基于灰色關聯度趨勢分析的加注泵異常監測

摘要：加注泵是航天發射場的關鍵設備，其工作異常監測對于航天發射任務的成功與否有十分重要的影響。因此，以灰色關聯度趨勢分析法為基礎，建立了一種加注泵灰色關聯度偏離指數模型，用以進行加注泵工作狀態的異常監測。該模型采用回歸擬合的方法建立灰色關聯度標準數據序列，解決了加注泵因過渡工況數據樣本少、數據波動較大造成的標準數據序列代表性不夠、誤差較大的問題；通過考察灰色關聯度偏離強度累積效應，建立了灰色關聯度偏離指數，解決了加注泵狀態參數波動大導致異常診斷誤判率較高的問題。以航天發射場常規推進劑加注泵為對象，說明了該模型的具體構建及應用步驟。應用結果表明，該改進模型能夠提高異常監測的準確性、有效降低誤判率，可以為加注泵異常監測提供重要的科學判據。

關鍵詞：加注泵；異常監測；灰色關聯度

中圖分類號：TP23 文獻標志碼：A doi：10.3969/j.issn.1006-0316.2024.06.011

文章編號：1006-0316 （2024） 06-0075-06

Anomaly Monitoring of Filling Pump Based on Grey Correlation Degree Trend Analysis

ZHANG Jiangpeng^1，2，LI Zengguang²，XU Feiran²，TIAN Bo²，CHEN Hao¹

（"1.College of Electronic Science and Technology， National University of Defense Technology， Changsha "410073， China; 2. Technical Department， Xichang Satellite Launch Center， Xichang"615000， China"）

Abstract：The filling pump is a key equipment of the space launch site， and its anomaly monitoring is crucial for the successful completion of the space launch mission. Based on the trend analysis method of grey correlation degree， a deviation index model of grey correlation degree for filling pumps is established for the anomaly monitoring of the filling pumps. This model uses the regression fitting method to establish a grey correlation degree standard data sequence， which solves the problem of insufficient representativeness and large errors in the standard data sequence caused by the small number of samples and large data fluctuations in the transitional working conditions of the filling pump. By examining the cumulative effect of grey correlation degree deviation intensity， a grey correlation degree deviation index is established to solve the problem of high misdiagnosis rate caused by large fluctuations in the state parameters of the filling pump. The specific construction and application steps of the model are explained taking the conventional propellant filling pump at the space launch site as the object. The application results indicate that the improved model can improve the accuracy of anomaly monitoring and effectively reduce the rate of 1 positives， providing important scientific criteria for the anomaly monitoring of filling pumps.

Key words：filling pump；anomaly monitoring；grey correlation degree

加注系統是使用液體推進劑的火箭、導彈地面設備的重要組成部分，由貯罐、加注泵、流量計、閥門、管路和控制設備等組成^[1]。加注泵作為推進劑加注系統的核心設備，其工作性能直接影響加注任務的可靠性和發射進程，一旦其在工作中發生故障，可能直接導致加注任務的推遲甚至失敗^[2]。經統計，某發射場加注系統近20年來發生最頻繁（8次）、影響最嚴重的故障是氣縛現象造成的加注泵工作異常。因此，利用設備異常監測、故障診斷等方法提前發現加注泵工作異常，對于及時采取應急措施防止對加注任務產生重大影響、確保發射任務圓滿成功具有重要意義。

目前，針對加注系統的研究主要集中在系統風險評估、系統風險模型預測及系統故障建模與仿真等方面，針對加注系統健康監測與健康度量的研究開展較少^[3]。神經網絡^[4-5]、貝葉斯網絡^[6]、遺傳算法^[7]等人工智能、機器學習技術為設備故障診斷帶來了新方法，并得到廣泛應用^[8]。但這些方法一般都需要大量的故障樣本數據，然而工業領域部分設備在實際運行中僅有少量典型故障樣本。為此，張江鵬等^[9]利用灰色關聯分析法在處理小樣本、貧信息系統方面的優勢，提出一種面向多工況設備故障診斷的灰色關聯度趨勢分析法，并驗證了其可行性與有效性。

加注泵屬于長壽命、高可靠性產品，失效數據極少^[1]，且氣縛現象的發生缺乏明顯的異常數據標識^[10]。因此，本文以灰色關聯度趨勢分析法為基礎，對加注泵工作異常狀態進行監測；同時，針對加注泵過渡工況數據樣本少、狀態參數波動大等具體特點，對原方法模型進行優化、改進，采用回歸擬合建立標準數據序列、綜合關聯度偏離時長和偏離強度建立偏離指數，提升異常監測的有效性、降低誤判率。

1 多工況灰色關聯度趨勢分析法

灰色關聯分析法根據序列曲線相似程度來判斷不同序列之間的聯系是否緊密^[11]。針對傳統灰色關聯分析法在設備故障診斷中的缺點，張江鵬等^[9]提出了根據設備控制參數區分不同工況、改進關聯系數計算方式進行關聯度趨勢分析、使用關聯度閾值判斷設備異常工作狀態的改進方法。

該方法的主要步驟為^[9]：

（1）確定設備工況和運行狀態數據序列的各指標分量。如果設備的控制參數C是離散型參數，即："""""""""""""""""（1）

則認為設備共有r種不同的工況，等每個取值分別代表一種工況。

（2）收集各工況下設備正常運行狀態的 數據，建立各工況下正常運行狀態的標準數據序列。

（3）采用效用函數法進行數據規范化。

（4）確定關聯度閾值、分辨系數的取值。

（5）針對設備待檢運行時段的數據序列，計算關聯度并繪制成關聯度曲線；通過分析關聯度曲線的變化趨勢進行設備運行狀態的異常監測。

2 存在問題及改進方法

張江鵬等^[9]提出了多工況灰色關聯度趨勢分析法的基本原理和核心方法步驟，但在實際應用中，還需要根據實際設備對象的具體特征，對該方法模型進行完善、優化、改進，才能達到更科學、更有效的應用效果。

2.1 存在問題

具體地，針對加注泵工作異常監測這一場景，存在以下問題：

（1）加注泵實際工作中，只存在幾種主要工況，其它都是主要工況之間的過渡工況。過渡工況時間短、數據樣本少，且處于動態調整過程，數據波動較大，因此使用該模型確定的過渡工況標準數據序列代表性不夠、誤差較大。

（2）直接使用關聯度閾值判斷設備工作是否異常，存在誤判率較高的問題。加注泵實際工作過程中，其狀態參數經常出現明顯的振蕩現象，特別是在管路閥門開閉、推進劑貯罐切換、流量調節等時段，經常出現劇烈振蕩。因此單獨使用關聯度閾值判斷加注泵工作是否異常，將受到振蕩過程的影響，致使誤判率較高。

2.2 改進方法

結合加注泵實際工作特點，提出以下改進方法：

（1）針對過渡工況的標準數據序列代表性不夠、誤差較大的問題，可以對標準數據序列進行回歸分析，采用擬合后的數據作為新的標準數據序列，以此減弱樣本數據噪聲的影響。

（2）針對直接使用關聯度閾值作為工作異常判斷標準存在誤判率較高的問題，根據上述加注泵工作過程的具體特征，可以在關聯度趨勢曲線和關聯度閾值的基礎上，從關聯度超出閾值的時段長度和超出閾值的程度兩個方面進行考察，計算“偏離時長”和“偏離強度”，將二者綜合為一個偏離指數后作為加注泵工作異常的判斷依據，從而建立更加科學有效的評判模型。

具體計算為：

可見偏離指數綜合了“偏離時長”和“偏離強度”兩方面因素，能夠反映偏離強度隨時間的累積效果。

3 加注泵工作異常監測模型

通過使用上述改進的灰色關聯度趨勢分析法建立模型，進行加注泵工作異常監測。

3.1 建立趨勢分析模型

首先根據文獻[9]建立加注泵灰色關聯度趨勢分析模型，其中標準數據序列的建立采用改進方法，即采用回歸擬合后的數值。具體步驟如下。

（1）確定加注泵工況和運行狀態數據序列的各指標分量

加注泵具有準備加注、開始加注、全速加注、減速加注、補加等工作模式，通過控制電動調節閥的開度來進行切換，因此選擇電動調節閥開度作為控制參數來代表其不同工況。

同時，從加注泵PLC（Programmable Logic Controller，可編程邏輯控制器）采集的數據中，選擇能反映加注泵工作狀態的4個指標構成數據序列：

（2）確定各工況下的標準數據序列

選取某幾次加注過程未出現故障的發射任務，收集加注泵正常工作狀態的數據序列樣本，按照電動調節閥開度進行分類、求均值，如表1所示，作為相應工況下正常工作狀態的標準數據序列，記作：

（3）對標準數據序列進行擬合

按照前述改進方法，對統計得到的標準數據序列進行回歸擬合，擬合公式為：

（6）

擬合后的標準數據序列記為：

（7）

（4）數據規范化

對擬合后的標準數據序列進行規范化，公式為：

（5）確定關聯度閾值、分辨系數的取值

（6）計算關聯度并繪制關聯度趨勢曲線

選取某次加注過程出現故障的發射任務，計算加注泵工作過程中各時間點上工作狀態數據序列的關聯度，繪制成關聯度趨勢曲線，如圖1所示。可以看出，在加注泵正常工作階段，關聯度上下波動較大，經分析，關聯度劇變點與加注泵工作模式切換、貯罐切換等相對應。此外還存在幾處關聯度波動幅度過大以致于低于關聯度閾值＝0.9的情況（圖中A、B點處），這里如果單獨使用關聯度閾值作為工作異常的判據，則會造成“假警”誤判。

3.2 建立偏離指數模型

在加注泵灰色關聯度趨勢分析模型的基礎上，建立加注泵灰色關聯度偏離指數模型。

3.2.1"確定偏離強度公式中的待定參數取值

式（2）中的待定參數K、需要根據對偏離指數的具體要求來進行設定。

本文根據圖1中的關聯度趨勢曲線，從臨界關聯度和預判提前量兩個方面進行設定。

（1）臨界關聯度

設定只要有一個時間點上的關聯度低至某值，其偏離強度即可使得偏離指數達到判定為異常的閾值，稱該值為“臨界關聯度”。

由圖1可見，關聯度趨勢曲線在經過一段時間偏離后，在故障發生時刻C點處迅速降低到0.8以下，因此不妨將臨界關聯度設定為0.8。同時將偏離指數閾值設定為100。

（2）預判提前量

設定模型至少在故障發生時刻多長時間之前提前作出異常判斷，稱該時間長度為“預判提前量”。

實際中，當判斷加注泵工作出現異常后，采取降低流量等應急措施的時間不超過1"min，因此不妨將預判提前量按其3倍設置為3"min；圖1中故障發生時刻C點前的偏離時段共18個時間點（對應為6"min），因此模型必須在偏離時段的前3"min之內（對應為第9個時間點之前）作出異常判斷（即偏離指數達到上面設定的閾值100）。

3.2.2"計算并繪制偏離指數曲線

按照式（14）計算偏離指數，并繪制偏離指數曲線，如圖2所示。

3.3 結果分析

（1）在故障發生時刻C點前的偏離時段第9個時間點上，偏離指數超過閾值100，模型將作出加注泵工作異常的判斷，比實際故障發生時刻提前約3"min，這正符合前面關于預判提前量的設定。

（2）圖1中A、B兩處關聯度低于關聯度閾值的波動，在圖2中表現為A'、B'兩處偏離指數的波動，但其波動最大幅度為12.78，僅為偏離指數閾值100的12.78%。由此可見，該模型能夠有效區分加注泵狀態參數的正常波動與工作異常，從而降低異常判斷的誤判率。

4 結束語

加注泵異常監測是確保加注系統正常工作的重要手段。本文采用改進的灰色關聯度趨勢分析法進行加注泵工作異常監測，充分發揮灰色關聯分析處理小樣本、貧信息的優勢，同時通過回歸擬合建立標準數據序列、考察偏離強度積累效應建立偏離指數，有效解決了加注泵過渡工況數據樣本少、狀態參數波動大的問題。實際應用結果表明，該方法能夠提高異常監測的準確性、有效降低誤判率，可為加注泵異常監測提供科學判據。

參考文獻：

[1]齊建軍，劉亞杰，程志君. 基于Wiener過程的航天加注泵性能可靠性評估[J]. 可靠性與環境適應性理論研究，2011，29（1）：18-21.

[2]陳慧星，任艷，俞少行. 運載火箭燃料加注泵檢測平臺研究[J]. 兵工自動化，2017，36（6）：46-48.

[3]邢曉辰，蔡遠文，趙乙鑌，等. 基于PCA-IMD的加注泵融合式健康監測研究[J]. 航天控制，2015，33（2）：87-92.

[4]張景明，肖倩華，王時勝. 融合粗糙集和神經網絡的變壓器故障診斷[J]. 高電壓技術，2007，33（8）：122-125.

[5]楊志超，張成龍，吳奕，等. 基于粗糙集和RBF神經網絡的變壓器故障診斷方法研究[J]. 電測與儀表，2014，51（21）：34-39.

[6]白翠粉，高文勝，金雷，等. 基于3層貝葉斯網絡的變壓器綜合故障診斷[J]. 高電壓技術，2013，39（2）：330-335.

[7]張凱，黃華平，楊海濤，等. 利用改進遺傳算法與LS-SVM進行變壓器故障診斷[J]. 電網技術，2010，34（2）：164-168.

[8]葛樂，陸文偉，周志成，等. 基于改進熵權法和灰色關聯分析的變壓器故障診斷[J]. 電測與儀表，2016，53（12）：46-51.

[9]張江鵬，付云偉，吳純治，等. 面向多工況設備故障診斷的灰色關聯分析法改進及應用[J]. 機械，2023，50（6）：67-73.

[10]李艷. 離心泵的氣蝕、氣縛現象與振動[J]. 青海石油，2011，29（2）：103-105.

[11]劉思峰. 灰色系統理論及其應用[M]. 8版. 北京：科學出版社，2017.