A Fault Diagnosis Method of Airborne Fuel Pump Based on Granulation and Fuzzy Entropy

doi:10.13675/j.cnki.tjjs.190325

Journal of Propulsion Technology ›› 2020, Vol. 41 ›› Issue (10): 2308-2315.DOI: 10.13675/j.cnki.tjjs.190325

• Structure, Strength and Reliablity • Previous Articles Next Articles

A Fault Diagnosis Method of Airborne Fuel Pump Based on Granulation and Fuzzy Entropy

1.College of Coastal Defense，Naval Aviation University，Yantai 264000，China;2.College of Basic Sciences for Aviation，Naval Aviation University，Yantai 264000，China;3.College of Mathematics and Statistics，Ludong University，Yantai 264000，China;4.Naval 92728，shanghai 200040，China

Published:2021-08-15

基于粒化模糊熵的机载燃油泵故障诊断

戴邵武¹，陈强强^1,4，戴洪德²，李娟³

1.海军航空大学岸防兵学院，山东烟台 264000;2.海军航空大学航空基础学院，山东烟台 264000;3.鲁东大学数学与统计科学学院，山东烟台 264000;4.海军92728部队，上海 200040

基金资助:
山东自然科学基金面上项目（ZR2017MF036）；国防科技项目基金（F062102009）。

Abstract

Abstract: Due to the complexity of mechanical systems， the randomicity of the vibration signal behave on different scales， making it necessary to analyze the vibration signal in a multi-scale way. In order to realize fault feature extraction of airborne fuel pump， Fuzzy entropy is used as the basic feature of vibration signal of airborne fuel pump， a new method of airborne fuel pumps fault diagnosis based on fuzzy information granulation （FIG） and fuzzy entropy （FE） is put forward. Firstly， the FIG method is used to granulate the vibration signal and the FIG particles made up of minimum， median， and maximum are obtained. Secondly， the FE of the particles is calculated. The entropies are accordingly seen as the characteristic vector， then input to the particle swarm optimization （PSO） - support vector machine （SVM） based classifier. Finally， the proposed method is applied to the airborne fuel pumps and bearing experimental data. The analysis results show that the proposed approach can effectively achieve fault diagnosis.

Key words: Feature extraction;Fuzzy information granulation;Fuzzy entropy;Fault diagnosis;Airborne fuel pump

摘要： 由于机械系统的复杂性，机载燃油泵振动信号的随机性表现在不同尺度上，因此需要对振动信号进行多尺度分析。为了实现机载燃油泵的故障状态特征提取，以模糊熵作为机载燃油泵振动信号的基本特征，提出了基于模糊信息粒化和模糊熵的机载燃油泵故障诊断方法。首先，采用模糊信息粒化方法对振动信号进行粒化处理，得到包含最小值、中值、最大值三组模糊信息粒；其次，计算模糊信息粒的模糊熵值；最后，将熵值作为特征向量，输入基于粒子群优化支持向量机建立的分类器。将该方法应用于机载燃油泵及轴承实验数据，分析结果表明，该方法可有效实现故障诊断。

关键词: 特征提取;模糊信息粒化;模糊熵;故障诊断;机载燃油泵

DAI Shao-wu¹, CHEN Qiang-qiang^1,4, DAI Hong-de², LI Juan³. A Fault Diagnosis Method of Airborne Fuel Pump Based on Granulation and Fuzzy Entropy[J]. Journal of Propulsion Technology, 2020, 41(10): 2308-2315.

戴邵武，陈强强，戴洪德，李娟. 基于粒化模糊熵的机载燃油泵故障诊断[J]. 推进技术, 2020, 41(10): 2308-2315.

References

[1] 刘晓东，景博，石慧，等. 燃油泵故障诊断试验装置及试验方案优化设计［J］. 振动.测试与诊断， 2017， 37（6）： 1187-1194.
[2] 丁锋，栗祥，韩帅. EEMD与NRS在涡桨发动机转子故障诊断中的应用［J］. 航空动力学报， 2018， 33（6）： 1423-1431.
[3] 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.
[4] Logan D， Mathew J. Using the Correlation Dimension for Vibration Fault Diagnosis of Rolling Element Bearings ［J］. Mechanical Systems & Signal Processing， 1996， 10（3）： 241-250.
[5] 李晓娟，曲建岭，邹文栋，等. 航空发动机状态参数的关联维数分析［J］. 计算机仿真， 2013， 30（9）： 56-59.
[6] 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.
[7] 林近山，窦春红，张妮. 基于多重分形去趋势互相关分析的齿轮箱故障诊断［J］. 机械传动， 2016， 40（1）： 91-94.
[8] 李兵，张培林，任国全，等. 形态学广义分形维数在发动机故障诊断中的应用［J］. 振动与冲击， 2011， 30（10）： 208-211.
[9] 王冰，李洪儒，陈强华，等. 基于数学形态分形维数与模糊C均值聚类的滚动轴承退化状态识别［J］. 兵工学报， 2015， 36（10）： 1982-1990.
[10] 侯荣涛，闻邦椿，周飙. 基于现代非线性理论的汽轮发电机组故障诊断技术研究［J］. 机械工程学报，2005， 41（2）： 142-147.
[11] 胡春燕，刘新灵，李莹. 某发动机主燃油泵轴承失效分析［J］. 金属热处理， 2011， 36（9）： 64-67.
[12] Pincus S M. Approximate Entropy as a Measure of System Complexity［J］. Proceedings of the National Academy of Sciences of the United States of America， 1991， 88（6）： 2297-2301.
[13] Yan R， Gao R X. Approximate Entropy as a Diagnostic Tool for Machine Health Monitoring［J］. Mechanical Systems and Signal Processing， 2007， 21（2）： 824-839.
[14] Chen W， Wang Z， Xie H， et al. Characterization of Surface EMG Signal Based on Fuzzy Entropy［J］. IEEE Transactions on Neural Systems and Rehabilitation Engineering， 2007， 15（2）： 266-272.
[15] 王付广. 基于ELM的滚动轴承退化趋势与剩余寿命预测方法研究［D］. 马鞍山：安徽工业大学， 2018.
[16] 戴洪德，陈强强，戴邵武，等. 基于平滑先验分析和排列熵的滚动轴承故障诊断［J］. 推进技术， 2020， 41（8）.
[17] 郑近德，姜战伟，代俊习，等. 基于VMD的自适应复合多尺度模糊熵及其在滚动轴承故障诊断中的应用［J］. 航空动力学报， 2017， 32（7）： 1683-1689.
[18] Zadeh L A. Toward a Theory of Fuzzy Information Granulation and Its Centrality in Human Reasoning and Fuzzy Logic［J］. Fuzzy Sets and Systems， 1997， 90（2）： 111-127.
[19] 陈强强，戴邵武，戴洪德，等. 基于分解-粒化和优化极限学习机的燃油泵性能退化趋势预测［J］. 推进技术， 2020， 41（8）.
[20] 郑近德，程军圣，杨宇. 基于LCD和排列熵的滚动轴承故障诊断［J］. 振动.测试与诊断， 2014， 34（5）： 802-806.
[21] 郑近德，陈敏均，程军圣，等. 多尺度模糊熵及其在滚动轴承故障诊断中的应用［J］. 振动工程学报， 2014， 27（1）： 145-151.
[22] Wu S， Wu P， Wu C， et al. Bearing Fault Diagnosis Based on Multiscale Permutation Entropy and Support Vector Machine［J］. Entropy， 2012， 14（8）： 1343-1356.
[23] Garcíagonzalo E， Fernándezmartínez J L. A Brief Historical Review of Particle Swarm Optimization （PSO）［J］. Journal of Bioinformatics & Intelligent Control， 2012， 1（1）： 3-16.
[24] Smith W A， Randall R B. Rolling Element Bearing Diagnostics Using the Case Western Reserve University Data： a Benchmark Study［J］. Mechanical Systems and Signal Processing， 2015， 64-65： 100-131.

A Fault Diagnosis Method of Airborne Fuel Pump Based on Granulation and Fuzzy Entropy

基于粒化模糊熵的机载燃油泵故障诊断

PDF

Knowledge

Abstract

Cite this article

share this article

References

Related Articles 0

Recommended Articles

Metrics

Comments