黃相華 江 峰 楊水旺 宋志強 魯 寧 李啟明

(北京振興計量測試研究所，北京 100074)

1 引 言

在發(fā)動機的研制生產(chǎn)過程中，地面模式試驗是非常重要的一個環(huán)節(jié)。作為航空航天工程的重要組成部分，發(fā)動機地面試車試驗?zāi)康脑谟隍炞C發(fā)動機的性能，評價發(fā)動機的功能、性能、技術(shù)指標(biāo)等，不斷完善發(fā)動機設(shè)計參數(shù)。在發(fā)動機試車試驗中，需要對許多動力學(xué)參數(shù)進行測試，如比沖、效能、矢量推力等。其中矢量推力是評估發(fā)動機性能的非常重要的參數(shù)，對于矢量推力的測量越來越受到發(fā)動機研制部門的重視。這也帶來了發(fā)動機矢量推力測量系統(tǒng)的校準問題。目前國內(nèi)的發(fā)動機試車臺矢量推力測量系統(tǒng)校準基本上還是使用傳統(tǒng)的方法來進行，即將測力傳感器拆卸送到實驗室進行校準，然后利用靜態(tài)校準數(shù)據(jù)來進行測量。這就帶來測力傳感器“靜態(tài)校準，動態(tài)使用”的一個問題。由于發(fā)動機試車時的矢量推力是一個動態(tài)量，測力傳感器靜態(tài)校準數(shù)值與實際推力數(shù)值有很大區(qū)別，實際現(xiàn)場使用時誤差可能會增至±20%～±30%，造成發(fā)動機試車臺矢量推力測量不準確。因此只有通過現(xiàn)場通過動態(tài)校準的方式，取得軸向推力與側(cè)向力分量的數(shù)值，以及他們之間的關(guān)系，才能準確對矢量推力測量系統(tǒng)進行校準。因此發(fā)動機研制部門提出了對矢量推力測試系統(tǒng)現(xiàn)場動態(tài)校準的需求[1]。

在矢量推力現(xiàn)場校準時，由于試車臺條件限制，不可能選取很多校準點，因而采用常規(guī)方法難以直接獲取全幅值和全頻段的動態(tài)靈敏度，經(jīng)過綜合考慮，采用人工智能方法開展發(fā)動機試車臺矢量推力全幅值和全頻段動態(tài)特性研究。

神經(jīng)網(wǎng)絡(luò)最大的特點就是對于非線性映射的反應(yīng)能力。在被校準點比較少，在模型特性了解相對較少的情況下，通過自主的訓(xùn)練和自主學(xué)習(xí)，預(yù)測出校準系統(tǒng)的輸出(動態(tài)傳遞特性序列)與輸入(校準量值點序列F和校準頻率點序列f)之間的關(guān)系[2,3]。

本文所設(shè)計的校準裝置，選用擺錘式動態(tài)力發(fā)生裝置作為激勵源，并采用人工智能RBF神經(jīng)網(wǎng)絡(luò)對發(fā)動機試車臺矢量推力的動態(tài)特性進行補償。最后為驗證校準方案的可行性，做了驗證性試驗，進行了不確定度分析。

2 矢量推力現(xiàn)場動態(tài)校準技術(shù)研究

2.1 存在的問題

現(xiàn)階段發(fā)動機試車臺矢量推力測量系統(tǒng)的校準工作主要在實驗室開展，即將測力傳感器拆卸送到實驗室進行校準。但在實際使用過程中，由于臺架安裝精度要求動架體上端、動架體下端同軸度非常高，反復(fù)拆裝傳感器耽誤時間，而且由于裝卸傳感器所帶來的安裝誤差會引入額外的測量不確定度。

另外試車時矢量推力為動態(tài)力，傳統(tǒng)方法中測力傳感器在靜態(tài)下計量而在動態(tài)環(huán)境中使用，測力傳感器所測量的數(shù)值與實際推力數(shù)值有很大的區(qū)別，實際現(xiàn)場使用時誤差增至±10%～±20%的情況也不少見，造成了發(fā)動機試車臺推力的測量不準確，進而對發(fā)動機的工作時間，飛行器的飛行速度、射程產(chǎn)生重要影響。

通過對校準過程的分析，發(fā)現(xiàn)引入誤差的原因主要包括以下幾方面[4-7]：

1)實驗室校準條件與實際現(xiàn)場工作條件不一致；

2)力傳感器的動態(tài)響應(yīng)引入誤差影響校準結(jié)果；

3)校準時各傳感器相位不同步，導(dǎo)致空間矢量推力校準精度低。

隨著發(fā)動機地面試車試驗研究的深入開展，對矢量推力試驗臺測量精度要求越來越高。為降低實驗室校準與實際使用條件不同而產(chǎn)生附加誤差，提高矢量推力測量系統(tǒng)的精度，迫切需開展矢量推力試驗臺現(xiàn)場推力校準。

2.2 現(xiàn)場動態(tài)校準方法

通過對現(xiàn)階段不同動態(tài)力發(fā)生裝置的優(yōu)缺點比較[8-10]，最終采取基于擺錘式矢量推力現(xiàn)場校準裝置完成推力測量系統(tǒng)動態(tài)校準任務(wù)。其總體校準系統(tǒng)框圖如圖1所示，在進行主推力和側(cè)向力校準時，首先根據(jù)需產(chǎn)生的力值的大小，調(diào)整擺錘裝置的工作參數(shù)，如擺錘質(zhì)量、提升角度等，可獲得不同脈寬及幅值的力值信號。隨后擺錘擊打傳力塊，產(chǎn)生動態(tài)力作用在工作級傳感器上，工作傳感器和標(biāo)準傳感器所產(chǎn)生的響應(yīng)信號經(jīng)高精度動態(tài)應(yīng)變儀調(diào)理放大后送入數(shù)采系統(tǒng)，通過數(shù)采系統(tǒng)可以分別得到標(biāo)準傳感器和工作級傳感器的力值曲線，從而實現(xiàn)矢量推力的校準。

校準系統(tǒng)中作為力源的擺錘式動態(tài)力發(fā)生裝置機械結(jié)構(gòu)如圖2所示。機械部分主要由底座、電磁離合器、蝸輪、蝸桿、步進電機、旋轉(zhuǎn)編碼器、擺桿等部件組成。

在進行校準時，控制系統(tǒng)控制電磁離合器閉合，并控制步進電機轉(zhuǎn)動，通過蝸桿蝸輪減速裝置帶動擺錘提升，擺錘提升角度由旋轉(zhuǎn)編碼器獲得。當(dāng)擺錘提升到設(shè)定角度后，步進電機停止轉(zhuǎn)動。由于蝸輪蝸桿減速裝置具有自鎖作用，在無電機驅(qū)動扭矩的作用下，擺錘不會自由下落。當(dāng)需要擺錘自由下落時，控制系統(tǒng)控制電磁離合器分離，擺錘將在重力作用下自由下落并撞擊傳力塊，進而將力值傳遞給被校推力傳感器。撞擊后擺錘將反彈，通過控制系統(tǒng)自動控制電

圖1 矢量推力原位現(xiàn)場校準總體框圖Fig.1 General scheme of vector thrust field calibration

圖2 擺錘式校準裝置機械結(jié)構(gòu)圖Fig.2 Machine construction of pendulum bob calibration system

磁離合器閉合，并結(jié)合蝸輪蝸桿的自鎖作用，可以固定擺錘，防止二次撞擊。校準裝置的擺桿長度設(shè)計為可調(diào)，同時防二次撞擊機構(gòu)中的凸輪滑桿長度和滑塊彈簧的壓縮量均設(shè)計為可調(diào)。

為得到超燃沖壓發(fā)動機矢量推力測量系統(tǒng)動態(tài)傳遞特性，需要分別得到標(biāo)準傳感器的激勵信號和工作傳感器的響應(yīng)信號。通過數(shù)采系統(tǒng)對激勵信號和響應(yīng)信號作歸一化處理，并分別求取的頻譜密度函數(shù)，可得到工作傳感器的頻率響應(yīng)傳遞函數(shù)為

(1)

式中：X1(jw)——激勵信號譜密度函數(shù)；Y1(jw)——響應(yīng)信號譜密度函數(shù)。

頻譜特性曲線上相應(yīng)頻率點對應(yīng)幅值即為系統(tǒng)在該頻率點動態(tài)靈敏度值[11,12]。通過多次重復(fù)性試驗，可獲得多條頻譜特性曲線。由于不同的力幅值和頻率點下的測量系統(tǒng)的動態(tài)靈敏度存在一定的差異，因而采用常規(guī)方法難以直接獲取全幅值和全頻段的動態(tài)靈敏度，經(jīng)過綜合考慮，采用神經(jīng)網(wǎng)絡(luò)開展發(fā)動機試車臺矢量推力校準系統(tǒng)全幅值和全頻段動態(tài)特性校準與補償技術(shù)研究。

3 人工智能在矢量推力校準中的應(yīng)用

3.1人工智能RBF神經(jīng)網(wǎng)絡(luò)原理

人工智能神經(jīng)網(wǎng)絡(luò)的優(yōu)勢是非線性映射能力非常強，從人工智能技術(shù)發(fā)展來看，采用RBF神經(jīng)網(wǎng)絡(luò)是一個比較好的方案。RBF神經(jīng)網(wǎng)絡(luò)是通過對稱函數(shù)，將多維的數(shù)據(jù)逼近轉(zhuǎn)換為一維的數(shù)據(jù)逼近[13]，是一種利用插值來解決問題的人工智能算法。從其原來上來說，只要參數(shù)設(shè)計得合適，人工智能神經(jīng)網(wǎng)絡(luò)的輸出會以非常高的精度近似非線性函數(shù)，從而減小校準不確定度。同時由于該神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)收斂速度很快，目前在故障診斷、圖像處理、控制領(lǐng)域等已經(jīng)有成功的應(yīng)用。綜上，本項目采用人工智能RBF神經(jīng)網(wǎng)絡(luò)開展發(fā)動機試車臺矢量推力校準系統(tǒng)全頻段動態(tài)特性校準補償研究。

3.2 矢量推力校準RBF神經(jīng)網(wǎng)絡(luò)的設(shè)計

假設(shè)在500N～100kN量值范圍內(nèi)，選取不同的校準力值點，并在相應(yīng)的頻率下對發(fā)動機試車臺的矢量推力進行校準，可以得到該力值點的頻響曲線。同理，對不同的校準力值點分別進行校準，可以得到所有校準點在指定頻率點動態(tài)傳遞特性。由此可以得出矢量力值序列與頻率序列。

根據(jù)RBF神經(jīng)網(wǎng)絡(luò)原理，矢量推力校準系統(tǒng)神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)為指定動態(tài)力校準量值點序列FN和指定校準頻率點序列fN，神經(jīng)網(wǎng)絡(luò)輸出為基于灰色理論計算獲得的動態(tài)傳遞特性序列，建立的超燃沖壓發(fā)動機試車臺矢量推力校準系統(tǒng)全幅值和全頻段動態(tài)傳遞特性的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計圖如圖3所示。

圖3 矢量推力校準RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.3 The structure of vector thrust RBF neural network

由圖3中可以看到，矢量推力校準RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)采用三層前饋，分為輸入層、隱含層和輸出層。在這三層結(jié)構(gòu)之間采用全互連的方式來進行連接，同層次之間的單元之間不存在連接。

第一層為輸入層，將矢量推力測量數(shù)據(jù)作為輸入，神經(jīng)元為指定動態(tài)力校準量值點序列F和指定校準頻率點序列f；

第二層為隱含層，徑向基函數(shù)將輸入層的數(shù)值映射到新空間進行計算。為實現(xiàn)這一目的，需要確定基函數(shù)的中心和寬度，以及矢量推力輸出層與神經(jīng)網(wǎng)絡(luò)隱含層連接的權(quán)重值。目前一般用于神經(jīng)網(wǎng)絡(luò)的是K-均值算法以及迭代LMS算法;

由公式推導(dǎo)可知，隱含層的輸出為

(2)

式中：φi——輸出量；Ri(x)——神經(jīng)網(wǎng)絡(luò)基函數(shù)；x——輸入力值信號；ci——第i個基函數(shù)中心；σi——第i個基函數(shù)寬度；M——神經(jīng)元數(shù)量；‖x-ci‖——矢量系數(shù)，即輸入量與基函數(shù)中心的距離。

第三層為輸出層，對應(yīng)輸出參數(shù)為基于灰色理論計算獲得的動態(tài)傳遞特性序列。在這一層中，對隱含層的輸出進行計算，經(jīng)過線性加權(quán)后，所期望得到的校準數(shù)值為

S=θ+∑Wiφi

(3)

式中：Wi——權(quán)重值；θ——輸出偏移量。

3.3 矢量推力校準神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)及應(yīng)用

神經(jīng)網(wǎng)絡(luò)的工作過程分為兩部分，分別是矢量推力RBF神經(jīng)網(wǎng)絡(luò)參數(shù)學(xué)習(xí)訓(xùn)練和矢量推力RBF神經(jīng)網(wǎng)絡(luò)應(yīng)用。

首先是矢量推力RBF神經(jīng)網(wǎng)絡(luò)參數(shù)學(xué)習(xí)訓(xùn)練。

試車臺矢量推力校準神經(jīng)網(wǎng)絡(luò)設(shè)計完成之后，通過歷史校準數(shù)據(jù)讓神經(jīng)網(wǎng)絡(luò)開展訓(xùn)練學(xué)習(xí)，從而預(yù)測出矢量推力動態(tài)特性的輸出結(jié)果。整個學(xué)習(xí)訓(xùn)練過程示意圖如圖4所示。

圖4 矢量推力BPF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練示意圖Fig.4 The leatning process of vector thrust RBF neural network

校準時具體學(xué)習(xí)過程如圖5所示，離線學(xué)習(xí)的時候，在500N～100kN量值范圍內(nèi)，選出10個典型校準點，分別在不同的校準點下對試車臺矢量力進行校準，將校準數(shù)據(jù)作為輸入層數(shù)據(jù)送入到RBF神經(jīng)網(wǎng)絡(luò)中進行學(xué)習(xí)訓(xùn)練，得到不同力值的RBF神經(jīng)網(wǎng)絡(luò)參數(shù)。整個學(xué)習(xí)的過程包括10組力值校準數(shù)據(jù)神經(jīng)網(wǎng)絡(luò)參數(shù)，在完成這個過程后，將得到的參數(shù)進行儲存，方便下一步的應(yīng)用。

圖5 矢量推力RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練示意圖Fig.5 The principle of off-line learning with vector thrust RBF neural network

其次是矢量推力RBF神經(jīng)網(wǎng)絡(luò)應(yīng)用如圖6所示，首先根據(jù)施加的力值和頻率進行校準區(qū)間的判定。根據(jù)動態(tài)力值的所屬校準區(qū)間，選取合適的網(wǎng)絡(luò)參數(shù)以及力值數(shù)據(jù)，之后從儲存的文件中獲得學(xué)習(xí)訓(xùn)練后的RBF神經(jīng)網(wǎng)絡(luò)參數(shù)。將這組選定的網(wǎng)絡(luò)參數(shù)輸入到之前構(gòu)建的矢量推力校準RBF神經(jīng)網(wǎng)絡(luò)中，可以得到被校準傳感器的逆模型。將動態(tài)力值信號作為輸入信號，矢量推力動態(tài)傳遞特性序列作為輸出信號，即可實現(xiàn)試車臺矢量推力幅值和相位動態(tài)特性的校準。

圖6 矢量推力RBF神經(jīng)網(wǎng)絡(luò)應(yīng)用示意圖Fig.6 The principle of online application with RBF vector thrust neural network

4 試驗驗證

4.1 動態(tài)力值驗證結(jié)果

為了驗證校準系統(tǒng)的可行性，利用設(shè)計的校準裝置對發(fā)動機試車臺矢量推力進行了動態(tài)校準。通過調(diào)整校準系統(tǒng)參數(shù)，如擺錘質(zhì)量、提升角度等可獲得不同脈寬及幅值的動態(tài)力值信號。

改變擺錘擺角而產(chǎn)生的不同波形如圖7所示。從圖中可以看出，擺錘沖擊過程中的力峰值隨著擺角的增加而增大，擺錘初始擺動角對力信號峰值影響較大，對脈寬影響較小。

圖7 不同擺角條件下的力值波形圖Fig.7 The waveform produced by different pendulum angle

改變擺錘質(zhì)量的情況下產(chǎn)生的動態(tài)力值信號如圖8所示。擺錘沖擊過程中的動態(tài)力峰值和脈寬均隨著擺錘質(zhì)量的增加而增大，但是擺錘質(zhì)量對動態(tài)力的峰值影響更大。

圖8 不同擺錘質(zhì)量條件下的力值波形圖Fig.8 The waveform produced by different pendulum quality

動態(tài)力的脈寬主要由緩沖墊來決定，使用不同材料的緩沖墊所產(chǎn)生的波形如圖9所示。當(dāng)可換材料的硬非線性越大時，擺錘沖擊產(chǎn)生的力峰值越大，且脈寬越窄；相反，若可換材料的硬非線性越小時，則擺錘沖擊產(chǎn)生的力峰值越小，而脈寬越寬。

在工作時，可以將典型校準點的參數(shù)通過實驗確定，并在后續(xù)的校準補償時加以應(yīng)用。

圖9 不同緩沖墊條件下的力值波形圖Fig.9 The waveform produced by different crash pad

4.2 人工智能神經(jīng)網(wǎng)絡(luò)補償結(jié)果對比圖

為了驗證構(gòu)造的人工智能神經(jīng)網(wǎng)絡(luò)對動態(tài)力值的補償效果，選取典型力值點對補償前后的數(shù)據(jù)進行了對比。

使用矢量推力校準裝置對試車臺進行動態(tài)校準，得到補償前的時域波形如圖10所示。

圖10 補償前時域波形圖Fig.10 The time domain waveform before compensation

設(shè)計的人工智能神經(jīng)網(wǎng)絡(luò)經(jīng)學(xué)習(xí)訓(xùn)練后，根據(jù)校準結(jié)果所屬區(qū)間，獲得RBF神經(jīng)網(wǎng)絡(luò)參數(shù)，對矢量推力校準結(jié)果進行補償。得到補償后的時域波形如圖11所示。

通過多次重復(fù)性試驗，可以獲得矢量推力的幅頻特性圖。在高頻時幅頻曲線不夠平滑，通過神經(jīng)網(wǎng)絡(luò)的補償，可以得到補償前后的幅頻特性曲線，如圖12所示。

圖12 補償前后的幅頻特性曲線圖Fig.12 The amplitude frequency curves before and after compensation

從圖10至圖12補償前后的對比圖中可見，使用人工智能神經(jīng)網(wǎng)絡(luò)對矢量推力進行補償后的矢量力值信號的高頻噪聲大幅減小，信號質(zhì)量改善明顯。同時在校準點幅值和頻率數(shù)目有限的情況下，可以很方便地利用神經(jīng)網(wǎng)絡(luò)實現(xiàn)矢量推力全幅值全頻段的動態(tài)補償，結(jié)果滿足試車臺矢量推力的校準的需求。

5 不確定度分析

由于各測量不確定度分量的存在，需對校準系統(tǒng)各個組成環(huán)節(jié)進行考核評估，即對矢量推力校準系統(tǒng)測量結(jié)果的不確定度進行分析。

根據(jù)試車臺矢量推力測量系統(tǒng)的校準過程，分類歸納出10項不確定度分量，匯總列表，并進行不確定度的合成[14,15]。相對合成標(biāo)準不確定度為

=1.50%

矢量推力測量系統(tǒng)動態(tài)校準相對擴展不確定度為

Urel=kuc=2×1.50%=3.0%(k=2)

表1 不確定度分量匯總表Tab.1 Summary sheet of uncertainty components序號不確定度來源符號不確定度類別1測量重復(fù)性uA2.0×10-3A2工作傳感器引入u12.0×10-3B3傳感器及撓性桿組合件位置誤差引入u22.0×10-3B4調(diào)理電路相對引入u31.0×10-3B5數(shù)采系統(tǒng)引入u41.0×10-3B6隨機干擾噪聲引入u54.0×10-3B7動架軸線與校準坐標(biāo)的不同軸性引入u64.0×10-3B8標(biāo)準動態(tài)力傳感器引入u74.0×10-3B9動態(tài)加載裝置穩(wěn)定度引入u81.0×10-2B10動態(tài)加載裝置波形失真引入u98.0×10-3B

6 結(jié)束語

該發(fā)動機試車臺矢量推力現(xiàn)場動態(tài)校準裝置能夠精確地對矢量推力進行校準，結(jié)構(gòu)簡單，可靠性好。針對發(fā)動機試車試驗成本較高、可供選取的校準點有限等特點，采用RBF神經(jīng)網(wǎng)絡(luò)進行試車臺矢量推力動態(tài)特性的獲取和補償，提高了校準準確度，降低了校準成本。通過多次地面試驗對校準裝置的技術(shù)指標(biāo)進行了驗證，試驗結(jié)果表明，校準裝置動態(tài)性能優(yōu)異，響應(yīng)迅速，通過人工智能神經(jīng)網(wǎng)絡(luò)補償后力值信號的噪聲明顯減小，各項指標(biāo)都能夠滿足發(fā)動機試車臺推力矢量推力的校準要求。該校準系統(tǒng)通過改造后可以拓展應(yīng)用到火箭發(fā)動機、固體發(fā)動機等其他需要校準矢量推力的地面設(shè)備上。