液體火箭發(fā)動機傳感器故障檢測與數(shù)據(jù)恢復(fù)算法研究*

黃 強 劉洪剛 吳建軍

國防科技大學(xué)航天與材料工程學(xué)院，長沙410073

液體火箭發(fā)動機在地面試車或?qū)嶋H飛行過程中，為了監(jiān)測發(fā)動機的內(nèi)部工作狀態(tài)，需要采用各種傳感器來監(jiān)測發(fā)動機工作過程中的系統(tǒng)各關(guān)鍵部件和重點部位的壓力、溫度、轉(zhuǎn)速和振動加速度等參數(shù)。現(xiàn)有的各種發(fā)動機故障檢測算法都是以傳感器采集到的數(shù)據(jù)為基礎(chǔ)，如果傳感器的采集值出現(xiàn)錯誤即傳感器發(fā)生故障則很有可能會導(dǎo)致發(fā)動機故障檢測出現(xiàn)誤判或漏判，因此有必要針對發(fā)動機傳感器進行故障檢測和數(shù)據(jù)恢復(fù)的研究。神經(jīng)網(wǎng)絡(luò)由于非線性大規(guī)模并行處理方面的特點，以及其魯棒性、容錯性和自學(xué)習(xí)能力，因此可用到測量技術(shù)中。神經(jīng)網(wǎng)絡(luò)可以避免分析冗余技術(shù)實時建模的需要，而由神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)完成，它也可以模擬目標系統(tǒng)傳感器中的相關(guān)性來進行傳感器故障的檢測和信號的恢復(fù)。

1 傳感器的故障特性分析

無論是單個或多個傳感器發(fā)生故障，發(fā)生故障的傳感器所測量的值都將偏離預(yù)定的值。然而由于發(fā)動機系統(tǒng)是一個內(nèi)在統(tǒng)一的完整功能系統(tǒng)，因此無論這些傳感器是否為相同種類的傳感器，也無論這些傳感器是否具有硬件冗余備份。在各傳感器均正常工作的情況下，各傳感器的輸出因發(fā)動機系統(tǒng)性能參數(shù)的內(nèi)在統(tǒng)一性而具有內(nèi)在的一致性，這種內(nèi)在的一致性就是它們之間滿足一種已知由描述發(fā)動機工作過程數(shù)學(xué)模型而確立的理論關(guān)系式。如果某個傳感器出現(xiàn)故障，則故障傳感器與其余傳感器之間的這種測量輸出的內(nèi)在一致性就會遭到破壞。傳感器之間原有的理論關(guān)系式也就不再保持。因此傳感器故障的特點就在于，發(fā)生故障的傳感器的測量值偏離正常值，并且與周圍的正常傳感器不再滿足原有的理論關(guān)系式，而其他正常傳感器卻仍然保持在預(yù)定的允許偏差范圍內(nèi)并且相互之間滿足確定的理論關(guān)系式。傳感器故障有多種不同的類型，主要分為完全故障、漂移故障、偏差故障和精度等級下降等。第1 種通常稱為硬故障，后3 種稱為軟故障。液體火箭發(fā)動機傳感器故障也是上述4 種類型。

傳感器的故障檢測問題，其實質(zhì)包括以下3個問題:1)對于一個實際的物理系統(tǒng)，如何根據(jù)k 時刻和k 時刻以前的傳感器輸出即輸出向量y 判斷是否有傳感器發(fā)生故障;2)如果判斷有傳感器發(fā)生故障，如何分離出發(fā)生故障的傳感器，即判斷是哪個傳感器發(fā)生了故障;3)當找到了發(fā)生故障的傳感器后，如何確定一個代替它輸出的近似正確值來傳給后繼的系統(tǒng)。以上3個問題就是傳感器故障的檢測，分離和補償問題(Sensor Failure Detection，Identification，and Accommodation，簡稱SFDIA)。

2 神經(jīng)網(wǎng)絡(luò)傳感器故障檢測和補償算法

由于液體火箭發(fā)動機的非線性等特點，因此在文中采用神經(jīng)網(wǎng)絡(luò)來對發(fā)動機傳感器進行故障檢測和數(shù)據(jù)恢復(fù)，其結(jié)構(gòu)如圖1 所示。

圖1 傳感器故障檢測、隔離和補償(SFDIA)結(jié)構(gòu)圖

其各部分功能為:1)前期處理:對發(fā)動機傳感器數(shù)據(jù)進行歸一化處理;2)故障檢測模塊:使用經(jīng)過歸一化處理后的傳感器數(shù)據(jù)，利用神經(jīng)網(wǎng)絡(luò)來進行傳感器的故障檢測;3)故障傳感器的確定:如果故障檢測模塊已發(fā)現(xiàn)傳感器出現(xiàn)故障，則需確定出發(fā)生故障的傳感器;4)神經(jīng)網(wǎng)絡(luò)補償器:對已確定的故障傳感器，使用已訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)對傳感器進行數(shù)據(jù)恢復(fù);5)后期處理:對已經(jīng)過檢測或是數(shù)據(jù)恢復(fù)后的傳感器數(shù)據(jù)進行反歸一化處理，以便后續(xù)使用。

神經(jīng)網(wǎng)絡(luò)傳感器故障檢測與數(shù)據(jù)恢復(fù)算法主要包括一個主網(wǎng)絡(luò)(MNN，Main Neural Network)和n(對應(yīng)于需要檢測的傳感器個數(shù))個分散網(wǎng)絡(luò)(DNN，Decentralized Neural Network)。主網(wǎng)絡(luò)用來判斷傳感器是否發(fā)生故障以及確定故障傳感器，而分散網(wǎng)絡(luò)用來對已確定的故障傳感器進行數(shù)據(jù)恢復(fù)。在本文中，以燃氣發(fā)生器壓力Pf、燃燒室壓力Pk、氫泵出口壓力Per 和氫泵后溫度Tey 等4個參數(shù)作為研究對象。以某次正常試車的1000 組數(shù)據(jù)作為訓(xùn)練樣本，另外一次正常試車的1000 組數(shù)據(jù)作為測試樣本。

發(fā)動機傳感器故障檢測算法采用BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)，輸入節(jié)點為4個，輸出節(jié)點為4個，隱含層節(jié)點根據(jù)訓(xùn)練結(jié)果進行調(diào)整，表1 給出了BP 神經(jīng)網(wǎng)絡(luò)傳感器故障檢測算法的誤差情況。表中給出的是對應(yīng)于各參數(shù)的訓(xùn)練或測試結(jié)果的最大誤差值。根據(jù)表1 中的數(shù)據(jù)，當隱含層節(jié)點為15 時，BP 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效果較好，具有較高的訓(xùn)練精度，同時具有一定的推廣性能，其訓(xùn)練和測試結(jié)果如圖2 和圖3 所示。

表1 BP 神經(jīng)網(wǎng)絡(luò)傳感器故障檢測算法誤差情況

圖2 BP神經(jīng)網(wǎng)絡(luò)傳感器故障檢測訓(xùn)練結(jié)果

圖3 BP神經(jīng)網(wǎng)絡(luò)傳感器故障檢測測試結(jié)果

表2 BP 神經(jīng)網(wǎng)絡(luò)傳感器故障檢測算法輸出與正常讀數(shù)比較

為了確定傳感器是否發(fā)生故障，定義了傳感器置信度(CL，Confidence Level)。其定義如下:

圖4 BP 神經(jīng)網(wǎng)絡(luò)傳感器故障檢測參數(shù)置信度

由表2 可以看出，利用BP 神經(jīng)網(wǎng)絡(luò)傳感器故障檢測算法在出現(xiàn)傳感器故障時的輸出數(shù)據(jù)和正常數(shù)據(jù)相比，差別較大，因此需要針對故障傳感器訓(xùn)練專有的數(shù)據(jù)恢復(fù)算法。在本文中，傳感器的數(shù)據(jù)恢復(fù)算法也采用BP 神經(jīng)網(wǎng)絡(luò)，它是將目標參數(shù)作為輸出，而將剩下的3個參數(shù)作為輸入，因此輸入節(jié)點為3，輸出節(jié)點為1，在實際的工作中發(fā)現(xiàn)，各參數(shù)的數(shù)據(jù)恢復(fù)神經(jīng)網(wǎng)絡(luò)算法，當隱含層節(jié)點為5 時，其訓(xùn)練效果較好，測試效果較好，其訓(xùn)練和測試結(jié)果如圖5 和圖6 所示。

圖5 BP神經(jīng)網(wǎng)絡(luò)傳感器數(shù)據(jù)恢復(fù)算法訓(xùn)練結(jié)果

圖6 BP 神經(jīng)網(wǎng)絡(luò)傳感器數(shù)據(jù)恢復(fù)算法測試結(jié)果

3 結(jié)論

根據(jù)液體火箭發(fā)動機傳感器的故障特性，實現(xiàn)了基于BP 神經(jīng)網(wǎng)絡(luò)的液體火箭發(fā)動機傳感器故障檢測算法，實現(xiàn)了基于BP 神經(jīng)網(wǎng)絡(luò)的傳感器數(shù)據(jù)恢復(fù)算法。使用液體火箭發(fā)動機歷史試車數(shù)據(jù)對算法進行驗證，結(jié)果表明BP 神經(jīng)網(wǎng)絡(luò)能夠?qū)Πl(fā)動機傳感器進行故障檢測，訓(xùn)練精度和結(jié)果好的網(wǎng)絡(luò)結(jié)構(gòu)能夠?qū)鞲衅鲾?shù)據(jù)進行數(shù)據(jù)恢復(fù)，并且本文實現(xiàn)的液體火箭發(fā)動機傳感器故障檢測、定位和補償算法能夠在一定程度上提高發(fā)動機故障檢測和診斷方法的可靠性和魯棒性，并能夠應(yīng)用到液體火箭發(fā)動機的健康監(jiān)控系統(tǒng)。

［1］Yu D L，Gomm J B，Williams D.Sensor Fault Diagnosis in a Chemical Process via RBF Neural Networks ［J］.Control Engineering Practice，1999，7:49-55.

［2］劉冰.液體火箭發(fā)動機智能化故障診斷與健康評估系統(tǒng)研究［D］.國防科學(xué)技術(shù)大學(xué)研究生院，1999.

［3］Ehsan Mesbahi. An Intelligent Sensor Validation and Fault Diagnostic Technique for Diesel Engines［J］.Journal of Dyanamic Systems，Measurement，and Control，2001，123:141-144.

［4］邱浩，王道波，張煥春.BP 神經(jīng)網(wǎng)絡(luò)用于傳感器故障診斷的仿真研究［J］.中國空間科學(xué)技術(shù)，2003，6:26-30.(Qiu Hao，Wang Daobo，Zhang Huanchun. Simulation of Sensor Failure Detection Using BP Neural Network［J］. Chinese Space Science and Technology，2003，6:26-30.)

［5］王軍，呂震中，曹荃. 基于神經(jīng)網(wǎng)絡(luò)的傳感器故障診斷方法與應(yīng)用［J］. 自動化儀表，2003，24(10):21-24.(Wang Jun，Lv Zhenzhong，Cao Quan. Neural Network Based Method for Transducer Fault Diagnostics and Its Application［J］.Process Automation Instrumentation，2003，24(10):21-24.)

［6］黃治軍，雷勇.傳感器故障檢測的仿真研究［J］. 計算機仿真，2005，22(1):110-112. (HUANG Zhi-jun，LEI Yong. Simulation Research of Sensor Fault Detection［J］.Simulation of Computer，2005，22(1):110-112.)