade

圖5 葉片損傷1片EMD分解Fig.5 EMDwithonedamagedblade

圖6 葉片損傷1片IMF1～4頻域特征Fig.6 Frequency-domainfeaturesofIMF1-4withone damagedblade

重復(fù)葉片損傷1片的故障特征提取步驟，可獲得葉片損傷2片的4個(gè)IMF分量的頻域特征，如圖7所示。

圖7 葉片損傷2片IMF1～4頻域特征Fig.7 Frequency-domainfeaturesofIMF1-4withtwo damagedblades

經(jīng)EMD分解后的各IMF分量分別代表了一組特征尺度下的平穩(wěn)信號(hào)，由于各分量對(duì)應(yīng)的不同頻帶能量（見表2）表征了燃油泵的不同故障模式，因此，各尺度下IMF分量的頻帶能量可以作為故障特征來識(shí)別故障。IMF分量的頻帶能量通過式（10）計(jì)算得出

表2 不同故障狀態(tài)的歸一化IMF能量Table2 NormalizedIMFenergyindifferentfaultstates

式中：ω為角頻率；X（ejω）為IMF分量的頻域特征。

3.2 壓力信號(hào)特征提取

壓力信號(hào)能夠在一定程度上反映燃油泵不同的工作狀態(tài)。當(dāng)燃油泵發(fā)生不同故障時(shí)，壓力信號(hào)均值會(huì)有所區(qū)別。燃油泵壓力信號(hào)的正常狀態(tài)和幾種典型故障狀態(tài)的時(shí)域特征如圖8～圖14所示。

圖8 正常狀態(tài)壓力信號(hào)時(shí)域圖Fig.8 Timedomainofpressuresignalinnormalstates

圖14 軸承磨損壓力信號(hào)時(shí)域圖Fig.14 Timedomainofpressuresignalinwear bearingstate

從表3中可以看出，不同工作狀態(tài)下的壓力信號(hào)均值在時(shí)域范圍內(nèi)發(fā)生了一定程度的變化。因此，可選取壓力信號(hào)均值EP作為故障特征，壓力信號(hào)均值EP表達(dá)式如下：

表3 各工作狀態(tài)下壓力信號(hào)均值Table3 Averagepressureunderdifferent workingconditions

圖10 擴(kuò)散管損傷壓力信號(hào)時(shí)域圖Fig.10 Timedomainofpressuresignalwithdamaged diffusiontube

圖11 擴(kuò)散管與葉輪刮蹭壓力信號(hào)時(shí)域圖Fig.11 Timedomainofpressuresignalwhendiffusion tubeandimpellerrub

圖12 泵口與葉輪刮蹭壓力信號(hào)時(shí)域圖Fig.12 Timedomainofpressuresignalwhenpump portandimpellerrub

圖13 滲漏狀態(tài)壓力信號(hào)時(shí)域圖Fig.13 Timedomainofpressuresignalinleakagestate

式中：n為壓力信號(hào)的采樣數(shù)目；Pk為每個(gè)采樣點(diǎn)的壓力值。

4 試驗(yàn)結(jié)果

首先，利用機(jī)載燃油泵轉(zhuǎn)輸系統(tǒng)實(shí)驗(yàn)平臺(tái)獲取故障數(shù)據(jù)，采樣參數(shù)如表4所示。

表4 燃油泵數(shù)據(jù)采集參數(shù)Table4 Fuelpumpdataacquisitionparameters

其中，每種工作狀態(tài)記錄100組，因此共有1000組故障樣本。為構(gòu)造故障特征向量，首先利用EMD方法對(duì)提取的壓力信號(hào)和振動(dòng)信號(hào)進(jìn)行處理，然后，對(duì)故障特征向量進(jìn)行歸一化處理。表5為燃油泵不同工作狀態(tài)下歸一化故障特征參數(shù)。

表5 歸一化特征參數(shù)Table5 Normalizedpartialcharacteristicparameters

4.1 故障特征選取

由于采集的機(jī)載燃油泵故障數(shù)據(jù)較少，故障特征維數(shù)較高，因此，選擇適應(yīng)小樣本、高維模式識(shí)別問題的SVM 作為機(jī)載燃油泵故障的分類模型。由于SVM的懲罰參數(shù)c與RBF參數(shù)g會(huì)影響SVM的分類性能，因此通過網(wǎng)格搜索算法對(duì)兩者進(jìn)行優(yōu)化，以達(dá)到較高的故障診斷率。經(jīng)優(yōu)化，選取c＝18.3792，g＝97.0059。

首先，僅以壓力信號(hào)均值EP作為故障特征，隨機(jī)選取并計(jì)算機(jī)載燃油泵10類不同狀態(tài)共800組數(shù)據(jù)作為SVM 網(wǎng)絡(luò)訓(xùn)練樣本獲得訓(xùn)練模型（其中，正常狀態(tài)80組、葉片損傷1片80組、葉片損傷2片80組、葉片損傷10片80組、擴(kuò)散管損傷80組、葉片損傷10片＋擴(kuò)散管損傷80組、擴(kuò)散管與葉輪刮蹭80組、泵口與葉輪刮蹭80組、滲漏狀態(tài)80組、軸承磨損0.02mm80組），訓(xùn)練樣本編號(hào)及分類標(biāo)簽如表6所示。

表6 故障特征參數(shù)Table6 Faultcharacteristicparameters

之后，將剩余200組數(shù)據(jù)作為測(cè)試樣本輸入訓(xùn)練模型中（其中，正常狀態(tài)、葉片損傷1片、葉片損傷2片、葉片損傷10片、擴(kuò)散管損傷、葉片損傷10片＋擴(kuò)散管損傷、擴(kuò)散管與葉輪刮蹭、泵口與葉輪刮蹭、滲漏狀態(tài)、軸承磨損0.02mm 各20組），測(cè)試結(jié)果如圖15所示，故障診斷率為66.0%（132／200）。

圖15 基于故障特征向量EP 的SVM測(cè)試結(jié)果Fig.15 SVM testresultsbasedonfaultfeaturevectorEP

隨后，以振動(dòng)信號(hào)IMF能量向量G ＝（EV1，EV2，EV3，EV4）作為特征向量重復(fù)上述方法。測(cè)試結(jié)果如圖16所示，故障診斷率為95.5%（191／200）。

圖16 基于故障特征向量G的SVM測(cè)試結(jié)果Fig.16 SVM testresultsbasedonfaultfeaturevectorG

最后，以特征向量V＝（EV1，EV2，EV3，EV4，EP）作為特征向量重復(fù)上述方法，測(cè)試結(jié)果如圖17所示，故障診斷率為100.0%（200／200）。

圖17 基于故障特征向量V的SVM測(cè)試結(jié)果Fig.17 SVM testresultsbasedonfaultfeaturevectorV

由3次實(shí)驗(yàn)結(jié)果可以看出，以壓力信號(hào)均值EP作為故障特征時(shí)，SVM 的故障診斷率較低，僅為66.0%，說明壓力信號(hào)均值無法較好地反映各類故障的特征，此時(shí)容易出現(xiàn)故障識(shí)別錯(cuò)誤的情況。

以振動(dòng)信號(hào)分解的IMF能量向量G作為故障特征時(shí)，SVM 的故障診斷率為95.5%，說明相比于壓力信號(hào)來說，振動(dòng)信號(hào)能夠更好地反映燃油泵的故障特征，但是故障診斷率還有待進(jìn)一步提高。

當(dāng)使用振動(dòng)信號(hào)IMF能量向量G和壓力信號(hào)均值EP組合而成的故障特征向量V時(shí)，SVM的故障診斷率為100%，說明相比于前2種故障特征來說，故障特征向量V更能反映機(jī)載燃油泵的工作狀態(tài)，因此可以選擇向量V作為故障特征。

4.2 故障診斷高效性對(duì)比驗(yàn)證

由于GS在尋優(yōu)過程中要遍歷所有可能的參數(shù)值，導(dǎo)致訓(xùn)練時(shí)間較長(zhǎng)，而且容易陷入局部最優(yōu)解，降低了故障診斷的效率。相較于傳統(tǒng)的尋優(yōu)算法，群智能優(yōu)化算法的并行性和分布式特點(diǎn)能夠更快地發(fā)現(xiàn)復(fù)雜優(yōu)化問題的最優(yōu)解。因此，分別采用PSO［14］、GA［15］、SSA對(duì)SVM的懲罰參數(shù)c和RBF參數(shù)g進(jìn)行優(yōu)化，并與GS優(yōu)化的SVM進(jìn)行對(duì)比，其中，群智能優(yōu)化算法的種群內(nèi)部個(gè)體數(shù)為10，終止進(jìn)化代數(shù)為100，懲罰參數(shù)c與RBF參數(shù)g的范圍均設(shè)置在0.1～100之間，評(píng)估指標(biāo)分別為訓(xùn)練時(shí)間和故障診斷率（故障診斷率取20次平均值），結(jié)果如表7所示。

表7 算法尋優(yōu)性能對(duì)比Table7 Comparisonofalgorithm optimization performance

由表7可以看出，采用4種優(yōu)化算法的SVM故障診斷率都比較高，均為100%，說明4種尋優(yōu)算法均未陷入局部最優(yōu)解。基于GS的SVM需要遍歷整個(gè)搜索空間，訓(xùn)練時(shí)間長(zhǎng)，不利于保證故障診斷的效率；基于SSA或者基于PSO的SVM 訓(xùn)練時(shí)間也比較長(zhǎng)，同樣不利于保證故障診斷的效率。其中，GA的訓(xùn)練時(shí)間最短，為19.86s，懲罰參數(shù)c與RBF參數(shù)g分別為9.5531和15.8599。

圖18～圖20為基于3種群智能優(yōu)化算法的適應(yīng)度曲線。從圖18可以看出，盡管基于PSO的SVM 最佳適應(yīng)度從第1代開始就穩(wěn)定在100%，但是平均適應(yīng)度在96% ～100%之間波動(dòng)，體現(xiàn)了尋優(yōu)的必要性。

從圖19可以看出，基于GA的SVM 最佳適應(yīng)度和平均適應(yīng)度從第1代開始就穩(wěn)定在100%，說明種群中大部分個(gè)體屬于“較優(yōu)個(gè)體”，體現(xiàn)了GA“優(yōu)勝劣汰”尋優(yōu)機(jī)制的特點(diǎn)。

圖19 GA適應(yīng)度曲線Fig.19 GAfitnesscurves

從圖20可以看出，基于SSA的SVM 最佳適應(yīng)度和平均適應(yīng)度從第1代開始就穩(wěn)定在100%，說明種群中“領(lǐng)導(dǎo)者”和“追隨者”屬于“較優(yōu)個(gè)體”，體現(xiàn)了該算法“追隨”尋優(yōu)的特點(diǎn)。

綜上，4種優(yōu)化算法均未陷入局部最優(yōu)解，故障診斷率均達(dá)到了100%。并且，從圖18～圖20可以看出，盡管3種群智能優(yōu)化算法初始階段的參數(shù)隨機(jī)性較強(qiáng)，但是依然能夠很快地找到參數(shù)的最優(yōu)解，說明EMD方法提取的故障特征精確度高，降低了SVM中懲罰參數(shù)c和RBF參數(shù)g的影響。在基于3種群智能優(yōu)化算法的SVM分類模型中，GA_SVM分類模型的訓(xùn)練時(shí)間最短，可以選擇該分類模型實(shí)現(xiàn)機(jī)載燃油泵故障的高效診斷。

圖18 PSO適應(yīng)度曲線Fig.18 PSOfitnesscurves

圖20 SSA適應(yīng)度曲線Fig.20 SSAfitnesscurves

4.3故障診斷準(zhǔn)確性對(duì)比驗(yàn)證

分別采用BP神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)（ELM）、常規(guī)SVM對(duì)相同的數(shù)據(jù)樣本進(jìn)行訓(xùn)練與測(cè)試，隨機(jī)選擇訓(xùn)練樣本與測(cè)試樣本，并和基于GA優(yōu)化的SVM（GA_SVM）進(jìn)行比較，評(píng)估指標(biāo)分別為用時(shí)（包括特征提取時(shí)間和測(cè)試時(shí)間）、故障診斷率（故障診斷率取20次平均值）、診斷方差（20次測(cè)試結(jié)果的總方差），結(jié)果如表8所示。

表8 各分類器評(píng)估指標(biāo)Table8 Evaluationindexofeachclassifier

由表8可以看出，BP神經(jīng)網(wǎng)絡(luò)用時(shí)較長(zhǎng)，為3.0000s，不利于保證故障診斷的效率，并且BP神經(jīng)網(wǎng)絡(luò)的診斷方差較高，說明診斷穩(wěn)定性較低，不利于工程實(shí)際的應(yīng)用。ELM 的故障診斷率較低，為86.95%，不利于工程實(shí)際的應(yīng)用。常規(guī)SVM雖然未對(duì)懲罰參數(shù)c與RBF參數(shù)g進(jìn)行優(yōu)化，但是診斷方差較低，僅為0.0203，說明EMD方法能夠提取較為準(zhǔn)確的機(jī)載燃油泵故障特征，使得SVM在不同的懲罰參數(shù)c與RBF參數(shù)g下仍然保持較高的診斷率，降低了SVM參數(shù)對(duì)故障診斷率的影響。GA_SVM 的用時(shí)短，故障診斷率高，達(dá)到100%，診斷方差為0，診斷穩(wěn)定性較好。

雖然常規(guī)SVM 和GA_SVM 在用時(shí)、故障診斷率、診斷方差3個(gè)方面優(yōu)勢(shì)相當(dāng)，但是常規(guī)SVM沒有對(duì)懲罰參數(shù)c與RBF參數(shù)g進(jìn)行優(yōu)化，由于這2個(gè)參數(shù)在一定范圍內(nèi)的取值存在偶然性，可能會(huì)導(dǎo)致訓(xùn)練的SVM 模型性能較差，在工程中需要盡量避免這種偶然性，否則會(huì)導(dǎo)致診斷效果較差，所以對(duì)兩者的優(yōu)化是十分必要的。

5 結(jié) 論

針對(duì)機(jī)載燃油泵故障數(shù)據(jù)來源較少、診斷效率較低、維護(hù)費(fèi)用較高、缺乏有效故障特征的問題，設(shè)計(jì)開發(fā)了機(jī)載燃油轉(zhuǎn)輸系統(tǒng)實(shí)驗(yàn)平臺(tái)，模擬燃油泵10種工作狀態(tài)，監(jiān)測(cè)振動(dòng)信號(hào)和壓力信號(hào)，通過時(shí)頻特性和統(tǒng)計(jì)特性，構(gòu)造故障特征向量，提出基于EMD和SVM 的機(jī)載燃油泵故障診斷方法，結(jié)果表明，本文方法可以有效地提取故障特征，并提高故障診斷效率。通過對(duì)實(shí)驗(yàn)進(jìn)行分析和驗(yàn)證，得到以下結(jié)論：

1）壓力信號(hào)無法較好地反映機(jī)載燃油泵的故障特征，故障診斷準(zhǔn)確度較低。而振動(dòng)信號(hào)能夠較準(zhǔn)確地反映出機(jī)載燃油泵的各種故障特征，故障診斷準(zhǔn)確度較高，但還有提升的空間。通過2種信號(hào)的結(jié)合，故障診斷的準(zhǔn)確度得到了進(jìn)一步的提升。

2）采用3種群智能優(yōu)化算法的SVM故障診斷率均達(dá)到了100%，尋優(yōu)過程中均未陷入局部最優(yōu)解，且尋優(yōu)速度相當(dāng)。但是在訓(xùn)練時(shí)間上，GA優(yōu)于其他3種算法，從節(jié)約計(jì)算資源以及時(shí)間耗費(fèi)上考慮，可以選擇GA對(duì)SVM 參數(shù)進(jìn)行優(yōu)化，提高機(jī)載燃油泵故障診斷效率。

3）SVM的故障診斷率和診斷穩(wěn)定性均高于人工神經(jīng)網(wǎng)絡(luò)，證明了SVM在小樣本、非線性、高維模式識(shí)別問題的優(yōu)勢(shì)。