液體火箭發動機健康監控技術研究進展

楊述明,謝昌霖,程玉強,宋立軍

(國防科技大學 空天科學學院,湖南 長沙 410073)

0 引言

液體火箭發動機(Liquid Rocket Engine,LRE)作為進入空間至關重要的航天動力裝置,是衡量一個國家科技水平和綜合國力的重要標志,其成功發射與安全運行不僅具有巨大的經濟和軍事意義,更具有極其重要的政治和社會影響。當前,500 tf液氧/煤油火箭發動機整機試車宣告圓滿成功[1],標志著我國航天液體動力技術又邁上了新的臺階,同時也為火箭發射的安全與可靠性帶來了新的挑戰。新一代大推力液體火箭發動機不僅動力更強,結構更復雜,工作條件也更加極端,一旦發生事故,往往造成嚴重的經濟損失與人員傷亡[2]。

為有效降低發動機故障帶來的危害,在20世紀90年代初,部分高校和科研院所便開展了關于液體火箭發動機健康監控技術的系統研究,其主要技術內涵包括故障檢測與診斷(Fault Detection and Diagnosis,FDD)、容錯控制、健康監控系統研制等內容[3]。故障檢測指異常檢測,通過測量或回放的信號進行二元決策,以判斷發動機是否處于異常狀態。故障診斷包括故障定位與故障辨識,即利用已掌握的故障信息來確定故障部位、故障類型和故障程度。容錯控制則是根據故障診斷結果,采取調整發動機參數、緊急關機等措施來降低損失,避免嚴重事故。

事實上,發展健康監控技術的最終目的是為了研制可以工程化應用的健康監控系統,通常來說,LRE健康監控系統的發展可分為3個階段[4],即從單一故障檢測到多元融合決策再到集成智能化的過程。近年來,人工智能與機器學習等領域取得了眾多突破性進展,以深度卷積神經網絡[5]、生成對抗網絡[6]為代表的智能故障診斷技術正在為LRE的發展提供新的思路與技術手段。

本文綜述了LRE的FDD技術、容錯控制技術、健康監控系統研制的研究現狀與發展趨勢;分析了可測性建模、數字孿生和可解釋性人工智能應用到LRE健康監控的技術路線,以為該領域未來發展提供參考。

1 故障檢測與診斷技術研究現狀

目前關于FDD的分類方法很多,但從文獻調研來看,存在以下幾點共識[7-8]。

1)基于模型的方法常被劃作單獨分類。

2)專家系統和機器學習屬于人工智能領域,其中機器學習是數據驅動的。

基于此,將FDD方法分為基于模型、基于知識和數據驅動3大類,如圖1所示。

從圖1中可以看出,機器學習是數據驅動的,專家系統主要基于領域專家的經驗和知識進行故障診斷,是早期人工智能的典型應用。當然,實際工程中為了達到更好的FDD效果,學者們提出了很多組合方法,本文對此不再贅述。

1.1 基于模型的方法

模型驅動的方法可以依據發動機運行內部規律建立模型和系統觀測參數之間的解析關系,比較觀測值與實際測量值的差異來實現FDD[9]。圖2為基于模型驅動的故障診斷基本過程。

圖2 基于模型驅動的故障診斷基本過程Fig.2 Basic process of model-driven fault diagnosis

1.1.1 基于解析模型的方法

基于解析模型的方法的核心思想是用解析冗余取代硬件冗余,利用系統數學模型實現故障辨識,分為基于靜態模型與基于動態模型的方法。在靜態模型中,NASA Lewis研究中心利用功率平衡方程進行多工況下主閥與傳感器的故障檢測與隔離[10];馬歇爾航天中心利用靜態模型實時更新紅線閾值帶的方法實現了發動機異常檢測[11];Cha等基于航天主發動機靜態特性模型,采用多元線性回歸算法進行故障檢測與診斷[12]?？梢钥闯?使用靜態模型主要是為了得到發動機靜態特性,以便用于發動機結構設計與參數調整,故該方法適用于發動機的穩態階段。

在動態模型中,通過對比預測輸出與實際輸出的殘差來實現發動機故障檢測,如基于狀態觀測器的方法[13]、基于參數辨識的方法等[14]。隨著控制理論認識的深入,也有學者設計高階狀態觀測器進行發動機故障診斷。如文獻[15]利用非線性卡爾曼濾波器,采用多模型方法進行LRE故障檢測與診斷;文獻[16]設計了一組全階未知輸入觀測器來檢測、分離和估計傳感器參數,用于檢測和診斷非線性系統的故障。高階狀態觀測器勢必會增加系統復雜度,雖然基于奉獻觀測器思想[17]的方法可以取得較好的故障隔離效果,但面對未知故障時,實時性與準確性難以滿足檢測需求?；谀Ｐ偷姆椒ㄅc其他方法相結合也是FDD技術的發展方向,如專家系統[18]、神經網絡技術[19]、聚類分析[20]等。

1.1.2 基于定性模型的方法

基于定性模型的方法可分為因果圖法、故障樹法和定性物理法,根據系統元件間的連接關系或參數間依賴關系的建立診斷系統結構、功能與行為的模型;以定性推理的手段推導發動機預期行為,并與系統實際行為進行比較;搜索求解異常征兆出現的故障源,以此確定故障產生的部件。

基于定性模型的方法可以從更宏觀的角度解釋系統行為,但純定性推理會產生大量虛假解,導致故障檢測的可信度不高。為此,定性模型與定量知識結合的故障診斷方法成為一種有效手段,主要包括兩方面:①測量信息中引入定量方法,即測量信息在定量值轉化為定性值的過程中,通過小波分析、主元分析等定量分析確定轉化狀態的臨界值;②系統模型支路定量化方法,即將支路間的傳遞關系、時間信息等定量知識集成到定性模型中,如晏政通過引入組件參數間的定量約束關系,建立集成定量信息的航天器動態符號有向圖模型,可以確定唯一故障源,有效提高了故障檢測可信度[21]。

然而,如何建立精確的系統模型一直是該方法面臨的重難點問題,同時考慮到大多數LRE物理模型都是對象相關的,不同發動機型號間的檢測適應性和泛化能力較差,尤其是對于新型大推力液體火箭發動機來說,工作環境更極致,部件耦合更緊密,工況變化更復雜。當前,LRE建模分析仍然是健康監控領域不可或缺的技術手段,主要原因如下。

1)發動機故障樣本稀少,進行大量試驗受到人力、物力、財力的限制;開展故障仿真研究不僅經濟方便,也能獲得豐富的故障樣本。

2)基于模型的方法理論完備,故障和故障模式可以追溯到物理意義上的信息,且能檢測未知故障,易于得到發動機故障的機理性、因果性解釋,有利于發動機后期的維修決策。

1.2 基于知識的方法

基于知識的故障診斷主要指專家系統,該類方法不依賴于發動機數學模型,利用專家的經驗和發動機知識,通過推理的形式實現LRE的FDD,具有較好的故障解釋能力。發動機診斷專家系統由知識庫、全局數據庫、推理機、解釋子系統、知識獲取子系統和人機接口等組成,如圖3所示。

圖3 發動機診斷專家系統組成Fig.3 Composition of engine diagnosis expert system

早期的診斷專家系統如SSME數據分析專家系統[22]、融合多信息的Titan系統[23]、氧化劑渦輪泵泄漏診斷系統[24]等,此類專家系統表達方式較為直觀,在應對復雜系統獲取知識規則方面存在一定難度。也有學者將優化算法融入推理機制,從而獲得更好的自主性與學習性。如Xie等采用粒子群算法調整模型參數,通過模糊推理形成專家知識庫,建立故障預測與健康管理系統[25];李愷欽利用遺傳算法提取發動機故障特征,通過知識庫對比推理,以提高故障診斷精準度[26]。

知識庫的獲取困難、更新與自主學習能力不夠是限制診斷專家系統發展的主要因素。如何利用AI智能技術解決知識獲取不足的問題,建立高效的學習推理與診斷模型是這類方法未來發展的方向。

1.3 數據驅動的方法

數據驅動的方法根據系統正常狀態與故障的對應關系,對發動機的測量數據進行分析處理,得到相關故障信息。從數據分析方法來看,包括統計分析、主成分分析、獨立分量分析、小波分析等方法;從數據類型來看,包括壓力、流量、轉速等緩變信號和機械振動、流體壓力脈動等速變信號。

1.3.1 基于信號處理的方法

1.3.1.1 緩變信號的處理方法

緩變信號在時序變化上存在連續性,僅在發動機啟動、變工況、關機等階段才會出現明顯的數據波動,因此檢測閾值設定至關重要。紅線關機算法是應用較早的故障檢測方法,主要通過確定壓力、流量、轉速等參數的上下閾值來實現發動機的異常檢測[27]。我國LRE試車臺也普遍使用紅線關機算法,為提升算法的性能,國內外學者對其進行了改進。如NASA針對航天發動機提出的加權紅線算法[28];朱恒偉等提出自適應閾值算法(Adaptive Threshold Algorithm,ATA),可以實現多工況的故障檢測,并通過歷史試車數據進行驗證[29];李艷軍利用改進的自適應閾值算法實時更新閾值帶,進一步提高了故障檢測性能[30]。此外,以自適應相關算法(Adaptive Correlation Algorithm,ACA)、主成分分析、獨立分量分析為代表的多元統計方法也是較為常見的檢測與診斷方法,如Feng等采用主成分分析(Principal Component Analysis,PCA)與自組織映射相結合的方法進行故障診斷,利用PCA對緩變信號進行降維去噪,再通過自組織映射訓練處理后的數據[31],結果表明由PCA處理后的數據可以有效提高故障辨識率。高鳴等通過小波去噪與獨立分量法處理試車壓力信號,有效提高了數據的信噪比,為LRE的FDD提供可靠信息源[32]。

1.3.1.2 速變信號的處理方法

速變信號具有非平穩與瞬態性的特點,必須先對數據進行預處理,一般采取時頻分析、小波分析等方法進行線性變換,提取數據的隱含特征。針對渦輪泵振動信號的數據處理,Hu等利用均方根值、峭度因子、峰值因子等統計特征和自適應高斯閾值模型,在線監測渦輪泵振動信號[33];Aiswarya等以快速傅里葉變換在線處理振動信號,提取均方根值等時域特征構建特征向量,并結合支持向量機進行渦輪泵故障診斷[34];楊懿等通過對本征模態函數進行Hilbert變換,得到振動信號能量分布頻譜圖,實現LRE渦輪泵故障的精準定位[35]。針對推力室燃燒故障,楊懿等又利用傅里葉變換和小波包分解分析推力室脈動壓力,基于信號在頻域吻合特征判斷推力室是否產生不穩定燃燒[36]。

1.3.1.3 多源信號融合的處理方法

目前針對LRE不同信號類型的數據處理方法大多較為獨立,各類信息缺乏交互,很難真實有效地表征發動機系統健康狀態。為解決此問題,一些學者提出了基于多物理特性、變化速率及采樣頻率的多源信號融合處理方法,利用先進測量裝置將聲、光、電等信號進行融合處理,可以更準確地反映系統健康狀態,提高故障診斷精度,具有廣泛應用前景。如王建波等將點式和紅外傳感器采集的圖像以像素級、特征級、決策級融合的方式建立發動機泄漏故障信息模型[37];Zhang等設計了紅外傳感器與放電傳感器結合的模糊診斷模型,發展了包含傳感器信任函數與最大模型值的信息融合算法[38];Liu等融合加速度傳感器、電渦流傳感器、激光測振儀和聲矢量傳感等信息,利用改進DS證據理論進行LRE渦輪泵轉子-軸承故障診斷,得到了更準確的診斷結果[39]。陳禛怡等以速變信號的頻率作為細節特征,緩變信號與速變信號時域指標作為整體特征,通過構造動態時間跟蹤函數實現發動機多源信號特征級融合[40]。信號融合處理涉及來自多個不同來源的完整或部分信息,從而構建有關系統的全面和特定信息,實現更好的故障檢測與診斷效果,圖4為典型的多源信號融合處理策略。

圖4 多源信號融合處理策略Fig.4 Multi-source signal fusion processing strategy

基于數據驅動的方法的實時性較好,其中以統計分析為代表的緩變信號數據處理方法和以時頻分析為代表的速變信號數據處理方法均在LRE健康監控領域取得了成功應用。然而,由于該方法尚缺乏足夠的故障樣本數據,大部分只能用于LRE故障檢測階段,要實現故障模式辨識還需與基于人工智能的方法相結合。

1.3.2 基于傳統機器學習的方法

基于常規機器學習的方法主要在特征提取/選擇和故障檢測與診斷方面體現智能特性,通常包括數據獲取、數據預處理、特征提取、特征選擇和模型訓練等步驟,如圖5所示。

圖5 基于傳統機器學習方法的LRE故障診斷步驟Fig.5 LRE fault diagnosis steps based on traditional machine learning methods

1.3.2.1 人工神經網絡

基于ANN的方法應用比較廣泛,其中針對LRE的故障診斷主要表現為以下方面。

1)基于無監督學習的故障檢測是一種不需要系統結構知識,僅靠監測信息就能完成發動機故障檢測的方法。如Wheeler等利用SSME的傳感器參數,建立了基于徑向基函數(Radial Basic Function,RBF)神經網絡故障檢測模型[41]。考慮到人工神經網絡在權重選擇與閾值確定方面的不足,部分學者將此類模型進行了優化,以提高故障檢測的實時性與準確性,如Xu等提出的改進遺傳-神經網絡算法[42],Singh等建立的貝葉斯神經網絡模型[43]。

2)殘差生成與評估即通過測量信號與神經網絡估計信號進行比較,生成殘差以評估發動機狀態。黃敏超等基于建立的動態神經網絡辨識系統,并結合傳感器測量信息形成殘差,實現LRE故障監測與分離[44]。

3)故障識別與分類利用神經網絡自學習的特點,建立發動機故障模式與特征參數間的對應關系,從而實現發動機故障分離。如Whitehead等將SSME傳感器數據到故障的關系分解成3個更簡單的映射,實現對已訓練故障的識別,并能檢測未訓練的故障[45];孫成志等綜合神經網絡與DS證據理論,建立LRE神經網絡故障診斷模型,實現發動機推力下降與卡死故障的辨識[46]。

1.3.2.2 聚類分析

聚類分析是一種無監督分類算法,將數據分成多個類或簇,每一類具有相似的內容和特征,而不同類之間的差異比較大。聚類分析可以有效生成數據分類模型,如Schwabacher等介紹了歸納監控系統(Inductive Monitoring System,IMS)中基于聚類的數據挖掘技術,通過訓練學習試車數據,再以最近聚類的距離作為異常判定標準,實現LRE故障的更快檢測[47]。

1.3.2.3 支持向量機

SVM作為有監督學習的分類方法,在應對非線性復雜系統、高維模式識別問題中有一定優勢。目前應用較多的是將特征提取后的數據輸入SVM進行故障診斷,如王仲生等利用隨機共振原理放大轉子系統早期故障特征,經小波包多分辨率分析后,將其作為SVM輸入實現故障辨識[48];Aiswarya等提取渦輪泵旋轉部件的標準差、均方根等時域特征,通過SVM分類器完成故障診斷[34]。

其他傳統機器學習方法還有RVM、隨機森林、決策樹等。傳統機器學習方法主要以感知智能學習機制為主,針對發動機特定故障模型,采用分類、聚類等形式進行故障診斷,缺乏與外部環境的反饋交互,難以實現發動機故障的自主決策與規劃。另外,該方法在很大程度上依賴于特征提取的質量,只有當提取的特征可以較好地表示故障特征時,基于傳統機器學習模型才能與LRE健康狀態間建立良好的映射關系。然而,隨著發動機結構復雜化、監測數據龐大化,基于淺層結構式的學習模式無法獲取高維的數據特征,很難建立發動機輸入-輸出間的復雜非線性關系。

1.3.3 基于深度學習的方法

自2006年深度學習(Deep Learning,DL)的概念提出以來,便得到學者們廣泛探討與研究,并取得了許多代表性的成果[49]。故障診斷領域的深度學習方法包括自編碼、受限玻爾茲曼機、循環神經網絡與卷積神經網絡等方法,本文重點介紹CNN(Convolutional Neural Network,CNN)與生成對抗網絡(Generative Adversarial Network,GAN)在LRE故障檢測與診斷領域的應用與發展。

1.3.3.1 基于卷積神經網絡的方法

CNN是DL中應用最多的方法之一,結構組成包括卷積層、池化層和全連接層?；贑NN的FDD方法步驟為:將處理后的數據輸入CNN模型,通過交替分布的卷積層與池化層逐級提取數據特征并學習,再經全連接層完成特征的融合、降維,最終實現故障識別與分類,如圖6所示。該方法在故障特征提取、檢測與分類方面具有一定優勢,Zhu等基于CNN方法提取并識別超燃沖壓發動機燃燒數據,結果表明CNN的辨識準確率要高于傳統機器學習方法[50]。

圖6 基于CNN故障檢測與診斷方法Fig.6 FDD method based on CNN

CNN的模型結構一直在優化改進中,近年來,也有學者融合更多方法拓展了故障診斷的思路。如Zhu等結合卷積自編碼器與單類SVM,實現了LRE故障的異常檢測與診斷[51];Park等利用長短期記憶網絡(Long Short-Term Memory,LSTM)訓練LRE啟動數據,再結合CNN完成故障診斷[52]。李澤東等針對發動機軸承故障提出注意力增強CNN方法,通過將注意力機制融入卷積層,以增強全局信息的提取,提高診斷精度[53]。

1.3.3.2 基于生成對抗網絡的方法

GAN具有強大的生成能力,不依賴于任何先驗假設,可以用來實現數據增強和數據集擴展,以彌補故障數據樣本不足的缺點。GAN應用于LRE的FDD中有著明顯的優勢,圖7為基于WGAN-MLP(Wasserstein GAN-multilayer Perceptron)的故障診斷流程。其中,GAN由生成器和判別器兩部分組成,訓練過程如下:向生成器輸入隨機樣本,輸出生成樣本,向判別器輸入生成樣本和真實樣本,輸出判別結果,計算誤差,更新生成器與判別器的網絡權值。兩者交替進行,達到設定訓練輪數或一定條件時,訓練完成。計算結果表明,WGAN可以有效生成故障樣本,并能檢測出未知故障[54]。

圖7 基于WGAN-MLP故障診斷流程Fig.7 WGAN-MLP fault diagnosis process

為提高訓練穩定性與樣本多樣性,研究人員對GAN結構做了進一步優化改進,如Liang等利用小波變換將一維振動信號轉為二維時頻圖像,輸入半監督對抗學習模型,實現了齒輪箱單故障診斷和多故障的同時診斷[55];袁燁等結合門控循環單元(Gate Recurrent Unit,GRU)的預測能力,提出基于特征注意力機制的GAN-GRU融合模型,有效解決了數據訓練不充分的問題[56];張晟斐等利用CNN對缺失數據進行填充,基于非參數檢驗思想優化GAN訓練環境,提升了設備壽命預測的魯棒性[57]。

基于深度學習的方法以認知智能為主,在FDD過程中加入外部環境的反饋交互,并能在交互過程中不斷學習,實現特定任務推理、決策和規劃?；谏疃葘W習的方法為LRE故障診斷增添了新動力,但也存在幾個主要問題。

1)黑箱問題。LRE的安全性要求極高,考慮到該方法訓練過程與訓練結果存在不可解釋性,目前很難得到有效應用。

2)數據問題?；诒O督式或半監督式的深度網絡方法需要大量標簽數據的支撐,然而LRE故障數據樣本稀少。

當前,LRE的FDD方法仍處于對已知故障的診斷、未知故障的異常檢測階段,且不同層次領域、不同方法的“集成式”“融合式”FDD已經成為必然趨勢。

2 容錯控制技術研究現狀

容錯控制(Fault Tolerant Control,FTC)技術能有效補償故障損失,維持系統穩定,是一種可以提高可靠性的技術。從實現技術手段視角,FTC可以粗略地劃分成任務重構和姿態重構。對于任務重構問題,He等提出了基于深度神經網絡的自適應分配方法,用于推力下降故障下任務重構[58];Wei等基于加速Landweber迭代和重分配機制提出了一種新穎任務重構方法用于某型可重復適應運載火箭[59];Song等研究了典型推進系統故障下運載火箭升空自主任務重構技術[60]。在姿態重構方面,Li等基于故障檢測與診斷方法,通過重構控制命令來保持系統穩定性[61];程堂明等基于力矩補償思想實現多故障模式下的姿態重構[62]。從技術發展歷程視角,LRE容錯控制技術的發展可以分為3個階段。

1)早期的FTC基于硬件冗余,根據故障檢測結果,以切換硬件冗余的方式調整發動機工作狀態,控制決策包括報警、啟動硬件備份、緊急關機等。雖然硬件冗余結構原理簡單,但太多的冗余大大增加了系統復雜性,影響研究人員的判斷。

2)20世紀80年代基于解析冗余的FTC技術逐漸發展起來,一般是采取主動容錯控制的方式,通過比較觀測器輸出得到故障信息。如Shen等基于多模型方法設計無跡卡爾曼濾波器對姿態控制系統進行精確估計,并結合PD控制器實現主動容錯控制[63];Gao等利用故障觀測信息,結合反步法與自適應技術設計主動容錯控制器[64];Tang等構造了自適應故障觀測器,并在此基礎上設計滑膜容錯控制器,有效提高了火箭姿態跟蹤精度[65]。然而,基于解析冗余的方法過于依賴模型的精度且箭上算力有限,如何合理利用箭上資源且能保證診斷信息準確可靠是目前需要解決的問題。

3)21世紀初基于解析冗余的FTC技術發展趨于成熟并向智能化發展。一部分學者將神經網絡、深度學習等技術用于獲取故障信息、設計智能控制器等方面,如朱海洋等利用神經網絡在線辨識模型分析故障參數與干擾項,基于自適應容錯控制器實現火箭推力下降等故障的補償[66];梁小輝等提出了一種智能容錯控制策略,通過自適應動態規劃的在線學習功能,保證火箭姿態的跟蹤精度[67];Cao等通過設計自適應學習觀測器,基于反推控制器實現了航天器姿態的有效跟蹤[68]。

主動容錯控制技術具有一定的自主性,通過FDD模塊提供故障信息,充分利用解析冗余,能夠合理借助系統軟硬件的優勢保證系統發生已知或未知故障下的穩定性,實現了較為理想的工程應用。2012年獵鷹9火箭在首次國際空間站任務中便是利用故障診斷與在線重規劃技術順利完成了一臺發動機推力故障下的發射任務;德爾塔四號運載火箭在發生故障導致箭體推力下降時,也通過控制系統完成推力補償,實現火箭的平穩飛行。

中國新一代運載火箭CZ-5也使用了發動機控制力動態分配技術,成功實現了助推發動機關機時的姿態穩定控制[69]。以發動機執行機構故障為例,圖8為典型故障下的火箭容錯控制技術路線圖。其中控制輸入u為執行機構擺角大小,測量信號y為火箭實際姿態角大小。

圖8 典型故障下的運載火箭容錯控制技術路線圖Fig.8 FTC technology roadmap of launch vehicle under typical faults

對于第i個執行機構故障,其真實擺角可表示為

(1)

通過控制分配律將發動機擺角重新分配,使重新分配后的控制力矩與期望產生的控制力矩相等,實現運載故障下的容錯控制,其數學表達式為[70]

M=Bu

(2)

式中:M為期望力矩;B為控制分配矩陣。

當發動機執行機構發生故障時,采用基于多模型的方法隔離出第i個執行機構的故障特征[62],并將該故障信息導入火箭姿態控制系統中。此時,考慮執行機構故障時的控制分配矩陣為

(3)

式中:Bi為與第i個執行機構對應的控制分配矩陣的列向量;Bremain、uremain分別為控制分配矩陣的剩余列、執行機構的剩余行。由此,反解出第i個執行機構故障發生時,經控制分配律重新分配后的剩余擺角大小,即

u′=(B*)-1M

(4)

基于上述方法,實現了發動機執行機構故障下的火箭容錯控制。

目前,針對LRE的FTC研究目前還處于“+智能”的階段,即人工智能已運用到控制系統,但工程應用的案例較少。隨著FDD的發展,智能方法與控制技術深度融合的“智能+”有望給健康監控技術帶來新的突破[71]。

3 LRE健康監控系統發展應用

健康監控系統的發展一般可分為3個階段:簡單健康監控系統、集成健康監控系統與先進健康管理系統[72]。簡單健康監控系統使用的方法較為單一,功能簡單,很難檢測到發動機早期故障與緩變故障,診斷結果缺乏可靠性。如早期的紅線關機系統、SSME數據分析專家系統等。

20世紀90年代后,隨著FDD方法的發展,研究人員開始將多個算法集成到健康監控系統中,發揮不同算法的優勢,以提高故障覆蓋率與魯棒性等。如美國聯合技術研究中心研制的健康管理系統,融合了時間序列分析、聚類分析等算法,可以用于全工況異常檢測,同時提高了對傳感器失效的魯棒性。國防科技大學研制的LRE故障監控系統(如圖9所示),集成紅線算法、ATA算法、ACA算法、RBF算法等多種方法,以紅線關機算法作為系統報警的底線,融合其他算法進行并行決策。該系統經過多次試車搭載試驗,在實時性、準確性、故障覆蓋率等方面均滿足工程需求。

圖9 LRE故障監控系統Fig.9 LRE fault monitoring system

典型的先進健康管理系統例如波音公司與NASA聯合研制的先進管理系統,其特點是先進傳感器測量與診斷技術的集成。該系統由先進實時振動監控、光學羽流異常檢測和線性發動機模型3個子系統組成,提升了航天器發射與升空的安全性。然而,由于故障樣本不充分、故障特征不完備、模型系數不確定等問題,該系統仍然缺乏對發動機重要故障模式的辨識與定位能力。此外,還包括智能控制系統[73]、綜合健康管理系統等[74]。

隨著智能化的發展需求,目前的LRE健康管理系統涵蓋了實時狀態監測、故障診斷、壽命評估、故障控制等多個功能。圖10為發動機健康管理系統功能原理圖,分為機載和地面部分。機載部分利用優化選取后的傳感器測量參數進行實時狀態監測,考慮箭上算力有限,仍以紅線關機算法、自適應閾值算法為主,實現發動機在線異常檢測。同時,通過控制器采取調節控制律、緊急關機等措施降低故障影響。地面部分可以完成不同環節的診斷分析,對比發動機正常狀態進行試后偏差分析,得到各部件性能趨勢;建立故障損傷模型,完成故障預測和關鍵部件壽命評估;基于維修手冊與專家經驗,形成發動機故障處置庫,最終實現LRE健康管理報告。

圖10 LRE健康管理系統功能原理圖Fig.10 Functional schematic diagram of LRE health management system

研究FDD方法的最終目的是在LRE健康監控系統中能實際應用。然而,目前研究工作僅處于利用理論知識、策略與算法,結合具體發動機型號進行數值仿真和試車數據驗證的階段,研制用于發動機地面試驗與機上運行的故障檢測與診斷系統很少。并且由于LRE對故障檢測與診斷在高效、可靠、安全方面要求極高,在發動機試驗和運行中實際應用FDD方法的情況是改進型紅線報警系統用于在線實時檢測,故障診斷在試后離線系統進行。

計算機、自動控制、人工智能、傳感器等技術的快速發展和應用很大程度上推動了LRE健康監控系統的進步。當前,除了關注FDD理論方法的研究探索外,還應依靠比較成熟的FDD方法和技術實施工程化研究,使其能應用到液體火箭發動機的研制試驗和實際運行中,適應火箭發動機健康監控需求。

4 健康監控關鍵技術分析

可重復使用LRE的試車成功及空天飛機、組合動力等概念的提出使健康監控技術應用在箭上的需求更加迫切[75],其中重復使用航天器動力系統健康狀態快速評估技術更是被列為2023年宇航領域科學問題和技術難題之一[76]。本節針對健康監控領域面對的重難點問題梳理了以下關鍵技術,并結合課題組最近工作提出了相應的技術方案。

4.1 基于測試性建模的在線檢測與診斷技術

故障在線檢測與診斷是大推力可復用LRE健康監控技術的核心和基礎,對于提高發動機可靠性與維修保障效率,減少發動機全壽命周期費用具有十分重要的意義。基于測試性分析的方法可以解決可測性參數選擇與可測性指標確定的問題,通過相關性模型、多信號流圖模型等方式描述測點與系統故障間的邏輯關系,在復雜裝備的故障診斷、健康評估等方面取得了較成熟的應用[77]。

為此,考慮重復使用LRE故障演化、故障嚴重程度與故障征兆及相應測試間關聯關系的核心要求,開展發動機故障模式分析、測試性建模和實時推理與診斷。圖11為LRE測試性建模分析與故障診斷應用總體方案。首先,進行傳感器測點狀態、故障模式等信息的分析收集;其次,采用多信號流圖建模方法,按照“系統→分系統→組件→單機”的層次化功能結構,依據信號流向及傳播過程,將不同層次的模塊和故障模式及測點資源連接起來;最后,利用推理機(如貝葉斯網、SVM等)完成在線診斷推理。

圖11 LRE測試性建模分析與故障診斷應用總體方案Fig.11 Overall plan of LRE testability modeling analysis and fault diagnosis application

以氫氧發動機分層為例,主要由推力室系統、燃氣發生器系統、渦輪泵系統、管路系統等部件構成。發動機氫渦輪與氧渦輪以并聯方式連接于燃氣發生器,從燃氣發生器出來的燃氣分別推動氫渦輪和氧渦輪。發動機工作過程內部工質的流動過程如圖12所示。液氫進入泵前閥由氫泵增壓后一路流向燃氣發生器,另一路流向推力室,此時泵后泄出閥已關閉,額定工作時無液氫外排。流向推力室的氫又分為兩路,一路通過2個冷排汽蝕管限流對大噴管進行冷卻,而后外排;另一路經冷卻推力室身部后進入推力室氫頭腔,然后大部分進入推力室燃燒。此外,從推力室氫頭腔分別引出兩支路作為伺服機構氫能源和為氫貯箱增壓。液氧通過泵前閥經氧泵增壓后一路流向燃氣發生器,另一路流向推力室。額定工作過程泵后泄出閥已關閉,泵后引出一路液氧經換熱器后用于氧貯箱增壓。

圖12 液氫/液氧發動機工作流向圖Fig.12 Working flow diagram of liquid hydrogen and oxygen engine

圖13為基于測試性分析的氫氧發動機故障診斷結果,通過故障注入的方式模擬系統故障,在1 000×1 000數據規模下的診斷推理時間可達到毫秒級?？梢钥闯?該方法應用在LRE的FDD中具有更好的實時性,推理速度快,可用于大規模數據的實時在線診斷,并且可擴展性強,理論上只要測點足夠,就可以完成發動機故障的全部隔離與覆蓋,有利于解決LRE快速檢測與評估、故障隔離定位和關鍵部組件維修維護等問題。

圖13 基于測試性建模的氫氧發動機診斷結果Fig.13 Diagnosis results of hydrogen oxygen engine based on testability modeling

4.2 基于數字孿生的虛擬建模技術

數字孿生技術可充分利用數據與模型,集成多學科知識,面向系統的全壽命周期,發揮連接虛擬與現實世界的橋梁作用[78]。NASA在2010年提出了數字孿生應用于航空航天的典型場景,其中包括飛行前的異常檢測、飛行中實時狀態監測、故障后的診斷評估等功能[79]。進一步地,《2016中國航天白皮書》中也強調了加快航天領域的深度信息化融合,推動數字化、智能化制造的重要性。

圖14為基于數字孿生的LRE功能分析圖,面向LRE數字孿生仿真建模技術可分為基礎支撐層、虛實交互層與分析決策層[80]。其中基礎支撐層主要用于支持數據存儲、信息安全防護、高性能并行計算等功能;虛實交互層利用復雜仿真模型與采集的實時數據,結合模型數據融合技術,進行虛擬現實交互;分析決策層基于虛實交互結果,實現故障預測、可視化監測、智能控制等功能。

圖14 基于數字孿生的LRE功能分析圖Fig.14 LRE functional analysis based on digital twins

根據LRE健康管理功能需求建立數字孿生技術框架,如圖15所示。

圖15 基于數字孿生的LRE技術路線圖Fig.15 LRE technology roadmap based on digital twin

圖15中物理實體指的是利用傳感器測量的各類數據,包括振動、壓力、流量等;虛擬模型主要包括通用仿真模型、個性表征模型與動態演化模型[81]。

1)通用仿真模型用來描述LRE理想工作狀態,利用三維建模、有限元分析、動力學分析等方法,旨在體現LRE一般運行規律。

2)個性表征模型可以描述系統運行間的差異性,將發動機試車工況變化、重復使用部件累計損傷、燃料燃燒等不確定因素以狀態方程的形式表現出來,通過觀測方程描述系統真實狀態和觀測量之間的映射關系。

3)動態演化模型可以利用LRE試車數據實時更新個性表征模型中的狀態空間參數,以達到虛實交互的目的。其中,動態貝葉斯網絡由于可以較好地融合先驗信息,并進行后驗信息推理,較適合用于數字孿生模型的更新[82]。

通過分析可知,基于數字孿生的虛擬建模技術在LRE健康監控領域的優勢表現為:數字孿生可以創造包括所有知識的數學模型,通過多元信息融合的動態演示能夠更精準地描述發動機各項行為,及時發現并預測故障,更好地指導系統控制與決策。

4.3 基于類腦知識的診斷可解釋性分析

以DL為代表的新型LRE故障診斷方法在特征提取、樣本生成方面具有巨大優勢,然而,診斷可解釋問題嚴重降低了研究人員對診斷結果的信任度,尤其面對LRE這種安全攸關的系統?？山忉屓斯ぶ悄?Explainable Artificial Intelligence,EAI)在近年被廣泛關注,中國科協在2022年度已將“實現可信可靠可解釋的人工智能技術路線與方案”列為十大前沿科學問題[83]。

解決EAI問題應關注特征生成與認知推理兩方面問題。在特征生成方面,為了從原始多維時序數據中獲得更多可解釋信息,Zhang等將電機時序數據轉換成包含更多細節的多維視覺知識,提升了狀態信息直觀性和可解釋性[84];Brito等利用Shapley值計算單個特征輸出貢獻度,以模型可解釋性得到特征重要性排序,實現旋轉機械故障診斷[85]。在認知推理方面,文獻[86]將診斷模型本身設計成具有可解釋性的自明模型,如決策樹、基于規則的模型、線性模型等,依賴邏輯關系達到可解釋性的目的;文獻[87]提出的“認知放大器”與“守護天使”兩個概念值得借鑒,通過認知放大處理關鍵目標問題,守護天使則代為處理沒有時間或精力解決的問題,形成可以模擬專家思維模式的粗細兩級診斷模型。

本文提出基于類腦知識的診斷可解釋性分析技術方案(見圖16)路線如下:將反應發動機健康信息的數據和知識通過時頻分析法、對稱點模式等轉化成二維圖像特征,并通過圖像多通道融合技術增強二維圖像特征的泛化能力,實現模型前可解釋性;在故障特征和故障診斷結果之間通過特征重要度排序計算單個特征對診斷結果的貢獻度,即將具體診斷結果歸因到某個特定特征,實現模型后可解釋。

圖16 基于類腦知識的診斷可解釋性技術路線Fig.16 Diagnostic interpretability technology roadmap based on brain-like knowledge

5 結論

深空探測、天際往返等名詞的出現給人類航空航天事業的發展構造了宏偉藍圖,中國航天的發展也正在經歷由航天大國向航天強國轉變。相較于日本、印度等航天國家,我國火箭發射具有高可靠性,尤其是故障檢測理論方法與專家會診流程非常成熟。但對標SpaceX卻是“大而不強、大而不優”,從健康監控技術領域來看,如何評估發動機重復使用次數與使用壽命評估等主要性能指標,如何準確快速地判定發動機能否繼續工作、如何有效判定故障部位并采取相應控制措施,成為目前亟需解決的問題。然而,“星艦”多次發射失利也給人們帶來啟示:航天事業的發展既不可固步自封也不能操之過急,應該抓住安全性、可靠性等主要矛盾,在現有技術基礎上穩步推進與創新。為此,針對LRE健康監控技術研究發展,本文提出以下建議。

1)大力提倡健康監控頂層規劃設計。從政策層面推動頂層規劃設計,進一步推廣LRE健康監控技術的地位與重要性。糾正之前健康監控用于“事后補救措施”的思路,系統分析LRE框架與路線,將健康監控納入LRE整機設計研制,從而實現兩者間的“共生”。

2)發展先進傳感器技術,完善故障數據庫。研制各種高可靠的傳感器,搜集豐富的發動機試車數據;繼續開展故障仿真研究,系統分析故障模式、故障原因和故障影響,形成以專家經驗為主的故障處置庫,制定合適控制策略。

3)持續優化現有算法,盡快實現工程應用。結合工程實際優化已有的算法,對有特色、較成熟的算法加以改進和創新,不斷提高技術成熟度;發展諸如智能可測性等分析檢測技術,為重復使用發動機使用返回后的快速評估與維護提供技術支持。

4)深入拓展智能健康監控技術研究。強大的學習能力與適應能力是人工智能技術的主要特征?；贑NN、GAN甚至深度強化學習等智能技術,挖掘更深層故障信息,突破和解決發動機早期異常檢測,實現故障預測;基于遷移學習提高模型的泛化性能和利用率,實現診斷系統局部的通用化。此外,數字孿生可解釋人工智能等技術在LRE故障預測與壽命評估、智能控制與維護等方面的應用,可以有力提高系統安全與可靠性。

LRE健康監控技術作為多學科交叉的高新技術,其進步依賴于人工智能、自動控制、計算機科學、傳感器測量等技術的發展,其研究應用注定是一個漫長前進的過程,也期待更先進的健康監控技術應用在LRE試車與飛行中。