BP神經(jīng)網(wǎng)絡(luò)用于火箭增壓輸送系統(tǒng)故障檢測(cè)

張偉星，李建民，侯 文，王 高，羅 悅，薛震宇

(中北大學(xué) 信息與通信工程學(xué)院,山西 太原 030051)

0 引言

據(jù)統(tǒng)計(jì)，到20世紀(jì)70年代美國(guó)所有液體火箭發(fā)射失敗任務(wù)中，增壓輸送系統(tǒng)故障導(dǎo)致火箭發(fā)射失敗的比例高達(dá) 28%，列火箭各系統(tǒng)故障比例之首[1]。美國(guó)最早開(kāi)始發(fā)展異常及故障檢測(cè)系統(tǒng)、健康管理系統(tǒng)對(duì)包括增壓輸送系統(tǒng)在內(nèi)的各火箭系統(tǒng)的健康狀況進(jìn)行監(jiān)測(cè)，取得了良好的效果[2-5]。

傳統(tǒng)的火箭故障檢測(cè)方法有自適應(yīng)方法(通過(guò)監(jiān)測(cè)測(cè)量參數(shù)向量之間的相關(guān)關(guān)系的變化情況，來(lái)判斷發(fā)動(dòng)機(jī)是否發(fā)生故障[6])、信號(hào)處理的方法(通過(guò)對(duì)火箭信號(hào)的預(yù)處理、特征提取、狀態(tài)識(shí)別和診斷決策等環(huán)節(jié)，提出采用振幅和頻率兩參量包絡(luò)曲線法診斷發(fā)動(dòng)機(jī)故障的算法,并通過(guò)發(fā)動(dòng)機(jī)熱試車(chē)數(shù)據(jù)驗(yàn)證了該算法的有效性[7])、數(shù)學(xué)模型的方法，建立故障仿真數(shù)學(xué)模型，選取特征參數(shù)，對(duì)于泄漏、堵塞及渦輪泵等典型故障模式可以進(jìn)行有效識(shí)別和分離[8])等。傳統(tǒng)的火箭故障檢測(cè)方法自學(xué)習(xí)能力弱，故障檢測(cè)覆蓋范圍較低。隨著數(shù)據(jù)科學(xué)的迅速發(fā)展，出現(xiàn)多種利用數(shù)據(jù)挖掘?qū)σ后w火箭故障檢測(cè)的方法，尤其是以深度學(xué)習(xí)為代表的智能故障檢測(cè)方法利用火箭返回的大量數(shù)據(jù)，基于數(shù)據(jù)驅(qū)動(dòng)建立可靠的故障檢測(cè)模型[9-10]。文獻(xiàn)[11]評(píng)述了液體火箭發(fā)動(dòng)機(jī)健康監(jiān)控技術(shù)的兩個(gè)主要方面，即故障檢測(cè)和健康監(jiān)測(cè)，并介紹了模型驅(qū)動(dòng)、數(shù)據(jù)驅(qū)動(dòng)和人工智能的液體火箭故障檢測(cè)方法，對(duì)比了以上方法的適用范圍和各自特點(diǎn)。

許多學(xué)者將關(guān)聯(lián)規(guī)則、貝葉斯分類(lèi)器、聚類(lèi)算法、粒子群算法等數(shù)據(jù)挖掘方法應(yīng)用于火箭的故障檢測(cè)，取得了不錯(cuò)的效果[12-15]，以上算法具有一定的自學(xué)習(xí)能力并且對(duì)于偶發(fā)故障也有一定的檢測(cè)能力。深度學(xué)習(xí)的發(fā)展也為火箭故障檢測(cè)提供了更多的可能，文獻(xiàn)[16]建立了液體火箭發(fā)動(dòng)機(jī)參數(shù)選擇層次結(jié)構(gòu)模型，為科學(xué)合理地選擇發(fā)動(dòng)機(jī)地面試車(chē)實(shí)時(shí)故障檢測(cè)參數(shù)提供了根據(jù),解決了一直以來(lái)依靠定性方法確定發(fā)動(dòng)機(jī)檢測(cè)參數(shù)的問(wèn)題。文獻(xiàn)[17]采用Hopfield神經(jīng)網(wǎng)絡(luò)模擬發(fā)動(dòng)機(jī)靜態(tài)工作過(guò)程的非線性方程組并用ART2網(wǎng)絡(luò)識(shí)別常見(jiàn)的幾種故障模式。文獻(xiàn)[18]應(yīng)用動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)在線辨識(shí)方法用于泵壓式液體火箭發(fā)動(dòng)機(jī)故障檢測(cè)與分離。文獻(xiàn)[19]將前向多層感知機(jī)神經(jīng)網(wǎng)絡(luò)應(yīng)用于液體火箭發(fā)動(dòng)機(jī)故障檢測(cè)和診斷。

以上液體火箭故障檢測(cè)方法和健康監(jiān)測(cè)系統(tǒng)存在的問(wèn)題是：數(shù)據(jù)模型用到的訓(xùn)練集中實(shí)際發(fā)射和試車(chē)數(shù)據(jù)較少且數(shù)據(jù)規(guī)模較小，模型適用范圍較小，無(wú)法從火箭系統(tǒng)層面對(duì)火箭健康狀況進(jìn)行全面監(jiān)測(cè)，數(shù)據(jù)處理方法較為復(fù)雜無(wú)法滿(mǎn)足實(shí)時(shí)檢測(cè)需求等。本文在前人液體火箭故障檢測(cè)方法和健康監(jiān)測(cè)工作的基礎(chǔ)上結(jié)合各種數(shù)據(jù)分析的優(yōu)勢(shì)提出針對(duì)液體火箭系統(tǒng)的故障檢測(cè)方法。BP神經(jīng)網(wǎng)絡(luò)可以進(jìn)行離線訓(xùn)練，提前完成模型訓(xùn)練可以提高故障檢測(cè)的效率。經(jīng)過(guò)預(yù)處理的18個(gè)遙測(cè)參數(shù)屬性可視為181矩陣，對(duì) MATLAB 而言，處理如此大小的矩陣是非常迅速的，這樣就能保證計(jì)算每個(gè)時(shí)刻點(diǎn)的試車(chē)或發(fā)射數(shù)據(jù)時(shí)系統(tǒng)的時(shí)耗盡可能少。每個(gè)數(shù)據(jù)集采樣點(diǎn)之間的時(shí)間間隔為毫秒級(jí)能滿(mǎn)足實(shí)時(shí)檢測(cè)的需求。

1 數(shù)據(jù)預(yù)處理

本文數(shù)據(jù)來(lái)源于某型號(hào)運(yùn)載火箭第三級(jí)試車(chē)和發(fā)射時(shí)，增壓輸送系統(tǒng)17個(gè)核心組件傳感器返回?cái)?shù)據(jù)，包括溫度、壓力、轉(zhuǎn)速等物理量，增壓輸送系統(tǒng)絕大部分故障和異常可由這17個(gè)參數(shù)直接或間接反映，另外還增加歸一化時(shí)間序列以區(qū)分減少火箭不同工況下參數(shù)變化帶來(lái)的誤判。該型號(hào)火箭在一百多秒的工作時(shí)間內(nèi)產(chǎn)生上百萬(wàn)行數(shù)據(jù)，而且數(shù)據(jù)的量綱和數(shù)量級(jí)差異極大。為提高算法計(jì)算速度，實(shí)現(xiàn)實(shí)時(shí)故障檢測(cè)的需求，必須對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，其處理過(guò)程分為數(shù)據(jù)抽樣和數(shù)據(jù)歸一化兩個(gè)環(huán)節(jié)。

1.1 數(shù)據(jù)抽樣

本文所研究的增壓輸送系統(tǒng)屬于泵壓式，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)故障檢測(cè)參數(shù)屬性如表1所示，數(shù)據(jù)已經(jīng)過(guò)適當(dāng)去密處理。

由表1可知故障檢測(cè)參數(shù)采樣頻率為25～375 Hz，整個(gè)試車(chē)和發(fā)射過(guò)程產(chǎn)生數(shù)萬(wàn)行數(shù)據(jù)，為降低數(shù)據(jù)規(guī)模，同時(shí)兼顧較早的捕獲故障數(shù)據(jù)，本文設(shè)置數(shù)據(jù)抽樣頻率為4 Hz，即每隔0.25 s抽取一個(gè)傳感器返回?cái)?shù)據(jù)作為研究數(shù)據(jù)。

表1 故障檢測(cè)參數(shù)

增壓輸送系統(tǒng)的遙測(cè)數(shù)據(jù)傳感器并不是同時(shí)開(kāi)始工作，為保證輸入一致性，缺失的數(shù)據(jù)用0補(bǔ)齊，表示該傳感器當(dāng)前時(shí)刻并未啟動(dòng)。

1.2 數(shù)據(jù)歸一化

本文利用式(1)將數(shù)據(jù)歸一化到[-1,1]區(qū)間，使算法對(duì)各個(gè)參數(shù)變化的敏感度接近。

(1)

式中：x表示待歸一化數(shù)據(jù);xmin表示待歸一化數(shù)據(jù)的最小值;xmax表示待歸一化數(shù)據(jù)的最大值;y表示已歸一化數(shù)據(jù)。

燃料箱壓正常運(yùn)行圖如圖1所示,表示整個(gè)故障監(jiān)測(cè)過(guò)程燃料箱壓相對(duì)值。t時(shí)刻各遙測(cè)參數(shù)狀態(tài)圖如圖2所示，橫坐標(biāo)表示增壓輸送系統(tǒng)組件代號(hào)，縱坐標(biāo)表示該時(shí)刻組件參數(shù)的相對(duì)值。

圖1 某遙測(cè)參數(shù)運(yùn)行圖

圖2 t時(shí)刻正常遙測(cè)參數(shù)運(yùn)行圖

對(duì)預(yù)處理后得到2 000個(gè)正常實(shí)例，進(jìn)行標(biāo)記1代表正常，0代表故障。需要說(shuō)明的是，本文構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)集中的每組實(shí)例均具有先后順序，將抽樣點(diǎn)值歸一化也作為特殊屬性之一輸入神經(jīng)網(wǎng)絡(luò)進(jìn)行計(jì)算，其代表對(duì)應(yīng)火箭不同時(shí)刻的運(yùn)行狀態(tài)，減少因火箭工況變化而發(fā)生誤報(bào)的情況。

2 故障模式的數(shù)值仿真

火箭試車(chē)和發(fā)射過(guò)程產(chǎn)生的故障數(shù)據(jù)遠(yuǎn)少于正常數(shù)據(jù)，如果直接用于BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，則該故障檢測(cè)網(wǎng)絡(luò)無(wú)法覆蓋所有故障類(lèi)型，而且不均衡的學(xué)習(xí)集影響結(jié)果準(zhǔn)確率。本文在有限的故障數(shù)據(jù)基礎(chǔ)上結(jié)合增壓輸送系統(tǒng)的組件物理關(guān)系、專(zhuān)家經(jīng)驗(yàn)來(lái)發(fā)現(xiàn)故障模式，進(jìn)行故障數(shù)據(jù)的仿真。

一些官員不敢創(chuàng)新，不敢作為，是擔(dān)心干事過(guò)程中一旦出現(xiàn)差錯(cuò)，要擔(dān)責(zé)受罰。實(shí)際上，這完全是多慮了。本刊記者注意到，今年5月，中辦印發(fā)了《關(guān)于進(jìn)一步激勵(lì)廣大干部新時(shí)代新?lián)?dāng)新作為的意見(jiàn)》，就建立激勵(lì)機(jī)制和容錯(cuò)糾錯(cuò)機(jī)制，進(jìn)一步激勵(lì)廣大干部新時(shí)代新?lián)?dāng)新作為提出明確要求。該意見(jiàn)明確指出，要全面落實(shí)習(xí)近平總書(shū)記關(guān)于“三個(gè)區(qū)分開(kāi)來(lái)”的重要要求，寬容干部在工作中特別是改革創(chuàng)新中的失誤錯(cuò)誤，旗幟鮮明為敢于擔(dān)當(dāng)?shù)母刹繐窝膭拧?/p>

2.1 異常和故障模式

液體火箭增壓輸送系統(tǒng)結(jié)構(gòu)復(fù)雜，遙測(cè)參數(shù)本身具有合理誤差范圍，超出此誤差范圍代表系統(tǒng)可能出現(xiàn)異常。

一般而言，當(dāng)系統(tǒng)某一組件發(fā)生異常，該異常數(shù)據(jù)會(huì)在短時(shí)間影響其他組件參數(shù)，系統(tǒng)多個(gè)參數(shù)超出合理誤差閾值，該種類(lèi)型的故障需要綜合判斷多個(gè)關(guān)鍵參數(shù)才能識(shí)別，通常采用專(zhuān)家經(jīng)驗(yàn)和系統(tǒng)組件的耦合關(guān)系發(fā)現(xiàn)故障模式并進(jìn)行故障標(biāo)記。

2.2 故障數(shù)據(jù)的數(shù)值仿真

本文對(duì)于多個(gè)遙測(cè)參數(shù)值超出合理誤差范圍的故障模式進(jìn)行數(shù)值仿真，仿真故障類(lèi)型分為隨機(jī)故障仿真和耦合故障仿真，這兩種仿真數(shù)據(jù)分別使得算法模型對(duì)未發(fā)生的故障具有一定的敏感性，對(duì)已知的故障模式具有較好的檢測(cè)能力。

對(duì)多變量超出合理誤差范圍的故障類(lèi)型通過(guò)式(2)進(jìn)行數(shù)值仿真

x′t=xt+wt×xt

(2)

式中：xt表示t時(shí)刻x參數(shù)正常運(yùn)行時(shí)的標(biāo)準(zhǔn)值；wt表示t時(shí)刻超出合理誤差范圍的偏移程度，即故障的嚴(yán)重程度；x′t表示t時(shí)刻x參數(shù)故障數(shù)據(jù)。可以根據(jù)需求仿真不同程度的故障。

本文將故障組件和故障程度隨機(jī)選取，經(jīng)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)對(duì)輸入的超過(guò)合理誤差范圍的從未出現(xiàn)過(guò)的故障也具有一定的敏感性。模擬t時(shí)刻組件隨機(jī)異常狀態(tài)模擬圖如圖3所示，隨機(jī)選取C,F,K組件出現(xiàn)故障，其值超出異常閾值線。

圖3 t時(shí)刻隨機(jī)故障參數(shù)運(yùn)行圖

對(duì)于系統(tǒng)耦合故障的仿真要以專(zhuān)家經(jīng)驗(yàn)和組件的物理關(guān)系，確定發(fā)生故障時(shí)參數(shù)相對(duì)位置作為故障特征。

如式(3)所示,每個(gè)屬性添加權(quán)重值表示故障程度。式(3)與式(2)的不同之處在于w取值是由火箭增壓輸送系統(tǒng)物理模型和專(zhuān)家經(jīng)驗(yàn)給出，是在正常誤差范圍內(nèi)。

(3)

1)貯箱中出現(xiàn)多余物，造成貯箱過(guò)濾器堵塞。此類(lèi)故障直接造成貯箱壓力增大，流入液體管道的推進(jìn)劑減少，導(dǎo)致液體管路增壓不足，文氏管前壓力降低使得管路推進(jìn)劑流量進(jìn)一步減少，供給發(fā)動(dòng)機(jī)的推進(jìn)劑不足，使得泵體殼溫度升高、隔離活門(mén)前壓力減小及組元噴前壓力減小。貯箱堵塞故障模式代碼為A1，故障矩陣如式(4)所示，故障模式如圖4所示。

圖4 第1 200抽樣點(diǎn)發(fā)生A1故障參數(shù)運(yùn)行圖

A1=(0-0.060-0.1-0.100-0.0800.1500.070.070000)

(4)

2)增壓氦氣瓶泄漏故障。氦氣瓶泄漏導(dǎo)致氦氣瓶失壓，管道增壓不足導(dǎo)致貯箱壓力降低，流入管道的推進(jìn)劑減少，直接造成渦輪泵轉(zhuǎn)速降低及泵殼體溫度升高，其他參數(shù)基本不變。增壓氦氣瓶泄漏故障模式代碼為B1，故障矩陣如式(5)所示，故障模式如圖5所示。

圖5 B1故障參數(shù)運(yùn)行圖

B1=(-0.15 0000000000-0.06-0.06-0.06-0.06-0.08-0.08)

(5)

3)渦輪泵氣蝕故障。渦輪氣蝕導(dǎo)致轉(zhuǎn)速降低、泵殼溫度升高，然后引起組元噴前壓力、主文氏管前壓力參數(shù)下降。其中，渦輪轉(zhuǎn)速、組元噴前壓力、主文氏管前壓力參數(shù)變化明顯，其他參數(shù)基本不變。渦輪泵氣蝕故障代碼為C1，故障矩陣如式(6)所示，故障模式如圖6所示。

圖6 C1故障參數(shù)運(yùn)行圖

C1=(0-0.15-0.15-0.12-0.12-0.15-0.15-0.08-0.08000.070.070.07 0.07-0.05-0.05)

(6)

4)燃?xì)獍l(fā)生器發(fā)生燃?xì)庑孤Ｈ細(xì)獍l(fā)生器燃?xì)庑孤┦紫葘?dǎo)致渦輪泵轉(zhuǎn)速降低，泵殼體溫度升高，組元噴前壓力降低，主文氏管壓力降低，其他參數(shù)基本不變。燃?xì)獍l(fā)生器發(fā)生燃?xì)庑孤┕收洗a為D1，故障矩陣如式(7)所示，故障模式如圖7所示。

圖7 D1故障參數(shù)運(yùn)行圖

D1=(0-0.12-0.12-0.08-0.08-0.08-0.08-0.06-0.06000.06 0.060.06 0.06-0.05-0.05)

(7)

BP神經(jīng)網(wǎng)絡(luò)是一種監(jiān)督學(xué)習(xí)網(wǎng)絡(luò)，本文通過(guò)數(shù)值仿真得到的隨機(jī)故障和4種常見(jiàn)故障類(lèi)型數(shù)據(jù)實(shí)例500例，并添加故障標(biāo)簽，與正常帶標(biāo)簽的2 000例數(shù)據(jù)合并作為后續(xù)BP神經(jīng)網(wǎng)絡(luò)故障檢測(cè)算法的學(xué)習(xí)集。

3 神經(jīng)網(wǎng)絡(luò)故障分類(lèi)算法

神經(jīng)網(wǎng)絡(luò)是通過(guò)調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，從而達(dá)到處理信息的目的，其具有大規(guī)模并行處理、分布式存儲(chǔ)、高度冗余和非線性運(yùn)算能力，運(yùn)算速度快，聯(lián)想能力較強(qiáng)，還有較好的容錯(cuò)能力。以上特點(diǎn)對(duì)火箭發(fā)射時(shí)增壓和輸送系統(tǒng)返回參數(shù)這種屬性多、規(guī)模大、非線性的數(shù)據(jù)處理有獨(dú)特的優(yōu)勢(shì)。

BP神經(jīng)網(wǎng)絡(luò)主要特點(diǎn)是信號(hào)前向傳遞，誤差反向傳播。在前向傳遞中，輸入信號(hào)從輸入層經(jīng)隱含層逐層處理，直至輸出層。每一層的神經(jīng)元狀態(tài)只影響下一層神經(jīng)元狀態(tài)。如果輸出層得不到期望輸出，則轉(zhuǎn)入反向傳播，根據(jù)預(yù)測(cè)誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，從而使BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出不斷逼近期望輸出。

利用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱構(gòu)建BP神經(jīng)網(wǎng)絡(luò)分類(lèi)模型，模型參數(shù)如表2所示。

表2 ANN分類(lèi)模型參數(shù)

本文構(gòu)建的增壓輸送系統(tǒng)故障檢測(cè)BP神經(jīng)網(wǎng)絡(luò)如圖8所示，輸入層為181矩陣，即17個(gè)組件參數(shù)和時(shí)間序列，輸出層為1或0分別代表正常或故障。隱含層神經(jīng)元個(gè)數(shù)為10，傳遞函數(shù)為S型的正切函數(shù)保證了神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性運(yùn)算能力，適用于火箭遙測(cè)參數(shù)這類(lèi)非線性數(shù)據(jù)的計(jì)算。

圖8 BP神經(jīng)網(wǎng)絡(luò)示意圖

4 算法測(cè)試分析

從學(xué)習(xí)集中均勻抽取900條參數(shù)實(shí)例和標(biāo)簽作為測(cè)試集，剩余3 600條數(shù)據(jù)集數(shù)據(jù)按照8∶2劃分為訓(xùn)練集和驗(yàn)證集。算法輸出結(jié)果在區(qū)間[0，0.5]標(biāo)記為異常數(shù)據(jù)，[0.5，1]標(biāo)記為正常數(shù)據(jù)。訓(xùn)練集、測(cè)試集檢測(cè)結(jié)果及標(biāo)簽如圖9、圖10所示。

圖9 訓(xùn)練集算法輸出值及標(biāo)簽值

圖10 測(cè)試集算法輸出值及標(biāo)簽值

實(shí)線為運(yùn)行狀態(tài)標(biāo)簽，標(biāo)簽1為正常運(yùn)行實(shí)例，標(biāo)簽0為異常運(yùn)行實(shí)例。虛線為算法輸出數(shù)據(jù)，其個(gè)別輸出數(shù)據(jù)與標(biāo)簽存在差異且超出所設(shè)閾值，則為漏報(bào)故障數(shù)據(jù)和誤報(bào)正常數(shù)據(jù)。BP神經(jīng)網(wǎng)絡(luò)故障檢測(cè)結(jié)果如表3所示。

表3 神經(jīng)網(wǎng)絡(luò)故障檢測(cè)結(jié)果分析

由表3可得，BP神經(jīng)網(wǎng)絡(luò)故障檢測(cè)測(cè)試集誤報(bào)率為2.5%，漏報(bào)率為3.6%，可以滿(mǎn)足火箭增壓輸送系統(tǒng)故障檢測(cè)準(zhǔn)確度需求，在實(shí)際應(yīng)用中，可以根據(jù)火箭具體狀況適當(dāng)調(diào)整算法輸出結(jié)果分類(lèi)閾值，以進(jìn)一步提高故障檢測(cè)正確率。

5 結(jié)論

本文針對(duì)火箭遙測(cè)數(shù)據(jù)規(guī)模較大、異常數(shù)據(jù)較少，已有的火箭故障檢測(cè)算法復(fù)雜、實(shí)時(shí)檢測(cè)能力較差的問(wèn)題，提出一種算法簡(jiǎn)單并具有實(shí)時(shí)響應(yīng)能力的液體火箭增壓與輸送系統(tǒng)的故障檢測(cè)方法。將預(yù)處理后的學(xué)習(xí)數(shù)據(jù)劃分訓(xùn)練集和測(cè)試集輸入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試。測(cè)試結(jié)果表明：該算法具有良好的故障檢測(cè)能力，誤報(bào)率和漏報(bào)率均很低。由于神經(jīng)網(wǎng)絡(luò)可以離線訓(xùn)練的特性及MATLAB快速的矩陣運(yùn)算能力，采樣點(diǎn)計(jì)算間隔為毫秒級(jí)，具備故障實(shí)時(shí)檢測(cè)的能力。