基于聲信號的故障檢測方法在運載火箭上的應用

劉育瑋，張 航，張振臻,楊述明，程玉強

(1.國防科技大學 空天科學學院，湖南 長沙 410008； 2.西安航天動力研究所，陜西 西安 710100)

0 引言

聲音，是由物體振動產生的聲波，其中包含有豐富的信息。人類生活在一個充滿聲音的世界，聲音無處不在，是人類熟悉的傳遞信號方式之一?；诼曅盘柕墓收蠙z測方法是一種無損檢測方法，可以通過非接觸式的傳感器采集部件工作時的聲信號，通過信號采集、去噪和故障特征提取等手段對被測對象進行故障檢測。

聲信號故障檢測已經被廣泛應用于航空發動機、動車、船舶汽輪機等大型機械設備之中。盡管基于聲信號的故障檢測方法發展日新月異，但是在運載火箭方面的工程應用較少，特別是對該領域缺乏系統的總結和分析。本文首先介紹了基于聲信號的故障檢測方法的一般原理和實現方法，接著總結了該類方法在運載火箭健康監控領域的研究現狀，最后對該領域的發展前景進行了展望，為進一步深入研究聲信號故障監測在運載火箭上的應用和拓展其范圍提供了有力支持。

1 技術層面

根據聲音的性質，通過對聲壓、聲強和聲壓級等聲學參數進行聲學分析，能夠基于聲信號實現對機械設備的故障檢測。下面分別介紹常用的聲學參數和基于聲信號的故障檢測系統的一般組成。

1.1 聲信號故障檢測參數

基于聲信號的故障檢測一般通過對聲壓、聲強和聲壓級等聲學參數的測量、分析，實現故障檢測[1]。

聲壓是指聲波在介質中傳播產生的壓強與無聲波在介質中傳播時的大氣壓之間的最大差。其表達式為

(1)

式中：下標e為有效值；T為平均時間，s；p為聲壓，Pa。

聲強是指在單位時間和單位面積上，垂直于聲波傳播方向所通過的所有能量，其表達式為

(2)

式中：ρ為介質密度，kg/m3；c為聲音在該介質中的傳播速度，m/s；I為聲強，W/m2。

聲壓級是為了便于人們根據人耳對聲音強弱變化響應的特性，引入的一個數量。其表達式為

(3)

式中：L為聲壓級，dB；I0為10-12W/m2。

1.2 聲信號故障檢測系統

基于聲信號的故障檢測系統一般由待測聲源、聲信號采集模塊、聲信號處理模塊和故障檢測模塊組成[2-5]，如圖1所示。待測聲源發出的聲信號經由聲信號采集模塊和處理模塊后，提取聲信號中能夠反映系統運行狀態的信號成分或特征，最終由故障檢測算法對系統工作狀態做出判斷。

圖1 聲信號故障檢測系統Fig.1 Acoustic signal fault detection system

1.2.1 信號采集

對于聲信號的采集，目前使用的有麥克風[6-10]和聲矢量傳感器[11-13]。對于前者有的為了避免聲信號混疊而采用麥克風陣列[14-19]，后者因為是通過聲波先后經過兩根鉑金絲進行換熱對聲信號進行采集，具有指向性，能有效避免信號混疊。

1.2.2 信號處理

聲信號處理方法主要有小波變換、經驗模態分解法和神經網絡等方法。

文獻[20]中指出，小波變換概念在1984年由Morlct首先提出。小波變換的時域和頻域分辨率與頻率有關，在高頻段，小波變換能達到高時域分辨率，而頻域分辨率較低；對低頻段則剛好相反[21]。因此，小波變換在一定程度上克服了時間分辨率和頻率分辨率精度的矛盾，使得小波變換能在一定程度上對信號進行自適應處理。小波變換能將時域與頻域共同進行處理，但是需要人為的選取小波基函數，而不同基函數分析得到的結果質量也不同。

與小波變換不同，經驗模態分解(empirical mode decomposition，EMD)不需要選定基函數，它能在特征時間尺度上把信號自適應地分解為有限的本征模態分量(intrinsic mode function，IMF)和剩余殘余分量[22]。EMD方法處理信號時，首先要尋找信號的所有局部極值點，得到上下包絡線，求出信號均值，得到IMF，并判斷其是否滿足IMF的條件，計算EMD分解停止準則值，判斷得到的殘余分量是否滿足停止準則；若滿足，則EMD分解結束。在EDM方法基礎上，經過改進，發展出了集合經驗模態分解(ensemble empirical mode decomposition，EEMD)算法[23]，完備集合經驗模態分解(complete ensemble empirical mode decomposition，CEEMD)算法[24]和自適應噪聲完備集合經驗模態分解(complete ensemble empirical mode decomposition with A noise，CEEMDAN)算法[25]等。

神經網絡以神經元作為基礎單位，以不同的神經元之間的連接作為信息傳遞的載體，是一種由眾多神經元構成的網絡結構，其中在聲信號故障檢測中使用較多的是BP神經網絡[26-32]和小波神經網絡[33-36]。BP神經網絡能夠把相似模式的特征值提取出來，并映射到連接權值上[37]。同時BP神經網絡具有很強的非線性映射能力，使其在求解內部機理復雜的問題時具有優勢。而小波神經網絡是在BP神經網絡的基礎上，用離散小波變換中的系數代替神經網絡權值而構成[38]，小波神經網絡比BP神經網絡學習速度更快，并且能夠避免模型陷入局部極小。

此外，李宏亮等人使用MATLAB設計線性相位有限沖擊響應數字濾波器并結合Hilbert變換，對滾動軸承的聲信號進行了分析[39]，并通試驗數據分析，驗證了方法的適用性。申博文等運用基于自適應噪聲的CEEMD和最大相關譜峭度解卷積(maximum correlated kurtosis deconvolution，MCKD)對軸承聲信號進行處理，通過實驗驗證了該方法能夠更加準確地進行故障診斷[40]。

1.2.3 故障診斷

目前，基于聲信號的故障診斷方法主要可以分為4類：

1)主觀評價和經驗估計法：主觀評價法是最直接、最原始的聲信號故障檢測方法，需要故障診斷人員有豐富的經驗，通過聽覺和經驗判斷設備是否存在故障或異常，然后停機查找故障發生的位置和類型。這種故障診斷方法完全取決于診斷人員的主觀判斷，難以實現對故障的準確定位和對故障程度的定量評估。

2)近場測量方法：在被測設備上安裝多個聲學傳感器，根據聲學傳感器顯示的數值大小來確定故障聲源的位置。這種方法雖然簡單方便，但是測量準確度有限[41]。傳感器測得的聲壓級數值主要來源于距傳感器最近的聲源，根據聲學理論可知，其他噪聲源對測量數值的影響很小或可忽略不計[42]。由于傳感器與聲源之間的距離遠近是相對的，在背景噪聲較大或者較多的情況下，也可能存在噪聲掩蓋的現象。因此該方法只能大概判斷聲源的位置，無法對設備故障診斷提供準確的數據。

3)聲強法：聲強具有矢量性。為了減小周圍環境因素等的影響，一般使用兩個或多個聲傳感器進行信號采集。通過傳感器測得的設備中不同部件的聲強，從而判斷出主要聲源，實現故障定位。

4)頻譜分析法：根據測得的聲信號頻譜圖中的峰值和設備的故障特征頻率的比較結果來進行故障診斷。例如齒輪箱的聲信號頻譜中包括齒輪嚙合頻率、內圈故障頻率、外圈故障頻率等固有頻率，可以對其進行故障診斷。

2 應用層面

聲信號在運載火箭上的應用方面，國外研究的較早，聲學環境監測可以及時發現運載火箭結構失效問題。美國NASA在1950年左右開始了早期的聲學模型測試，針對單一的振幅標度與推力的關系、自身噪聲與馬赫噪聲的關系、聲能與排氣的動能比例關系等方面開展了大量研究，并進行了運載火箭的專用聲學尺度模型測試。由于噪聲的產生、傳播和測量的關鍵特性都可以按比例縮放，根據這一特性，通過假設建立運載火箭聲學比例模型，并通過計算分析來驗證模型的有效性。為了對運載火箭的聲學模型的效果進行評估，幾十年來，NASA一直用比例模型來模擬發射環境，如圖2所示。并用聲學相陣對聲信號進行采集，如圖3所示。經過不斷的試驗，促進了實驗人員對發射臺幾何形狀對噪聲影響和噪聲緩解效果的認識，還了解了材料脆裂與聲壓的關系、隨飛行器高度的上升，噪聲頻率的變化關系等。

圖2 NASA早期聲學測試比例模型Fig.2 Scale model of NASA early acoustic test

圖3 NASN麥克風相陣Fig.3 NASA microphone array

聲荷載是由于發動機排氣的紊流混合而在飛行器表面上產生的隨空間和頻率而變化的聲壓波動。運載火箭在其推進系統的運行期間，會受到大量外部脈動壓力載荷的影響。特別是運載火箭飛行階段的升空聲學(lift off acoustics，LOA)會產生一些最高頻率，并被認為是運載火箭研制中的一個關鍵設計因素。過大的聲載荷會導致運載火箭的機械或電子部件故障以及結構疲勞，對這一特定階段的聲載荷進行全面分析，對于預測運載火箭所承受的振動載荷以及為其制定振動試驗規范提供必要依據是至關重要的。NASA持續致力于改進聲學載荷預測，為振動聲學分析工作制定相關標準，以生成可靠的火箭部件的鑒定環境。

對于運載火箭來說，升空階段會在較寬的頻率范圍內產生較高的聲載荷。而這些聲載荷可以作為對火箭內部的振動情況的預測。美國現有的火箭聲環境預測方法是利用比例模型試驗獲得的平穩數據，生成1/3倍頻程聲壓級譜。為了提高升空聲載荷預測的精度和準確性，他們還對Area I-X的非平穩飛行數據進行計算機信號處理。并且，在MATLAB中開發了火箭聲環境預測(prediction of acoustic vehicle environments，PAVE)程序，以便使用半經驗方法有效地預測聲壓級PAVE程序框架和用戶界面，如圖4所示。

圖4 PAVE程序框架Fig.4 PAVE program framework

除了對整個箭體做了聲學研究之外，國外的Farinholt K M等人，提出了一種具有執行器邊界條件的錐形殼體的聲學建模與控制[43]。將聲阻抗與電動和機械作動器動力學耦合，生成系統的耦合狀態空間模型。對聲阻抗的分析表明，當圓錐截面的長度比從頂點到執行器邊界條件的距離變大時，會發生極零點對消。該模型預測前4個共振頻率在實驗測量值的1.75%以內。并給出了駐波波形，并與執行器邊界條件的影響有關。在實驗臺上實現了一個反饋控制器，最后實驗結果表明，采用單反饋通道可以實現整體聲衰減。在與火箭發動機相關的部件上，Parrondo J等人，提出了一個考慮了任意位置和特性的理想聲源的簡單聲學模型來估計常規蝸殼離心泵的低頻壓力脈動場[44]。在該模型中，假設理想聲源沿葉輪通道、蝸殼和出口擴壓器輻射平面聲波。蝸殼被認為是由一系列的切片組成，每個切片相當于一個線性的三端口聲學系統，具有各自的聲透射系數和反射系數。通過實驗驗證了聲學模型的預測值與實驗數據和技術文獻[45-46]中的數據吻合得很好。

國內的北京強度環境研究所針對發射噪聲預示問題，通過常溫空氣超聲音速噴管研究相似準則，提出了基于模擬發動機比例模型試驗的運載火箭噴射流噪聲預示方法[47-49]。北京宇航系統工程研究所和中國運載火箭技術研究院提出了一種基于聲學監測的發動機狀態檢測與診斷系統及實現方法[50]。該方法使用聲像儀等設備采集信號，并在傳感外側安裝風球以消除環境的影響。通過建立的系統獲得聲場數據，然后基于聲場數據建立聲源評估模型。在實時性的驗證方面，在火箭發動機點火后，利用聲源評估模型與在發射臺附近采集的實時數據進行對比，來判斷發動機是否存在異常。

不同于上面針對整個箭體的聲學信號故障監測方法，西安航天動力試驗技術研究所的張少博等人對液體火箭發動機試驗中的推進劑供應系統的閥門進行了聲壓檢測試驗[51]。通過聲壓測量技術，分析了閾值檢驗法和標準偏差檢驗法，提取出閥門出現故障時的特征信號，從而可以簡單有效地檢測出閥門故障。上海交通大學的Zhang Z L等人設計并搭建了預混預蒸發(lean premixed pre-evaporation,LPP)模型燃燒室振蕩燃燒試驗臺，開展了利用聲信號檢測LPP燃燒室熱聲振蕩的實驗研究，通過測量穩定工況和過渡工況下的聲學信號與壓力信號，并進行分析，結果顯示聲信號的倍頻性比壓力信號的倍頻性更明顯，說明聲信號所受干擾較小[52]。在過渡狀態下，點火后聲信號的脈沖能量明顯增加。從穩定燃燒到振蕩燃燒，當工況開始變化時，主頻能量增加。當工況開始由振蕩變為穩定燃燒時，主頻能量降低。在熄火過程中，振蕩能量從高頻區開始衰減。由于聲學信號的干擾比壓力信號小，在振蕩和過渡狀態下可以得到與壓力信號相同的結果，因此聲學診斷可以作為一種輔助手段。

3 討論與展望

綜上所述，基于聲信號的故障檢測方法已經在火箭健康監控方面開展了一些應用研究，并取得了一定的成果。但整體而言，該領域仍處于發展初期，存在諸多亟待解決的問題，如模型通用性差、故障檢測能力有限等。大多數方法和技術尚處于試驗階段，距離實際工程應用還有一定差距。

基于聲信號的運載火箭故障檢測方法是一個新興的工程技術領域，未來還有諸多課題值得進一步探索：

1)通過建立火箭的通用聲學模型，探究火箭振動與聲壓的關系和噴管幾何分布與噪音的影響等，并建立火箭聲學通用比例模型。開發火箭聲環境測試程序，配合專用傳感器實時采集聲學信號進行火箭故障檢測。

2)對火箭主要部件的聲信號進行分析，如整流罩、渦輪泵、管路的聲學特性進行研究分析，得到主要部件的故障聲學特性，設計適當的特征提取方法，進行故障診斷。

3)發展基于聲信號與其他信號(如振動、溫度信號)的多信息融合的火箭故障檢測方法，可以結合接觸測量方法與非接觸測量方法的優勢，有望提升故障診斷的準確率。

4)發展聲信號的數據處理方法和濾波方法，如自適應小波濾波、EMD、深度學習方法等，并將聲信號故障檢測融入現有的健康監測系統，實現自動報警、冗余備份、緊急關機等。