人工智能在矢量推力現場動態校準中的應用研究

黃相華 江 峰 楊水旺 宋志強 魯 寧 李啟明

(北京振興計量測試研究所，北京 100074)

1 引 言

在發動機的研制生產過程中，地面模式試驗是非常重要的一個環節。作為航空航天工程的重要組成部分，發動機地面試車試驗目的在于驗證發動機的性能，評價發動機的功能、性能、技術指標等，不斷完善發動機設計參數。在發動機試車試驗中，需要對許多動力學參數進行測試，如比沖、效能、矢量推力等。其中矢量推力是評估發動機性能的非常重要的參數，對于矢量推力的測量越來越受到發動機研制部門的重視。這也帶來了發動機矢量推力測量系統的校準問題。目前國內的發動機試車臺矢量推力測量系統校準基本上還是使用傳統的方法來進行，即將測力傳感器拆卸送到實驗室進行校準，然后利用靜態校準數據來進行測量。這就帶來測力傳感器“靜態校準，動態使用”的一個問題。由于發動機試車時的矢量推力是一個動態量，測力傳感器靜態校準數值與實際推力數值有很大區別，實際現場使用時誤差可能會增至±20%～±30%，造成發動機試車臺矢量推力測量不準確。因此只有通過現場通過動態校準的方式，取得軸向推力與側向力分量的數值，以及他們之間的關系，才能準確對矢量推力測量系統進行校準。因此發動機研制部門提出了對矢量推力測試系統現場動態校準的需求[1]。

在矢量推力現場校準時，由于試車臺條件限制，不可能選取很多校準點，因而采用常規方法難以直接獲取全幅值和全頻段的動態靈敏度，經過綜合考慮，采用人工智能方法開展發動機試車臺矢量推力全幅值和全頻段動態特性研究。

神經網絡最大的特點就是對于非線性映射的反應能力。在被校準點比較少，在模型特性了解相對較少的情況下，通過自主的訓練和自主學習，預測出校準系統的輸出(動態傳遞特性序列)與輸入(校準量值點序列F和校準頻率點序列f)之間的關系[2,3]。

本文所設計的校準裝置，選用擺錘式動態力發生裝置作為激勵源，并采用人工智能RBF神經網絡對發動機試車臺矢量推力的動態特性進行補償。最后為驗證校準方案的可行性，做了驗證性試驗，進行了不確定度分析。

2 矢量推力現場動態校準技術研究

2.1 存在的問題

現階段發動機試車臺矢量推力測量系統的校準工作主要在實驗室開展，即將測力傳感器拆卸送到實驗室進行校準。但在實際使用過程中，由于臺架安裝精度要求動架體上端、動架體下端同軸度非常高，反復拆裝傳感器耽誤時間，而且由于裝卸傳感器所帶來的安裝誤差會引入額外的測量不確定度。

另外試車時矢量推力為動態力，傳統方法中測力傳感器在靜態下計量而在動態環境中使用，測力傳感器所測量的數值與實際推力數值有很大的區別，實際現場使用時誤差增至±10%～±20%的情況也不少見，造成了發動機試車臺推力的測量不準確，進而對發動機的工作時間，飛行器的飛行速度、射程產生重要影響。

通過對校準過程的分析，發現引入誤差的原因主要包括以下幾方面[4-7]：

1)實驗室校準條件與實際現場工作條件不一致；

2)力傳感器的動態響應引入誤差影響校準結果；

3)校準時各傳感器相位不同步，導致空間矢量推力校準精度低。

隨著發動機地面試車試驗研究的深入開展，對矢量推力試驗臺測量精度要求越來越高。為降低實驗室校準與實際使用條件不同而產生附加誤差，提高矢量推力測量系統的精度，迫切需開展矢量推力試驗臺現場推力校準。

2.2 現場動態校準方法

通過對現階段不同動態力發生裝置的優缺點比較[8-10]，最終采取基于擺錘式矢量推力現場校準裝置完成推力測量系統動態校準任務。其總體校準系統框圖如圖1所示，在進行主推力和側向力校準時，首先根據需產生的力值的大小，調整擺錘裝置的工作參數，如擺錘質量、提升角度等，可獲得不同脈寬及幅值的力值信號。隨后擺錘擊打傳力塊，產生動態力作用在工作級傳感器上，工作傳感器和標準傳感器所產生的響應信號經高精度動態應變儀調理放大后送入數采系統，通過數采系統可以分別得到標準傳感器和工作級傳感器的力值曲線，從而實現矢量推力的校準。

校準系統中作為力源的擺錘式動態力發生裝置機械結構如圖2所示。機械部分主要由底座、電磁離合器、蝸輪、蝸桿、步進電機、旋轉編碼器、擺桿等部件組成。

在進行校準時，控制系統控制電磁離合器閉合，并控制步進電機轉動，通過蝸桿蝸輪減速裝置帶動擺錘提升，擺錘提升角度由旋轉編碼器獲得。當擺錘提升到設定角度后，步進電機停止轉動。由于蝸輪蝸桿減速裝置具有自鎖作用，在無電機驅動扭矩的作用下，擺錘不會自由下落。當需要擺錘自由下落時，控制系統控制電磁離合器分離，擺錘將在重力作用下自由下落并撞擊傳力塊，進而將力值傳遞給被校推力傳感器。撞擊后擺錘將反彈，通過控制系統自動控制電

圖1 矢量推力原位現場校準總體框圖Fig.1 General scheme of vector thrust field calibration

圖2 擺錘式校準裝置機械結構圖Fig.2 Machine construction of pendulum bob calibration system

磁離合器閉合，并結合蝸輪蝸桿的自鎖作用，可以固定擺錘，防止二次撞擊。校準裝置的擺桿長度設計為可調，同時防二次撞擊機構中的凸輪滑桿長度和滑塊彈簧的壓縮量均設計為可調。

為得到超燃沖壓發動機矢量推力測量系統動態傳遞特性，需要分別得到標準傳感器的激勵信號和工作傳感器的響應信號。通過數采系統對激勵信號和響應信號作歸一化處理，并分別求取的頻譜密度函數，可得到工作傳感器的頻率響應傳遞函數為

(1)

式中：X1(jw)——激勵信號譜密度函數；Y1(jw)——響應信號譜密度函數。

頻譜特性曲線上相應頻率點對應幅值即為系統在該頻率點動態靈敏度值[11,12]。通過多次重復性試驗，可獲得多條頻譜特性曲線。由于不同的力幅值和頻率點下的測量系統的動態靈敏度存在一定的差異，因而采用常規方法難以直接獲取全幅值和全頻段的動態靈敏度，經過綜合考慮，采用神經網絡開展發動機試車臺矢量推力校準系統全幅值和全頻段動態特性校準與補償技術研究。

3 人工智能在矢量推力校準中的應用

3.1人工智能RBF神經網絡原理

人工智能神經網絡的優勢是非線性映射能力非常強，從人工智能技術發展來看，采用RBF神經網絡是一個比較好的方案。RBF神經網絡是通過對稱函數，將多維的數據逼近轉換為一維的數據逼近[13]，是一種利用插值來解決問題的人工智能算法。從其原來上來說，只要參數設計得合適，人工智能神經網絡的輸出會以非常高的精度近似非線性函數，從而減小校準不確定度。同時由于該神經網絡學習收斂速度很快，目前在故障診斷、圖像處理、控制領域等已經有成功的應用。綜上，本項目采用人工智能RBF神經網絡開展發動機試車臺矢量推力校準系統全頻段動態特性校準補償研究。

3.2 矢量推力校準RBF神經網絡的設計

假設在500N～100kN量值范圍內，選取不同的校準力值點，并在相應的頻率下對發動機試車臺的矢量推力進行校準，可以得到該力值點的頻響曲線。同理，對不同的校準力值點分別進行校準，可以得到所有校準點在指定頻率點動態傳遞特性。由此可以得出矢量力值序列與頻率序列。

根據RBF神經網絡原理，矢量推力校準系統神經網絡輸入參數為指定動態力校準量值點序列FN和指定校準頻率點序列fN，神經網絡輸出為基于灰色理論計算獲得的動態傳遞特性序列，建立的超燃沖壓發動機試車臺矢量推力校準系統全幅值和全頻段動態傳遞特性的RBF神經網絡結構設計圖如圖3所示。

圖3 矢量推力校準RBF神經網絡結構圖Fig.3 The structure of vector thrust RBF neural network

由圖3中可以看到，矢量推力校準RBF神經網絡結構采用三層前饋，分為輸入層、隱含層和輸出層。在這三層結構之間采用全互連的方式來進行連接，同層次之間的單元之間不存在連接。

第一層為輸入層，將矢量推力測量數據作為輸入，神經元為指定動態力校準量值點序列F和指定校準頻率點序列f；

第二層為隱含層，徑向基函數將輸入層的數值映射到新空間進行計算。為實現這一目的，需要確定基函數的中心和寬度，以及矢量推力輸出層與神經網絡隱含層連接的權重值。目前一般用于神經網絡的是K-均值算法以及迭代LMS算法;

由公式推導可知，隱含層的輸出為

(2)

式中：φi——輸出量；Ri(x)——神經網絡基函數；x——輸入力值信號；ci——第i個基函數中心；σi——第i個基函數寬度；M——神經元數量；‖x-ci‖——矢量系數，即輸入量與基函數中心的距離。

第三層為輸出層，對應輸出參數為基于灰色理論計算獲得的動態傳遞特性序列。在這一層中，對隱含層的輸出進行計算，經過線性加權后，所期望得到的校準數值為

S=θ+∑Wiφi

(3)

式中：Wi——權重值；θ——輸出偏移量。

3.3 矢量推力校準神經網絡的學習及應用

神經網絡的工作過程分為兩部分，分別是矢量推力RBF神經網絡參數學習訓練和矢量推力RBF神經網絡應用。

首先是矢量推力RBF神經網絡參數學習訓練。

試車臺矢量推力校準神經網絡設計完成之后，通過歷史校準數據讓神經網絡開展訓練學習，從而預測出矢量推力動態特性的輸出結果。整個學習訓練過程示意圖如圖4所示。

圖4 矢量推力BPF神經網絡學習訓練示意圖Fig.4 The leatning process of vector thrust RBF neural network

校準時具體學習過程如圖5所示，離線學習的時候，在500N～100kN量值范圍內，選出10個典型校準點，分別在不同的校準點下對試車臺矢量力進行校準，將校準數據作為輸入層數據送入到RBF神經網絡中進行學習訓練，得到不同力值的RBF神經網絡參數。整個學習的過程包括10組力值校準數據神經網絡參數，在完成這個過程后，將得到的參數進行儲存，方便下一步的應用。

圖5 矢量推力RBF神經網絡學習訓練示意圖Fig.5 The principle of off-line learning with vector thrust RBF neural network

其次是矢量推力RBF神經網絡應用如圖6所示，首先根據施加的力值和頻率進行校準區間的判定。根據動態力值的所屬校準區間，選取合適的網絡參數以及力值數據，之后從儲存的文件中獲得學習訓練后的RBF神經網絡參數。將這組選定的網絡參數輸入到之前構建的矢量推力校準RBF神經網絡中，可以得到被校準傳感器的逆模型。將動態力值信號作為輸入信號，矢量推力動態傳遞特性序列作為輸出信號，即可實現試車臺矢量推力幅值和相位動態特性的校準。

圖6 矢量推力RBF神經網絡應用示意圖Fig.6 The principle of online application with RBF vector thrust neural network

4 試驗驗證

4.1 動態力值驗證結果

為了驗證校準系統的可行性，利用設計的校準裝置對發動機試車臺矢量推力進行了動態校準。通過調整校準系統參數，如擺錘質量、提升角度等可獲得不同脈寬及幅值的動態力值信號。

改變擺錘擺角而產生的不同波形如圖7所示。從圖中可以看出，擺錘沖擊過程中的力峰值隨著擺角的增加而增大，擺錘初始擺動角對力信號峰值影響較大，對脈寬影響較小。

圖7 不同擺角條件下的力值波形圖Fig.7 The waveform produced by different pendulum angle

改變擺錘質量的情況下產生的動態力值信號如圖8所示。擺錘沖擊過程中的動態力峰值和脈寬均隨著擺錘質量的增加而增大，但是擺錘質量對動態力的峰值影響更大。

圖8 不同擺錘質量條件下的力值波形圖Fig.8 The waveform produced by different pendulum quality

動態力的脈寬主要由緩沖墊來決定，使用不同材料的緩沖墊所產生的波形如圖9所示。當可換材料的硬非線性越大時，擺錘沖擊產生的力峰值越大，且脈寬越窄；相反，若可換材料的硬非線性越小時，則擺錘沖擊產生的力峰值越小，而脈寬越寬。

在工作時，可以將典型校準點的參數通過實驗確定，并在后續的校準補償時加以應用。

圖9 不同緩沖墊條件下的力值波形圖Fig.9 The waveform produced by different crash pad

4.2 人工智能神經網絡補償結果對比圖

為了驗證構造的人工智能神經網絡對動態力值的補償效果，選取典型力值點對補償前后的數據進行了對比。

使用矢量推力校準裝置對試車臺進行動態校準，得到補償前的時域波形如圖10所示。

圖10 補償前時域波形圖Fig.10 The time domain waveform before compensation

設計的人工智能神經網絡經學習訓練后，根據校準結果所屬區間，獲得RBF神經網絡參數，對矢量推力校準結果進行補償。得到補償后的時域波形如圖11所示。

通過多次重復性試驗，可以獲得矢量推力的幅頻特性圖。在高頻時幅頻曲線不夠平滑，通過神經網絡的補償，可以得到補償前后的幅頻特性曲線，如圖12所示。

圖12 補償前后的幅頻特性曲線圖Fig.12 The amplitude frequency curves before and after compensation

從圖10至圖12補償前后的對比圖中可見，使用人工智能神經網絡對矢量推力進行補償后的矢量力值信號的高頻噪聲大幅減小，信號質量改善明顯。同時在校準點幅值和頻率數目有限的情況下，可以很方便地利用神經網絡實現矢量推力全幅值全頻段的動態補償，結果滿足試車臺矢量推力的校準的需求。

5 不確定度分析

由于各測量不確定度分量的存在，需對校準系統各個組成環節進行考核評估，即對矢量推力校準系統測量結果的不確定度進行分析。

根據試車臺矢量推力測量系統的校準過程，分類歸納出10項不確定度分量，匯總列表，并進行不確定度的合成[14,15]。相對合成標準不確定度為

=1.50%

矢量推力測量系統動態校準相對擴展不確定度為

Urel=kuc=2×1.50%=3.0%(k=2)

表1 不確定度分量匯總表Tab.1 Summary sheet of uncertainty components序號不確定度來源符號不確定度類別1測量重復性uA2.0×10-3A2工作傳感器引入u12.0×10-3B3傳感器及撓性桿組合件位置誤差引入u22.0×10-3B4調理電路相對引入u31.0×10-3B5數采系統引入u41.0×10-3B6隨機干擾噪聲引入u54.0×10-3B7動架軸線與校準坐標的不同軸性引入u64.0×10-3B8標準動態力傳感器引入u74.0×10-3B9動態加載裝置穩定度引入u81.0×10-2B10動態加載裝置波形失真引入u98.0×10-3B

6 結束語

該發動機試車臺矢量推力現場動態校準裝置能夠精確地對矢量推力進行校準，結構簡單，可靠性好。針對發動機試車試驗成本較高、可供選取的校準點有限等特點，采用RBF神經網絡進行試車臺矢量推力動態特性的獲取和補償，提高了校準準確度，降低了校準成本。通過多次地面試驗對校準裝置的技術指標進行了驗證，試驗結果表明，校準裝置動態性能優異，響應迅速，通過人工智能神經網絡補償后力值信號的噪聲明顯減小，各項指標都能夠滿足發動機試車臺推力矢量推力的校準要求。該校準系統通過改造后可以拓展應用到火箭發動機、固體發動機等其他需要校準矢量推力的地面設備上。