一種液體火箭發(fā)動(dòng)機(jī)試車(chē)啟動(dòng)過(guò)程故障預(yù)警方法*

高 創(chuàng),陳立平,梅再武

1.華中科技大學(xué)機(jī)械科學(xué)與工程學(xué)院,武漢 430070 2.蘇州同元軟控信息技術(shù)有限公司,蘇州 215000

0 引言

液體火箭發(fā)動(dòng)機(jī)作為運(yùn)載火箭系統(tǒng)飛行動(dòng)力的核心,決定著運(yùn)載火箭的整體性能,直接關(guān)系到航天任務(wù)的成敗[1]。由于發(fā)動(dòng)機(jī)的復(fù)雜耦合系統(tǒng)和極端工作環(huán)境,任何微小的異常都可能迅速發(fā)展為破壞性故障,導(dǎo)致發(fā)射任務(wù)失敗,造成巨大的經(jīng)濟(jì)損失。因此,液體火箭發(fā)動(dòng)機(jī)故障檢測(cè)與診斷的研究受到廣泛關(guān)注[2]。

從20世紀(jì)70年代起,美國(guó)開(kāi)始研發(fā)各種發(fā)動(dòng)機(jī)故障檢測(cè)與診斷系統(tǒng),如紅線系統(tǒng)(RS)廣泛應(yīng)用于航天航空領(lǐng)域[3],后續(xù)研發(fā)了異常故障檢測(cè)系統(tǒng)(SAFD),實(shí)時(shí)監(jiān)測(cè)發(fā)動(dòng)機(jī)的24個(gè)變量,并配套數(shù)據(jù)篩選和專(zhuān)家診斷系統(tǒng),用于火箭發(fā)動(dòng)機(jī)飛行和試車(chē)后的故障檢測(cè)[4]。在幾十年的發(fā)展中,我國(guó)的液體火箭發(fā)動(dòng)機(jī)故障檢測(cè)技術(shù)取得了矚目的成績(jī),研制了基于信號(hào)的故障檢測(cè)方法、基于專(zhuān)家知識(shí)的故障診斷方法、基于模糊理論的健康監(jiān)測(cè)技術(shù)等[5],但傳統(tǒng)的人工智能方法在實(shí)際應(yīng)用中,往往取決于工作人員的專(zhuān)業(yè)知識(shí)和工程經(jīng)驗(yàn),與國(guó)外的智能檢測(cè)發(fā)展存在一定的差距。

傳統(tǒng)的智能檢測(cè)方法由于其對(duì)系統(tǒng)復(fù)雜數(shù)據(jù)特征的學(xué)習(xí)能力差,限制了其對(duì)故障的預(yù)測(cè)及診斷,深度學(xué)習(xí)憑借其強(qiáng)大的特征學(xué)習(xí)和非線性表達(dá)能力,在圖像處理、語(yǔ)音識(shí)別等領(lǐng)域得到廣泛應(yīng)用,逐漸成為智能故障檢測(cè)與診斷的主要手段?；鸺l(fā)動(dòng)機(jī)故障檢測(cè)的方法已經(jīng)從單一算法檢測(cè)轉(zhuǎn)向多算法融合檢測(cè),從傳統(tǒng)的基于傳感器的診斷轉(zhuǎn)向基于深度學(xué)習(xí)的故障檢測(cè)。徐亮等[6]提出一種改進(jìn)粒子群優(yōu)化的小波神經(jīng)網(wǎng)絡(luò)模型,將其應(yīng)用于火箭發(fā)動(dòng)機(jī)的故障檢測(cè)研究。鄧晨等[7]針對(duì)大推力氫氧補(bǔ)燃循環(huán)發(fā)動(dòng)機(jī)的主級(jí)工況,設(shè)計(jì)了基于ARMR模型的實(shí)時(shí)故障診斷算法,并改進(jìn)了閾值求解方法以及故障判別準(zhǔn)則。

目前相關(guān)的研究大多是基于發(fā)動(dòng)機(jī)已有數(shù)據(jù)的故障診斷,缺少對(duì)發(fā)動(dòng)機(jī)的預(yù)測(cè)性維護(hù),即提前預(yù)測(cè)可能會(huì)發(fā)生故障的部件。因此,本文提出了一種基于注意力機(jī)制的CNN-LSTM的故障預(yù)警方法,用于發(fā)動(dòng)機(jī)地面試車(chē)啟動(dòng)過(guò)程的故障檢測(cè)及預(yù)警中。

1 發(fā)動(dòng)機(jī)故障仿真模型

火箭發(fā)射前必須進(jìn)行地面測(cè)試,以提高火箭發(fā)射成功率。由于地面試驗(yàn)過(guò)程復(fù)雜、費(fèi)用昂貴,且地面試驗(yàn)數(shù)量的有限性[8],很難收集到系統(tǒng)在故障狀態(tài)下的響應(yīng)數(shù)據(jù)。

本文借助蘇州同元軟控信息技術(shù)有限公司開(kāi)發(fā)的MWORKS軟件,通過(guò)模塊化建模仿真技術(shù),采取參數(shù)故障注入方式獲得系統(tǒng)對(duì)所注入的故障的反應(yīng)信息和輸出信號(hào)[9],探究可能的故障模式,擴(kuò)充故障樣本數(shù)據(jù)集,用于發(fā)動(dòng)機(jī)的故障預(yù)警研究。

1.1 發(fā)動(dòng)機(jī)故障及監(jiān)測(cè)參數(shù)

根據(jù)液體火箭發(fā)動(dòng)機(jī)啟動(dòng)過(guò)程中各典型部件的功能結(jié)構(gòu)、性能特性及數(shù)學(xué)表達(dá)[10],建立了發(fā)動(dòng)機(jī)典型部件模型。采用參數(shù)故障注入方式,設(shè)計(jì)了燃燒室故障(泄漏)、噴管故障(喉部燒蝕)、渦輪故障(葉片燒蝕、流道阻塞)和離心泵故障(葉輪損壞)的5個(gè)固有故障(F01-F05),以及正常狀態(tài)(F06),具體如表1所示。

表1 故障部件及類(lèi)型

本文只考慮與上述故障相關(guān)的監(jiān)測(cè)參數(shù),通過(guò)對(duì)關(guān)鍵參數(shù)的測(cè)量,模擬出發(fā)動(dòng)機(jī)運(yùn)行過(guò)程中的物理狀態(tài)。通過(guò)特征選擇,確定選取監(jiān)測(cè)的參數(shù)(SF01-SF09),在表2中詳細(xì)說(shuō)明。在啟動(dòng)過(guò)程中,若能提前檢測(cè)到發(fā)動(dòng)機(jī)的異常行為,可以展開(kāi)針對(duì)性預(yù)測(cè)維護(hù),保護(hù)發(fā)動(dòng)機(jī)和地面測(cè)試設(shè)施,最大限度地減少故障的潛在損害。

表2 故障監(jiān)測(cè)參數(shù)

1.2 發(fā)動(dòng)機(jī)部件故障模型

渦輪泵是液體火箭發(fā)動(dòng)機(jī)內(nèi)最復(fù)雜的組件之一,它的動(dòng)態(tài)特性對(duì)發(fā)動(dòng)機(jī)的動(dòng)態(tài)特性具有重要影響。本文以渦輪泵故障仿真為例,燃?xì)鉁u輪葉片燒蝕的故障表達(dá)公式如下:

(1)

(2)

式中:qmT為渦輪流量,CT為系數(shù),CdT為渦輪噴嘴的流量系數(shù),AT為渦輪噴嘴的最小流通面積,RgT為工質(zhì)氣體常數(shù),TiT為渦輪入口溫度,γT為渦輪氫比熱比,peT和piT分別為渦輪出口和入口壓力,FtA表示葉片燒蝕故障因子,正常時(shí)FtA=1,發(fā)生故障時(shí)0≤FtA<1。

2 算法介紹

2.1 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)是一種專(zhuān)用于處理序列信息的人工神經(jīng)網(wǎng)絡(luò),通過(guò)存儲(chǔ)過(guò)去輸入的單元影響輸出。長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(LSTM)是RNN的一種特殊類(lèi)型,可以有效解決RNN梯度消失的問(wèn)題。LSTM引入了輸入門(mén)、輸出門(mén)和遺忘門(mén),有效地防止了各種順序模型的長(zhǎng)期依賴(lài)性。描述某時(shí)刻t的LSTM基本單元的方程為:

ft=σ(Wf[ht-1,xt]+bf)

(3)

it=σ(Wi[ht-1,xt]+bi)

(4)

(5)

ot=σ(Wo[ht-1,xt]+bo)

(6)

(7)

ht=ottanh(Ct)

(8)

2.2 注意力機(jī)制

利用卷積網(wǎng)絡(luò)進(jìn)行特征提取時(shí)往往會(huì)忽略非局部區(qū)域的信息,而注意力機(jī)制(Attention)可以有效地進(jìn)行這些非局部區(qū)域的信息融合,以概率圖或概率特征向量的形式表示[11]。注意力機(jī)制的工作過(guò)程分為3個(gè)階段:1)對(duì)輸入特征和標(biāo)簽進(jìn)行相似度計(jì)算;2)將得到的權(quán)值進(jìn)行歸一化處理,對(duì)輸入特征配以不同權(quán)重;3)進(jìn)行加權(quán)求和輸出結(jié)果。

(9)

式中:fAttention為Attention層輸出的特征向量,V是表示輸入的特征向量,Q和K是計(jì)算權(quán)重的特征向量,dk為縮放系數(shù),softmax為非線性轉(zhuǎn)換函數(shù),輸出為概率分布。

2.3 液體火箭發(fā)動(dòng)機(jī)故障診斷模型

本文搭建的CNN-LSTM-Attention故障診斷模型結(jié)構(gòu)如圖1所示。模型進(jìn)行訓(xùn)練前,首先預(yù)處理數(shù)據(jù),設(shè)置采樣步長(zhǎng)和滑動(dòng)窗口大小,將監(jiān)測(cè)參數(shù)多維特征劃分為多個(gè)時(shí)序樣本,CNN層用于提取數(shù)據(jù)的局部特征。為避免CNN層對(duì)模型造成過(guò)擬合現(xiàn)象,將CNN輸出的特征信息輸入到LSTM層中,提取特征的時(shí)序信息。其次,通過(guò)Attention層對(duì)時(shí)序信息的權(quán)重進(jìn)行重新分配,將模型的注意力集中在多維特征中更重要的特征信息上。最后,利用全連接網(wǎng)絡(luò)輸出故障概率,實(shí)現(xiàn)故障部件的定位。

圖1 CNN-LSTM-Attention故障診斷模型結(jié)構(gòu)

2.4 液體火箭發(fā)動(dòng)機(jī)故障預(yù)警流程

本文將發(fā)動(dòng)機(jī)啟動(dòng)階段的故障預(yù)警分為故障預(yù)測(cè)和故障診斷。圖2為液體火箭發(fā)動(dòng)機(jī)故障預(yù)警流程,其步驟如下:

圖2 液體火箭發(fā)動(dòng)機(jī)故障預(yù)警流程

1)采取故障注入方法得到監(jiān)測(cè)參數(shù)的正常樣本和故障樣本,用于故障預(yù)測(cè)和診斷模型的訓(xùn)練;

2)劃分預(yù)測(cè)模型的訓(xùn)練集、驗(yàn)證集和測(cè)試集,探究不同長(zhǎng)度的窗口組合對(duì)預(yù)測(cè)精度的影響,選取較優(yōu)的組合,保存CNN-LSTM預(yù)測(cè)模型;

3)確定診斷性能評(píng)價(jià)標(biāo)準(zhǔn),選取較優(yōu)的診斷模型,保存故障診斷模型;

4)劃分預(yù)警測(cè)試樣本,選取1～3 s的監(jiān)測(cè)數(shù)據(jù)作為預(yù)測(cè)模型的輸入,得到3～4 s預(yù)測(cè)數(shù)據(jù);

5)組合真實(shí)數(shù)據(jù)和預(yù)測(cè)數(shù)據(jù),劃分樣本并打亂標(biāo)簽,輸入到診斷模型中,得到部件故障概率,定位故障部件。

3 仿真校驗(yàn)

3.1 發(fā)動(dòng)機(jī)早期故障預(yù)測(cè)

3.1.1 評(píng)價(jià)標(biāo)準(zhǔn)

選取均方根誤差和決定系數(shù)作為模型評(píng)價(jià)標(biāo)準(zhǔn),用來(lái)評(píng)價(jià)發(fā)動(dòng)機(jī)故障預(yù)測(cè)模型的性能。

1)均方根誤差

(10)

2)決定系數(shù)

(11)

(12)

3.1.2 故障預(yù)測(cè)結(jié)果

模型的輸入為時(shí)間序列多維數(shù)據(jù),采樣步長(zhǎng)為1,為探究滑動(dòng)窗口大小對(duì)于預(yù)測(cè)性能的影響,本文選取5種組合:60×9、80×9、100×9、120×9和150×9,表3顯示了不同窗口的均方根誤差和決定系數(shù),結(jié)果表明120×9相比于其他組合,測(cè)試集的均方根誤差低于其他組合,決定系數(shù)更貼近1,能較好預(yù)測(cè)出參數(shù)變化趨勢(shì)。

表3 不同組合窗口的性能評(píng)價(jià)

圖3為120×9窗口下燃燒室壓力值的前250個(gè)樣本預(yù)測(cè)結(jié)果,從圖3(a)和(b)可知模型擬合效果較好,訓(xùn)練集和測(cè)試集的預(yù)測(cè)結(jié)果與真實(shí)結(jié)果無(wú)明顯差異,圖3(c)表明模型經(jīng)過(guò)迭代,不斷趨于穩(wěn)定并收斂,證明了模型的可行性。

圖3 120×9窗口下的0～250個(gè)樣本預(yù)測(cè)結(jié)果

3.2 發(fā)動(dòng)機(jī)故障診斷

3.2.1 評(píng)價(jià)標(biāo)準(zhǔn)

本文采用準(zhǔn)確率(A1)、精確率(P1)、召回率(R1)和F-score(F1)等指標(biāo)來(lái)量化模型,評(píng)價(jià)診斷模型的性能,公式如下:

(13)

(14)

(15)

(16)

式中:TP為某一故障被正確分類(lèi)的數(shù)量,TN為其他故障被正確分類(lèi)的數(shù)量,FP為其他故障被錯(cuò)誤分類(lèi)的數(shù)量,FN為某一故障被錯(cuò)誤分類(lèi)的數(shù)量,β為相關(guān)參數(shù)。

3.2.2 故障診斷結(jié)果

為增強(qiáng)實(shí)驗(yàn)結(jié)果的可靠性,本文對(duì)提出的故障診斷模型進(jìn)行10次實(shí)驗(yàn),將其平均值作為性能的評(píng)估指標(biāo),計(jì)算得到測(cè)試集的準(zhǔn)確率為97.58%,精確率為97.68%,召回率為97.58%,F-score為97.58%,其中燃燒室泄露準(zhǔn)確率為90%、噴管燒蝕準(zhǔn)確率為96%,渦輪葉片燒蝕、渦輪流道堵塞、離心泵葉輪損壞以及正常狀態(tài)的準(zhǔn)確率均為100%,圖4為CNN-LSTM-Attention診斷模型訓(xùn)練過(guò)程中準(zhǔn)確率的變化,從中可以看出準(zhǔn)確率經(jīng)過(guò)多次迭代后接近于1,并趨于穩(wěn)定,說(shuō)明本文的診斷模型能有效識(shí)別啟動(dòng)階段故障特征,具有良好的分類(lèi)效果。

圖4 CNN-LSTM-Attention診斷模型準(zhǔn)確率曲線

3.3 發(fā)動(dòng)機(jī)故障預(yù)警

選取正常樣本和5種故障樣本,對(duì)啟動(dòng)階段前1～3 s的數(shù)據(jù)采取滑動(dòng)窗口劃分,將其作為CNN-LSTM預(yù)測(cè)模型的輸入,得到3～4 s的預(yù)測(cè)數(shù)據(jù),CNN-LSTM-Attention診斷模型的輸入為組合數(shù)據(jù),模型輸出結(jié)果為故障概率,圖5為故障預(yù)警模型的混淆矩陣,圖中對(duì)角線數(shù)值為故障預(yù)警的準(zhǔn)確率,在測(cè)試樣本上,發(fā)動(dòng)機(jī)故障預(yù)警準(zhǔn)確率為96.21%,在一定程度上可以對(duì)液體火箭發(fā)動(dòng)機(jī)故障進(jìn)行預(yù)測(cè)性診斷,實(shí)現(xiàn)了潛在故障部件的定位。

圖5 故障預(yù)警模型混淆矩陣

4 結(jié)論

針對(duì)某液體火箭發(fā)動(dòng)機(jī)地面試車(chē)啟動(dòng)過(guò)程的故障預(yù)警,提出了一種基于注意力機(jī)制的CNN-LSTM的預(yù)警方法。通過(guò)搭建發(fā)動(dòng)機(jī)故障模型,批量仿真獲取正常以及故障樣本。建立故障預(yù)測(cè)模型,用于預(yù)測(cè)監(jiān)測(cè)參數(shù)的變化趨勢(shì)。利用故障診斷模型,實(shí)現(xiàn)對(duì)預(yù)測(cè)數(shù)據(jù)的診斷,定位故障部件。實(shí)驗(yàn)結(jié)果表明:本文提出的預(yù)警方法能較好地識(shí)別火箭發(fā)動(dòng)機(jī)啟動(dòng)階段的工作狀態(tài),技術(shù)人員可通過(guò)對(duì)故障概率較高的部件進(jìn)行檢修和維護(hù),縮短維護(hù)周期,保障生命和財(cái)產(chǎn)安全。