BP神經網絡用于火箭增壓輸送系統故障檢測

張偉星，李建民，侯 文，王 高，羅 悅，薛震宇

(中北大學 信息與通信工程學院,山西 太原 030051)

0 引言

據統計，到20世紀70年代美國所有液體火箭發(fā)射失敗任務中，增壓輸送系統故障導致火箭發(fā)射失敗的比例高達 28%，列火箭各系統故障比例之首[1]。美國最早開始發(fā)展異常及故障檢測系統、健康管理系統對包括增壓輸送系統在內的各火箭系統的健康狀況進行監(jiān)測，取得了良好的效果[2-5]。

傳統的火箭故障檢測方法有自適應方法(通過監(jiān)測測量參數向量之間的相關關系的變化情況，來判斷發(fā)動機是否發(fā)生故障[6])、信號處理的方法(通過對火箭信號的預處理、特征提取、狀態(tài)識別和診斷決策等環(huán)節(jié)，提出采用振幅和頻率兩參量包絡曲線法診斷發(fā)動機故障的算法,并通過發(fā)動機熱試車數據驗證了該算法的有效性[7])、數學模型的方法，建立故障仿真數學模型，選取特征參數，對于泄漏、堵塞及渦輪泵等典型故障模式可以進行有效識別和分離[8])等。傳統的火箭故障檢測方法自學習能力弱，故障檢測覆蓋范圍較低。隨著數據科學的迅速發(fā)展，出現多種利用數據挖掘對液體火箭故障檢測的方法，尤其是以深度學習為代表的智能故障檢測方法利用火箭返回的大量數據，基于數據驅動建立可靠的故障檢測模型[9-10]。文獻[11]評述了液體火箭發(fā)動機健康監(jiān)控技術的兩個主要方面，即故障檢測和健康監(jiān)測，并介紹了模型驅動、數據驅動和人工智能的液體火箭故障檢測方法，對比了以上方法的適用范圍和各自特點。

許多學者將關聯規(guī)則、貝葉斯分類器、聚類算法、粒子群算法等數據挖掘方法應用于火箭的故障檢測，取得了不錯的效果[12-15]，以上算法具有一定的自學習能力并且對于偶發(fā)故障也有一定的檢測能力。深度學習的發(fā)展也為火箭故障檢測提供了更多的可能，文獻[16]建立了液體火箭發(fā)動機參數選擇層次結構模型，為科學合理地選擇發(fā)動機地面試車實時故障檢測參數提供了根據,解決了一直以來依靠定性方法確定發(fā)動機檢測參數的問題。文獻[17]采用Hopfield神經網絡模擬發(fā)動機靜態(tài)工作過程的非線性方程組并用ART2網絡識別常見的幾種故障模式。文獻[18]應用動態(tài)神經網絡在線辨識方法用于泵壓式液體火箭發(fā)動機故障檢測與分離。文獻[19]將前向多層感知機神經網絡應用于液體火箭發(fā)動機故障檢測和診斷。

以上液體火箭故障檢測方法和健康監(jiān)測系統存在的問題是：數據模型用到的訓練集中實際發(fā)射和試車數據較少且數據規(guī)模較小，模型適用范圍較小，無法從火箭系統層面對火箭健康狀況進行全面監(jiān)測，數據處理方法較為復雜無法滿足實時檢測需求等。本文在前人液體火箭故障檢測方法和健康監(jiān)測工作的基礎上結合各種數據分析的優(yōu)勢提出針對液體火箭系統的故障檢測方法。BP神經網絡可以進行離線訓練，提前完成模型訓練可以提高故障檢測的效率。經過預處理的18個遙測參數屬性可視為181矩陣，對 MATLAB 而言，處理如此大小的矩陣是非常迅速的，這樣就能保證計算每個時刻點的試車或發(fā)射數據時系統的時耗盡可能少。每個數據集采樣點之間的時間間隔為毫秒級能滿足實時檢測的需求。

1 數據預處理

本文數據來源于某型號運載火箭第三級試車和發(fā)射時，增壓輸送系統17個核心組件傳感器返回數據，包括溫度、壓力、轉速等物理量，增壓輸送系統絕大部分故障和異常可由這17個參數直接或間接反映，另外還增加歸一化時間序列以區(qū)分減少火箭不同工況下參數變化帶來的誤判。該型號火箭在一百多秒的工作時間內產生上百萬行數據，而且數據的量綱和數量級差異極大。為提高算法計算速度，實現實時故障檢測的需求，必須對數據進行預處理，其處理過程分為數據抽樣和數據歸一化兩個環(huán)節(jié)。

1.1 數據抽樣

本文所研究的增壓輸送系統屬于泵壓式，構建BP神經網絡故障檢測參數屬性如表1所示，數據已經過適當去密處理。

由表1可知故障檢測參數采樣頻率為25～375 Hz，整個試車和發(fā)射過程產生數萬行數據，為降低數據規(guī)模，同時兼顧較早的捕獲故障數據，本文設置數據抽樣頻率為4 Hz，即每隔0.25 s抽取一個傳感器返回數據作為研究數據。

表1 故障檢測參數

增壓輸送系統的遙測數據傳感器并不是同時開始工作，為保證輸入一致性，缺失的數據用0補齊，表示該傳感器當前時刻并未啟動。

1.2 數據歸一化

本文利用式(1)將數據歸一化到[-1,1]區(qū)間，使算法對各個參數變化的敏感度接近。

(1)

式中：x表示待歸一化數據;xmin表示待歸一化數據的最小值;xmax表示待歸一化數據的最大值;y表示已歸一化數據。

燃料箱壓正常運行圖如圖1所示,表示整個故障監(jiān)測過程燃料箱壓相對值。t時刻各遙測參數狀態(tài)圖如圖2所示，橫坐標表示增壓輸送系統組件代號，縱坐標表示該時刻組件參數的相對值。

圖1 某遙測參數運行圖

圖2 t時刻正常遙測參數運行圖

對預處理后得到2 000個正常實例，進行標記1代表正常，0代表故障。需要說明的是，本文構建的BP神經網絡數據集中的每組實例均具有先后順序，將抽樣點值歸一化也作為特殊屬性之一輸入神經網絡進行計算，其代表對應火箭不同時刻的運行狀態(tài)，減少因火箭工況變化而發(fā)生誤報的情況。

2 故障模式的數值仿真

火箭試車和發(fā)射過程產生的故障數據遠少于正常數據，如果直接用于BP神經網絡訓練，則該故障檢測網絡無法覆蓋所有故障類型，而且不均衡的學習集影響結果準確率。本文在有限的故障數據基礎上結合增壓輸送系統的組件物理關系、專家經驗來發(fā)現故障模式，進行故障數據的仿真。

一些官員不敢創(chuàng)新，不敢作為，是擔心干事過程中一旦出現差錯，要擔責受罰。實際上，這完全是多慮了。本刊記者注意到，今年5月，中辦印發(fā)了《關于進一步激勵廣大干部新時代新擔當新作為的意見》，就建立激勵機制和容錯糾錯機制，進一步激勵廣大干部新時代新擔當新作為提出明確要求。該意見明確指出，要全面落實習近平總書記關于“三個區(qū)分開來”的重要要求，寬容干部在工作中特別是改革創(chuàng)新中的失誤錯誤，旗幟鮮明為敢于擔當的干部撐腰鼓勁。

2.1 異常和故障模式

液體火箭增壓輸送系統結構復雜，遙測參數本身具有合理誤差范圍，超出此誤差范圍代表系統可能出現異常。

一般而言，當系統某一組件發(fā)生異常，該異常數據會在短時間影響其他組件參數，系統多個參數超出合理誤差閾值，該種類型的故障需要綜合判斷多個關鍵參數才能識別，通常采用專家經驗和系統組件的耦合關系發(fā)現故障模式并進行故障標記。

2.2 故障數據的數值仿真

本文對于多個遙測參數值超出合理誤差范圍的故障模式進行數值仿真，仿真故障類型分為隨機故障仿真和耦合故障仿真，這兩種仿真數據分別使得算法模型對未發(fā)生的故障具有一定的敏感性，對已知的故障模式具有較好的檢測能力。

對多變量超出合理誤差范圍的故障類型通過式(2)進行數值仿真

x′t=xt+wt×xt

(2)

式中：xt表示t時刻x參數正常運行時的標準值；wt表示t時刻超出合理誤差范圍的偏移程度，即故障的嚴重程度；x′t表示t時刻x參數故障數據。可以根據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選取，經訓練后的神經網絡對輸入的超過合理誤差范圍的從未出現過的故障也具有一定的敏感性。模擬t時刻組件隨機異常狀態(tài)模擬圖如圖3所示，隨機選取C,F,K組件出現故障，其值超出異常閾值線。

圖3 t時刻隨機故障參數運行圖

對于系統耦合故障的仿真要以專家經驗和組件的物理關系，確定發(fā)生故障時參數相對位置作為故障特征。

如式(3)所示,每個屬性添加權重值表示故障程度。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物理模型和專家經驗給出，是在正常誤差范圍內。

(3)

1)貯箱中出現多余物，造成貯箱過濾器堵塞。此類故障直接造成貯箱壓力增大，流入液體管道的推進劑減少，導致液體管路增壓不足，文氏管前壓力降低使得管路推進劑流量進一步減少，供給發(fā)動機的推進劑不足，使得泵體殼溫度升高、隔離活門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抽樣點發(fā)生A1故障參數運行圖

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

(4)

2)增壓氦氣瓶泄漏故障。氦氣瓶泄漏導致氦氣瓶失壓，管道增壓不足導致貯箱壓力降低，流入管道的推進劑減少，直接造成渦輪泵轉速降低及泵殼體溫度升高，其他參數基本不變。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故障參數運行圖

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。渦輪氣蝕導致轉速降低、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下降。其中，渦輪轉速、組元噴前壓力、主文氏管前壓力參數變化明顯，其他參數基本不變。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故障參數運行圖

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)燃氣發(fā)生器發(fā)生燃氣泄漏。燃氣發(fā)生器燃氣泄漏首先導致渦輪泵轉速降低，泵殼體溫度升高，組元噴前壓力降低，主文氏管壓力降低，其他參數基本不變。燃氣發(fā)生器發(fā)生燃氣泄漏故障代碼為D1，故障矩陣如式(7)所示，故障模式如圖7所示。

圖7 D1故障參數運行圖

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神經網絡是一種監(jiān)督學習網絡，本文通過數值仿真得到的隨機故障和4種常見故障類型數據實例500例，并添加故障標簽，與正常帶標簽的2 000例數據合并作為后續(xù)BP神經網絡故障檢測算法的學習集。

3 神經網絡故障分類算法

神經網絡是通過調整內部大量節(jié)點之間相互連接的關系，從而達到處理信息的目的，其具有大規(guī)模并行處理、分布式存儲、高度冗余和非線性運算能力，運算速度快，聯想能力較強，還有較好的容錯能力。以上特點對火箭發(fā)射時增壓和輸送系統返回參數這種屬性多、規(guī)模大、非線性的數據處理有獨特的優(yōu)勢。

BP神經網絡主要特點是信號前向傳遞，誤差反向傳播。在前向傳遞中，輸入信號從輸入層經隱含層逐層處理，直至輸出層。每一層的神經元狀態(tài)只影響下一層神經元狀態(tài)。如果輸出層得不到期望輸出，則轉入反向傳播，根據預測誤差調整網絡權值和閾值，從而使BP神經網絡預測輸出不斷逼近期望輸出。

利用MATLAB神經網絡工具箱構建BP神經網絡分類模型，模型參數如表2所示。

表2 ANN分類模型參數

本文構建的增壓輸送系統故障檢測BP神經網絡如圖8所示，輸入層為181矩陣，即17個組件參數和時間序列，輸出層為1或0分別代表正常或故障。隱含層神經元個數為10，傳遞函數為S型的正切函數保證了神經網絡強大的非線性運算能力，適用于火箭遙測參數這類非線性數據的計算。

圖8 BP神經網絡示意圖

4 算法測試分析

從學習集中均勻抽取900條參數實例和標簽作為測試集，剩余3 600條數據集數據按照8∶2劃分為訓練集和驗證集。算法輸出結果在區(qū)間[0，0.5]標記為異常數據，[0.5，1]標記為正常數據。訓練集、測試集檢測結果及標簽如圖9、圖10所示。

圖9 訓練集算法輸出值及標簽值

圖10 測試集算法輸出值及標簽值

實線為運行狀態(tài)標簽，標簽1為正常運行實例，標簽0為異常運行實例。虛線為算法輸出數據，其個別輸出數據與標簽存在差異且超出所設閾值，則為漏報故障數據和誤報正常數據。BP神經網絡故障檢測結果如表3所示。

表3 神經網絡故障檢測結果分析

由表3可得，BP神經網絡故障檢測測試集誤報率為2.5%，漏報率為3.6%，可以滿足火箭增壓輸送系統故障檢測準確度需求，在實際應用中，可以根據火箭具體狀況適當調整算法輸出結果分類閾值，以進一步提高故障檢測正確率。

5 結論

本文針對火箭遙測數據規(guī)模較大、異常數據較少，已有的火箭故障檢測算法復雜、實時檢測能力較差的問題，提出一種算法簡單并具有實時響應能力的液體火箭增壓與輸送系統的故障檢測方法。將預處理后的學習數據劃分訓練集和測試集輸入BP神經網絡進行訓練和測試。測試結果表明：該算法具有良好的故障檢測能力，誤報率和漏報率均很低。由于神經網絡可以離線訓練的特性及MATLAB快速的矩陣運算能力，采樣點計算間隔為毫秒級，具備故障實時檢測的能力。