液體火箭發動機健康狀態智能檢測方法

王 珺，呂海鑫，陳景龍，劉子俊，袁軍社

(1.西安航天動力研究所，陜西 西安 710100； 2.西安交通大學 制造與系統工程國家重點實驗室，陜西 西安 710049)

0 引言

航天技術的發展對國家搶占未來太空的制高點具有重要意義，不僅能夠帶動國家經濟的增長，也有利于國防安全的提升。火箭發動機作為運載火箭推進動力的核心，其運行的高可靠性是航天發射任務順利進行的重要保障。液體火箭發動機在工作過程中面臨高壓、高速、強振動、強腐蝕等惡劣條件，任何細微的異常都易迅速發展，導致發射失敗。液體火箭發動機健康檢測技術是提高火箭安全性和可靠性的核心技術之一,因此，對其進行研究具有非常重要的學術和工程應用價值。

關于液體火箭發動機健康管理技術的發展，不少國家結合大數據、人工智能等前沿科技開展研究，并建立了各自的健康監控系統。例如美國基于A—1試驗臺和J—2X火箭液體發動機，提出了集成系統健康管理的概念，實施健康管理的核心功能；日本開發并應用了火箭自動故障診斷技術，基本實現了快速測試發射能力。我國液體火箭發動機健康管理技術在近幾十年的發展過程中取得了令人矚目的成績，開發出了基于信號監測的健康管理方法、基于專家系統的故障診斷方法、基于模糊理論的健康檢測方法等，但實用效果仍不理想，往往依賴于技術人員的專業經驗，人工智能技術在研究和應用方面與國外相比還存在一定差距，火箭發動機健康狀態智能檢測技術水平急需提高。

數據驅動的方法是液體火箭發動機健康狀態檢測的重要技術手段。李雷等研究了基于數據驅動的火箭發動機異常檢測模型，通過非監督學習對發動機不同參數間的正常關聯模型進行挖掘，實現對系統異常的評估。孫成志等提出了基于神經網絡和證據理論的火箭發動機故障診斷方法，實現了故障特征的自適應提取。張晨曦等提出了基于實例和基于模型的兩種遷移學習策略，基于關鍵參數氧泵轉速，實現了兩種不同型號氫氧發動機之間的遷移學習。譚永華等提出了一種雙線評估方法用于液體火箭發動機的可靠性評估，將部件數據評估與整機數據評估融合，對發動機進行評估。然而，面向液體火箭發動機對多部件、多傳感器監測數據，現有研究方法的信息融合和特征提取能力有限，對發動機狀態的識別準確性也有待提高，難以滿足健康檢測的需求。

為了進一步提高液體火箭發動機健康檢測的可靠性和準確性，本文提出了一種基于卷積自編碼器的健康檢測方法：提出了多部件兩級融合卷積降噪自編碼器(multi-component two-stage fusion convolutional denoising auto-encoder,MTAE)，包括數據級融合模塊和部件級融合模塊；對液體火箭發動機多傳感器監測數據進行預處理，根據傳感器位置搭建相應的MTAE，并將各部件的監測數據輸入到模型的對應端；模型訓練階段僅使用部分正常機組數據，基于模型重構損失及提取特征確定發動機的健康范圍，在測試階段對其余正常機組數據及異常機組數據進行檢測，實驗結果表明，提出方法能夠對液體火箭發動機的健康狀態進行有效檢測。

1 卷積降噪自編碼器

卷積降噪自編碼器(convolutional denoising auto-encoder，CDAE)主要由編碼器、隱含層、解碼器組成，通過對輸入數據進行降維和重構，以實現無監督的特征提取。

(1)

式中：

h

為隱含層結果；

H

為卷積核總數；

k

為卷積核序號；為編碼器的權重矩陣；為編碼器的偏置向量。解碼器對

h

進行重構，過程表示為

(2)

(3)

2 基于卷積自編碼器的液體火箭發動機健康檢測方法

基于CDAE，本文提出基于MTAE的液體火箭發動機健康檢測方法，方法流程如圖1所示。MTAE網絡結構如圖2所示，編碼器為多部件輸入，通過數據級融合和部件級融合，得到隱含層特征

y

；解碼器結構與編碼器對稱，用于對多部件數據進行重構。

圖1 提出方法的流程圖Fig.1 Flow chart of the proposed method

圖2 MTAE網絡結構圖Fig.2 Structure of the MTAE

MTAE的訓練目標函數設計為

(4)

經過訓練和學習，MTAE可以實現對輸入數據的無監督特征提取和重構。基于MTAE的液體火箭發動機健康檢測方法主要從兩個角度出發:①隱含層特征相對于健康狀態的偏離程度；②重構誤差相對于健康狀態的偏離程度。

模型訓練完成后，基于訓練集數據對重構誤差和隱含層特征進行統計，在某置信度條件下，計算健康狀態的中心和健康檢測閾值，該過程表示如下

φ

(

α

)=mean(

α

)

(5)

η

(

α

,

ε

)=top(|

α

-

φ

(

α

)|,

ε

)

(6)

式中：

α

為待統計參數；

φ

為健康狀態的中心；

η

為置信度

ε

下的檢測閾值，該閾值需覆蓋比例為

ε

的參數。在測試過程中，通過模型計算得到測試樣本的隱含層特征

y

和重構誤差

L

，然后計算到健康狀態中心的相對距離，以定量評估測試樣本的健康狀態，過程表示為

(7)

3 某型號發動機試車數據分析

以某液體火箭發動機為例，實施基于卷積自編碼器的液體火箭發動機健康檢測方法，并對結果進行評估和分析，以驗證提出方法的有效性。

實驗數據為某型號液體火箭發動機的熱試車速變數據，該型號發動機結構如圖3所示。

1-燃氣發生器；2-主渦輪；3-氧泵；4-燃料一級泵； 5-燃料二級泵；6-推力室。圖3 某型號液體火箭發動機的主要結構Fig.3 The main structures of the liquid rocket engine

共收集17組熱數車監測數據，其中12組數據標簽為正常，5組數據標簽為異常，標簽是綜合熱試車過程監測及熱試車后發動機檢查結果所確定的。本次實驗選取了18個傳感器監測數據，主要包括推力室振動信號、燃氣發生器振動信號、氧泵振動及氧化劑管路脈動壓力信號、燃料泵振動及燃料管路脈動壓力信號。首先，截取發動機穩態運行階段的數據，并對每個傳感器的數據分別進行歸一化處理，過程如下

(8)

基于工程經驗和數據分析需求，監測數據的采樣頻率設置為25 600 Hz以采集各部件的高倍頻信息。對于每個機組的數據，每隔0.5 s采集一個樣本，每個樣本包括所有18個傳感器監測數據且時間線相同，各傳感器監測數據長度為連續的1 024個樣本點。前8組正常數據的采樣樣本作為訓練集，其余4組正常數據和5組異常數據的采樣樣本作為測試集。

模型結構及參數如圖2所示，基于訓練集數據對模型進行訓練，訓練完成后，對重構誤差和隱含層特征進行統計，在置信度為96%的條件下，統計兩參數健康狀態的中心和健康檢測閾值為:[

φ

(重構),

η

(重構,96

%

)]=[0

.

137,0

.

012]，[

φ

(特征),

η

(特征,96

%

)]=[-0

.

249,0

.

043]。然后對測試集樣本進行統計和評估，結果如表1所示。經統計，模型測試準確率為88.9%，漏報率為0，誤報率為25%。

表1 測試集結果統計和評估

訓練集結果如圖4和圖5所示，測試集No.3、No.4、No.5、No.6的結果，如圖6和圖7所示。No.3的重構誤差及隱含層特征均處于健康范圍內，且狀態穩定；No.4初期為健康狀態，在120 s左右開始，重構誤差及隱含層特征逐漸發展至異常范圍；No.5初期為異常狀態，其重構誤差穩定，在70s左右突變，呈緩慢上升趨勢，而隱含層特征波動較大，呈下降趨勢，由異常范圍逐漸發展至正常范圍；No.6的重構誤差呈上升趨勢，且由健康狀態緩慢發展為異常狀態，而隱含層特征變化趨勢分兩階段，由健康范圍逐漸上升發展至異常范圍，然后逐漸下降至正常范圍。

圖4 訓練集重構誤差及統計(置信度96%)， 健康狀態中心及檢測閾值。Fig.4 Reconstruction error of training set (confidence level 96%),health state center and detection threshold

圖5 訓練集隱含層特征及統計(置信度 96%)，健康狀態中心及檢測閾值。Fig.5 Hidden layer feature of training set (confidence level 96%),health state center and detection threshold

圖6 測試集重構誤差Fig.6 Reconstruction error of testing set

圖7 測試集隱含層特征Fig.7 Hidden layer feature of testing set

綜合所有機組數據分析，結果表明，基于MTAE得到的重構誤差及隱含層特征取值能較好的反映出機組的健康狀態，且兩者的信息能夠互相補充，互為支撐。其中重構誤差的取值具有較明顯的上升趨勢或突變現象，能夠更好的反映出機組的健康退化過程和機組的狀態突變，而隱含層特征的取值往往存在較大的波動，能夠更敏感的反映出機組的健康狀態。

基于訓練集及訓練模型，對各部件的重構損失進行計算和統計，其健康狀態的中心和健康檢測閾值為:[

φ

(推力室),

η

(推力室,96

%

)]=[0.153,0.029]，[

φ

(發生器),

η

(發生器,96

%

)]=[0.136,0.039]，[

φ

(氧化劑路),

η

(氧化劑路,96

%

)]=[0.147,0.021]，[

φ

(燃料路),

η

(燃料路,96

%

)]=[0.127,0.018]。

測試集各機組結果如表2所示，基于該結果可以進一步確定發動機具體的異常部件。結果顯示整體識別未異常的機組，其某些部件仍為健康狀態。

表2 測試集結果統計和評估

綜合以上結果表明，本文提出方法能夠以較高的準確率對液體火箭發動機的健康狀態進行檢測和識別，并可以進一步確定造成發動機異常的具體部件。

4 結論

本文提出的基于卷積自編碼器的液體火箭發動機健康檢測方法，能夠對液體火箭發動機的健康狀態進行準確的檢測和識別，并可以進一步確定造成發動機異常的具體部件。基于熱試車數據和實驗驗證了提出方法的有效性，結果表明該方法具有較高的準確率、較低的誤報率和漏報率，可以滿足液體火箭發動機的健康狀態檢測的需求，且具有一定的應用潛力。在未來的工作中，需要對發動機狀態的實時監測開展進一步研究。