吳建軍，程玉強，崔 星

（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(fā)動機健康監(jiān)控技術是伴隨著航天領域需求的推動而逐步發(fā)展起來的，其起源于1967年美國執(zhí)行阿波羅登月計劃時出現(xiàn)的一系列嚴重設備故障。之后，美國海軍研究室在國家航空航天局（National Aeronautics and Space Administration，NASA）的倡導下，進行了一系列的研究開發(fā)工作。

健康監(jiān)控技術的研究主要包括故障檢測與診斷理論方法的研究和健康監(jiān)控系統(tǒng)的研制等方面。

1 液體火箭發(fā)動機故障檢測與診斷理論方法

液體火箭發(fā)動機健康監(jiān)控技術的核心和基礎是故障檢測與診斷的相關理論方法。根據(jù)故障檢測與診斷算法所使用的信息類型，以下基于模型驅動的方法、基于數(shù)據(jù)驅動的方法和基于人工智能的方法等3 種類型分別進行相關研究評述。

1.1 基于模型驅動的方法

基于模型驅動的故障檢測與診斷方法主要包括基于解析模型的方法和基于定性模型的方法。

1.1.1 基于解析模型的方法

基于解析模型的故障檢測與診斷方法其基本原理是：首先，根據(jù)系統(tǒng)運行的內在規(guī)律，以解析方程的形式表示系統(tǒng)的輸入、狀態(tài)和輸出之間的關系，從而建立系統(tǒng)的數(shù)學模型；其次，根據(jù)數(shù)學模型的輸出與系統(tǒng)的實際測量信息進行比較生成殘差，并對所生成的殘差信息進行分析和處理，從而實現(xiàn)故障的檢測與診斷。根據(jù)其所建立模型的不同，基于解析模型的方法可分為基于靜態(tài)模型的方法和基于動態(tài)模型的方法。

基于動態(tài)模型的方法主要包括狀態(tài)估計、參數(shù)估計等方法。狀態(tài)估計方法利用狀態(tài)觀測器（或卡爾曼濾波器）估計發(fā)動機的狀態(tài)，再基于估計量與實際測量信號所生成的殘差進行故障檢測。參數(shù)估計是指利用系統(tǒng)輸入和輸出的可測量值對系統(tǒng)參數(shù)進行辨識，并根據(jù)參數(shù)的統(tǒng)計特性來檢測故障。

基于數(shù)學模型的故障檢測與診斷方法在理論上是完備的，但其診斷結果的準確性直接依賴于所建立的數(shù)學模型與實際系統(tǒng)的相符程度。對于系統(tǒng)結構和工作過程簡單、輸入輸出關系明確的小型系統(tǒng)而言，基于數(shù)學模型的故障檢測與診斷方法是一種不錯的選擇。然而，對于發(fā)動機尤其是新一代大推力液體火箭發(fā)動機而言，由于其是一個機械—流動—燃燒等過程強耦合的復雜非線性系統(tǒng)，不僅關鍵部件多，相互緊密耦合，而且大多處于高溫、高壓、強振動的極致工作環(huán)境中，并需經(jīng)歷多次起動、轉工況、主級運行與關機的大范圍變工況工作過程。因此，建立合理精確的數(shù)學模型本身就是一個困難的問題，同時，所建立的數(shù)學模型是否適用于基于模型的故障檢測與診斷是另外一個問題。例如，對于狀態(tài)估計方法，由于發(fā)動機系統(tǒng)結構工況復雜，故障模式較多，要實現(xiàn)對發(fā)動機故障的準確診斷，就需要對每種故障模式和不同工況，設計相應的高階狀態(tài)觀測器，這樣就會使得整個診斷系統(tǒng)很復雜，用于實時在線檢測與診斷顯然是很難滿足要求的。對于參數(shù)估計方法而言，發(fā)動機有限的輸入輸出測量參數(shù)，使得很難準確估計出眾多與故障相關的結構、性能參數(shù)，有時甚至使得求解無法進行。因此，在液體發(fā)動機故障檢測與診斷研究中，基于模型的方法需要與其他方法結合采用。

1.1.2 基于定性模型的方法

基于定性模型的方法其基本原理是：首先根據(jù)系統(tǒng)組成元件之間的連接（或參數(shù)間的依賴關系）建立診斷系統(tǒng)的結構、行為或功能上的定性模型；然后，通過將系統(tǒng)定性模型預期行為與系統(tǒng)實際行為進行比較，獲取異常征兆；最后，利用定性推理技術，對導致異常征兆出現(xiàn)的故障源進行搜索求解。

基于定性模型的方法具有計算簡單、速度快等特點，但其診斷求解過程中通常會產(chǎn)生除真實解以外的大量虛假行為，即故障診斷的準確性不高。為此，近年來很多學者針對集成定性和定量知識的故障診斷方法進行了大量研究。而事實上，在許多情況下，系統(tǒng)的確有可用的定量知識。例如，2013年，晏政［1］建立了航天器推進系統(tǒng)定性定量集成的故障診斷方法，包括建立了附帶時間信息以及包含組件節(jié)點間的影響關系的SDG 模型，發(fā)展了相應的故障診斷策略，并將其應用于神舟推進系統(tǒng)故障診斷中。結果表明，該方法能有效提高故障診斷的分辨率，能確定唯一故障源。

1.2 基于數(shù)據(jù)驅動的方法

基于數(shù)據(jù)驅動的方法主要是根據(jù)系統(tǒng)的輸出與故障之間的聯(lián)系，對發(fā)動機的測量輸出信號進行分析處理，判斷故障是否存在及故障發(fā)生的位置?；跀?shù)據(jù)驅動的方法主要包括統(tǒng)計分析、主成分分析、獨立分量分析、小波分析、羽流光譜分析、最小鄰域方法、支持向量機方法和聚類方法等。

統(tǒng)計分析方法是根據(jù)大量的數(shù)據(jù)樣本進行統(tǒng)計分析，以得出發(fā)動機或其部件狀態(tài)統(tǒng)計意義上的規(guī)律，從而確定出參數(shù)的閾值，實現(xiàn)故障檢測的目的。一般而言，統(tǒng)計分析方法包括固定閾值和自適應閾值兩種。

固定閾值方法是工程上最簡便、最快捷，也是最常用的一種基于發(fā)動機輸出信號的故障檢測方法。但是，對于不同臺次、不同工況的發(fā)動機，以及啟動、變工況和關機等不同工作過程，該方法都需要對檢測參數(shù)的閾值進行人為事先設定，而難以根據(jù)發(fā)動機的實際工作情況進行自動調整。因此，為了減小誤報警率，固定閾值方法的閾值一般都設置得較寬，但這同時也會增加故障的漏報警率。針對上述問題，有學者提出了自適應閾值算法。該算法的優(yōu)勢在于采用遞推方法自適應地計算參數(shù)的均值、方差和閾值，從而提高了算法的故障檢測能力。此外，為了避免對每個參數(shù)都計算閾值，并考慮參數(shù)之間的關系，還提出了自適應相關安全帶算法。

相對于基于高維非線性模型進行求解的數(shù)學模型方法而言，基于數(shù)據(jù)驅動的故障檢測與診斷方法計算量較小，實時性較好，因而在發(fā)動機的實時故障檢測中得到了一定的應用。然而，該方法對測量數(shù)據(jù)的質量要求很高。一般而言，當發(fā)動機正樣本（故障狀態(tài)數(shù)據(jù)）和負樣本（正常狀態(tài)數(shù)據(jù)）達到3∶7 左右的比例時［2］，基于數(shù)據(jù)驅動的故障檢測與診斷方法能夠較好地利用數(shù)據(jù)所隱含的信息、分布規(guī)律，其結果也具有較高的準確性和置信度。然而，由于發(fā)動機結構和工作過程的復雜性，不僅發(fā)動機類型不同，其結構和工況不同，故障表現(xiàn)形式各異，而且即使是同一類型的發(fā)動機，其故障模式也會由于輸入條件的微小變化發(fā)生漂移或完全不同，由此測量得到的發(fā)動機試車數(shù)據(jù)基本都是正負樣本比例嚴重失衡的病態(tài)分布。因此，在不可能獲得發(fā)動機全部故障模式特征、缺乏充分數(shù)據(jù)樣本的情況下，基于數(shù)據(jù)驅動的發(fā)動機故障檢測與診斷方法，目前更多地集中在發(fā)動機穩(wěn)態(tài)工作過程的故障檢測和報警方面，很難實現(xiàn)對液體火箭發(fā)動機故障的準確隔離和定位。

1.3 基于人工智能的方法

基于人工智能的方法主要包括專家系統(tǒng)、神經(jīng)網(wǎng)絡和模糊理論等方法。

1.3.1 專家系統(tǒng)

基于專家系統(tǒng)的液體火箭發(fā)動機故障診斷方法是通過在故障檢測與診斷專家系統(tǒng)的知識庫中，存儲故障征兆、故障模式和故障原因等知識，然后推理機在一定的推理機制下，運用知識進行診斷推理。該方法不依賴于發(fā)動機的數(shù)學模型，可以有效地利用專家的經(jīng)驗和發(fā)動機知識，通過推理過程完成發(fā)動機的故障檢測和診斷，具有對故障的解釋能力。

目前已研究開發(fā)出的發(fā)動機故障檢測與診斷專家系統(tǒng)主要有：AEROJET 公司研制的基于規(guī)則的Titan 健康評估專家系統(tǒng)，用于Titan 第一級發(fā)動機驗收試驗和例行的數(shù)據(jù)分析，并以圖形解釋數(shù)據(jù)［3］；LeRC 開發(fā)的試車后數(shù)據(jù)自動評估系統(tǒng)，用于為航天飛機主發(fā)動機（Space Shuttle Main Engine，SSME）地面試車、飛行試驗監(jiān)測數(shù)據(jù)的事后分析與評估提供一個完整通用的自動化系統(tǒng)，以協(xié)助檢測數(shù)據(jù)評估專家確認試驗目標是否達到、試驗過程中是否存在異常，以及試驗是否失敗等［4］；MSFC 聯(lián)合Alabama 大學開發(fā)的發(fā)動機數(shù)據(jù)解釋系統(tǒng)，用于對SSME 試車數(shù)據(jù)的事后分析［5］，該系統(tǒng)主要是通過建立發(fā)動機及其部件的定性約束模型，以及將部件的狀態(tài)定性化為正、負偏離于正常狀態(tài)，然后對所觀察到的故障狀態(tài)用定性或基于模型的推理方法搜索合理的解釋。

對于發(fā)動機故障診斷專家系統(tǒng)，理想的知識庫和知識表達形式，應能完善和精確地表達發(fā)動機的診斷知識。目前基于專家系統(tǒng)的液體火箭發(fā)動機故障診斷方法主要存在以下不足：診斷知識獲取困難，系統(tǒng)自學習能力不強，故障檢測與診斷的實時性差、運行效率低，一般只能在發(fā)動機工作前準備或關機后分析的情況下離線使用等。

1.3.2 神經(jīng)網(wǎng)絡

神經(jīng)網(wǎng)絡具有自組織、自學習能力，能克服傳統(tǒng)的以啟發(fā)式規(guī)則為基礎的專家系統(tǒng)，不能正確處理新型故障信息或現(xiàn)象的問題，因而在故障檢測與診斷領域具有較好的應用前景。神經(jīng)網(wǎng)絡用于液體火箭發(fā)動機故障檢測與診斷的主要方式有：

1）基于無教師學習的神經(jīng)網(wǎng)絡采用聚類方式進行發(fā)動機故障檢測。由于神經(jīng)網(wǎng)絡具有自組織、自學習能力，使得神經(jīng)網(wǎng)絡故障檢測方法無需液體火箭發(fā)動機系統(tǒng)的結構知識，只需傳感器測量信號，便可自行抽取發(fā)動機故障行為特征。

2）基于發(fā)動機測量信號與神經(jīng)網(wǎng)絡估計信號之間比較，得到殘差信號，實現(xiàn)對液體火箭發(fā)動機的故障檢測。

3）利用神經(jīng)網(wǎng)絡的自學習能力，將已有的發(fā)動機故障樣本輸入神經(jīng)網(wǎng)絡進行學習，調整神經(jīng)網(wǎng)絡的權值，建立故障模式與特征參數(shù)向量的對應關系，然后對新的輸入樣本進行相似性度量，得到發(fā)動機故障分離結果。

目前，應用于液體火箭發(fā)動機故障檢測與診斷的神經(jīng)網(wǎng)絡方法，主要有前向多層感知機神經(jīng)網(wǎng)絡、自組織神經(jīng)網(wǎng)絡、模糊神經(jīng)網(wǎng)絡、動態(tài)神經(jīng)網(wǎng)絡和混合神經(jīng)網(wǎng)絡等。

2000年，王建波［6］研究了主成分分析與Koho?nen 網(wǎng)絡相結合的液體火箭發(fā)動機泄漏故障檢測方法。2001年，楊爾輔等［7］建立了火箭發(fā)動機非線性動態(tài)徑向基函數(shù)神經(jīng)網(wǎng)絡模型。2003年，張煒等［8］研究了渦輪泵并行BP 網(wǎng)絡的故障診斷方法。2005年，王志武［9］應用BP 網(wǎng)絡檢測了液體火箭發(fā)動機的泄漏故障；邱忠［10］提取了某型液體火箭發(fā)動機渦輪泵的頻段能量比特征，并利用自組織映射網(wǎng)絡對渦輪泵的健康狀態(tài)進行了判別。2008年，謝廷峰等［11］研究了BP 神經(jīng)網(wǎng)絡以及徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡在某型液氫液氧火箭發(fā)動機啟動和穩(wěn)態(tài)工作過程故障檢測中的應用，并使用大量的歷史試車數(shù)據(jù)以及地面熱試車考核與驗證。2012年，黃強［12］將云理論和神經(jīng)網(wǎng)絡相結合，實現(xiàn)了液體火箭發(fā)動機工作全過程基于云-神經(jīng)網(wǎng)絡的實時故障檢測方法，應用于高壓補燃循環(huán)發(fā)動機穩(wěn)態(tài)工作過程多種工況的故障檢測，得到了良好的結果。2017年，聶僥［13］通過基于權值更新的過程神經(jīng)網(wǎng)絡算法和自適應系數(shù)更新，解決增量問題，提高對液體火箭發(fā)動機故障預測的及時性和有效性。

神經(jīng)網(wǎng)絡方法由于具有較強的容錯能力，在某些信息丟失的情況下（如部分傳感器失效）仍可做出正確的診斷。這對于提高液體火箭發(fā)動機故障檢測與診斷的可靠性而言，顯得尤為重要。但是，該方法應用于故障診斷時，過分依賴于從歷史數(shù)據(jù)中提取的典型模式或經(jīng)驗知識。

1.3.3 模糊理論

液體火箭發(fā)動機故障診斷過程中，存在著各種不確定性，主要包括各種干擾和噪聲、測量誤差、數(shù)學模型以及診斷知識描述的不精確等。而基于模糊理論的方法由于在處理系統(tǒng)復雜性及不確定性方面的優(yōu)勢，因而受到極大的關注。模糊理論在故障診斷方面也得到了較為廣泛的應用研究?；谀：碚摰墓收显\斷首先應用于小規(guī)模線性單變量系統(tǒng)，隨后逐步向應用于大規(guī)模、非線性復雜系統(tǒng)擴展，目前，已在機械、化工、輸電網(wǎng)絡和航空航天等領域都得到了成功的應用。

基于模糊理論的故障診斷方法主要有基于模糊聚類的方法、基于模糊模型的方法，以及模糊理論與其他方法相結合。

1）基于模糊聚類的方法。

聚類是指將一個數(shù)據(jù)點集合中的各元素，以某種相似程度作為度量指標，分別指定不同的類別標號。模糊聚類的典型方法有模糊C-均值聚類（Fuzzy C-Means clustering，F(xiàn)CM）。FCM 是用隸屬度來確定每個數(shù)據(jù)點屬于某個聚類程度的一種聚類算法。FCM 是將n個數(shù)據(jù)向量分為c個模糊類，求得每組的聚類中心，并以相似性指標為目標函數(shù)，使之達到最小。FCM 與普通分類的區(qū)別就在于FCM 用模糊劃分，使得每個給定數(shù)據(jù)點用一個在［0，1］區(qū)間的隸屬函數(shù)來確定其屬于各個類的程度。也就是說，某一個數(shù)據(jù)點屬于某個類的程度值可以從0 到1 逐漸過渡，而不像以前那樣要么是0 要么是1。隸屬度矩陣U的元素在［0，1］上取值，與引入的模糊劃分相對應。一般而言，一個優(yōu)化的模糊劃分應具有盡可能大的類間分離度和盡可能小的類內緊致度。

謝濤等［14］研究了模糊模式識別技術在液體火箭發(fā)動機故障診斷中的應用，其使用最大隸屬度原則的模糊聚類方法，用以識別火箭發(fā)動機故障模式。Joentgen等［15］提出了一種基于改進型可能性C-均值聚類和故障向量理論的故障診斷方法，可以實現(xiàn)對在線檢測中出現(xiàn)的未知類型故障的診斷。此外，謝濤等［16］研究了一種基于模糊熵與方向相似度的液體火箭發(fā)動機故障檢測方法，通過試車數(shù)據(jù)模糊聚類中心矢量方向相似度的變化來檢測發(fā)動機系統(tǒng)的故障，并采用基于廣義模糊熵的模糊Koho?nen 聚類網(wǎng)絡作為滑動數(shù)據(jù)窗口上的聚類算法，從而提高了故障檢測算法對強干擾噪聲的魯棒性［17］。

2）基于模糊模型的方法。

基于模糊模型的故障檢測與診斷方法，其基本思想是：將研究對象看成一個黑箱，使用其歷史數(shù)據(jù)或其他知識，建立一個模糊辨識模型來模擬對象的系統(tǒng)輸入輸出關系，再將模型輸出與實際系統(tǒng)輸出相比較，以實現(xiàn)故障的檢測與診斷。

Takagi 和Sugeno 在1985年提出用數(shù)學工具建立系統(tǒng)的模糊模型，稱為T-S 模糊模型。盡管相比于人類主觀上的語言條款規(guī)則，T-S 模糊模型的直觀性下降，但其優(yōu)勢同樣也很明顯，主要包括：對于非線性系統(tǒng)，T-S 模糊模型可以在運行狀態(tài)點附近建立一個線性模型，局部逼近目標系統(tǒng)；在不同的系統(tǒng)運行區(qū)間，通過對運行狀態(tài)點定義不同的前提集，可以使T-S 模糊模型能夠全區(qū)間逼近目標系統(tǒng)。對此，Wang［18］于1992年首次給出了萬能逼近定理，證明了T-S 模糊系統(tǒng)能夠以任意精度逼近緊集上的連續(xù)實值函數(shù)。

T-S 模糊推理系統(tǒng)一般使用乘積推理機、單值模糊化、中心平均解模糊化和高斯隸屬度函數(shù)的方式來構造，其能夠以任意精度模擬一個確定的系統(tǒng)。在此基礎上，蔡開龍等［19］將基于T-S 模糊模型的故障診斷方法應用于航空發(fā)動機，以判定某渦扇發(fā)動機的健康狀況。劉鑫蕊［20］將模糊模型應用于非線性互聯(lián)大系統(tǒng)的H∞控制。Zheng等［21］和Lyu等［22］深入研究了T-S 模糊系統(tǒng)的魯棒穩(wěn)定性以及可靠控制問題，研究了幾類模糊系統(tǒng)的穩(wěn)定性及魯棒可靠控制問題。同時，模糊聚類對于模糊建模也有幫助。例如，Huang等［23］研究了一種新的基于模糊聚類快速建立知識模型的故障診斷方法。Palade等［24］將模糊聚類結合故障診斷模型，用于粗糙數(shù)據(jù)建模。

3）模糊理論與其他方法相結合。

由于基于模糊理論的方法易于利用專家的經(jīng)驗和知識，適用于難以建立精確數(shù)學模型的系統(tǒng)，而神經(jīng)網(wǎng)絡方法具有學習能力強等特點，并在知識的獲取、規(guī)則的學習以及模型的修正方面具有優(yōu)勢。因此，將模糊方法與神經(jīng)網(wǎng)絡、專家系統(tǒng)等方法相結合，可以發(fā)揮各種方法的優(yōu)勢，從而更有效地實現(xiàn)液體火箭發(fā)動機的故障檢測與診斷。

艾延廷［25］應用模糊數(shù)學為故障診斷專家系統(tǒng)建立診斷矩陣，確立故障征兆與故障成因間的隸屬關系，建立了火箭發(fā)動機的故障診斷專家系統(tǒng)。Wu［26］將模糊理論與支持向量機結合，提出基于模糊支持向量機的故障診斷方法，并對4 種典型的轉子故障進行了模擬與診斷。2015年，李吉成［27］研究了發(fā)動機剩余子系統(tǒng)基于模糊聚類與神經(jīng)網(wǎng)絡的建模方法，充分利用了聚類算法與神經(jīng)網(wǎng)絡算法的優(yōu)點，進一步提高了建模的精度，并依據(jù)所建模型，結合試車數(shù)據(jù)驗證了基于該模型的故障隔離方法。

綜合上文的分析可知，基于數(shù)據(jù)驅動的方法和基于人工智能的方法本質上都是不直接利用研究對象的數(shù)學模型，而是在一定程度上將研究對象作為一個黑箱來處理。這兩種方法的優(yōu)點在于計算的簡單性和對專家經(jīng)驗知識等表示的直觀性，但其強烈地依賴于數(shù)據(jù)信息和經(jīng)驗知識，而且對于超出專家系統(tǒng)規(guī)則庫或數(shù)據(jù)統(tǒng)計規(guī)律的未知故障類型或模式，容易出現(xiàn)誤檢或誤診。

2 液體火箭發(fā)動機健康監(jiān)控系統(tǒng)

從液體火箭發(fā)動機健康監(jiān)控技術誕生至今，全球主要航天國家都高度重視液體火箭發(fā)動機健康監(jiān)控系統(tǒng)的研究和開發(fā)。事實上，健康監(jiān)控系統(tǒng)已成為研制新型發(fā)動機和改進現(xiàn)有推進系統(tǒng)不可缺少的關鍵組成部分。圖1為液體火箭發(fā)動機健康監(jiān)控系統(tǒng)的功能框圖。

20 世紀70年代以來，為了降低SSME等液體火箭發(fā)動機故障的影響，提高航天飛行的可靠性與安全性，NASA 每年都會增加在健康監(jiān)控科研與項目管理財政預算方面的投入，并相繼研制了多個發(fā)動機健康監(jiān)控系統(tǒng)。近年來，在集成空間運輸計劃（Integrated Space Transportation Plan，ISTP）［28］的指導下，NASA 已在深入開展先進健康監(jiān)控技術的研究和系統(tǒng)的研制。

此外，俄羅斯針對RD-170 研制了健康監(jiān)測、壽命評估與預測系統(tǒng)［29］；德國在20 世紀90年代開發(fā)了基于模式識別的專家診斷系統(tǒng)［30］，用來對液體火箭發(fā)動機進行故障診斷；歐洲航天局在提出的未來運載火箭技術方案中，將發(fā)動機的健康監(jiān)控列為重要研究項目［31］；日本在H-2 液體火箭發(fā)動機的健康監(jiān)控方面加大了研發(fā)力度［32］。

美國在這方面的投入和取得的成績尤為顯著。圖2為美國進行液體火箭發(fā)動機健康監(jiān)控系統(tǒng)研究的發(fā)展歷程?？梢悦黠@看出，其發(fā)展歷程可以概括為“3 個階段，1 條主線”。

發(fā)動機健康監(jiān)控系統(tǒng)發(fā)展的“3 個階段”為：

1）初級階段。始于20 世紀70年代初，美國對Atlas、Titan等一次性使用的發(fā)動機進行關鍵參數(shù)上下限控制，開創(chuàng)了健康監(jiān)控技術在液體火箭發(fā)動機領域的應用先例。其中又以研制成功的SSME工作參數(shù)“紅線閾值檢測與報警”系統(tǒng)為代表。但該類系統(tǒng)方法相對較為簡單（使用固定的紅線閾值方法），功能也比較單一（只具有故障檢測功能）。

圖1 液體火箭發(fā)動機健康監(jiān)控系統(tǒng)功能框圖Fig.1 Functional block diagram of the health monitoring system of a liquid rocket engine

圖2 美國健康監(jiān)控系統(tǒng)發(fā)展歷程Fig.2 Development history of the health monitoring system of the United States of America

2）中級階段。以對上一階段系統(tǒng)功能的提升和工程實用化、方法性能的改進為目標，其代表是20 世紀80年代中期研制的用于SSME 地面試車監(jiān)控 的SAFD（System of Anomaly and Fault Detec?tion）系統(tǒng)。該系統(tǒng)顯著加強了紅線閾值監(jiān)控的檢測能力。

3）高級階段。在空間運載計劃和ISTP 指導下，美國相繼開展了多個先進健康監(jiān)控或健康管理系統(tǒng)的研究和開發(fā)，包括健康監(jiān)控系統(tǒng)（Health Monitoring System，HMS）、火箭發(fā)動機健康管理系統(tǒng)、集成健康監(jiān)控系統(tǒng)、智能控制系統(tǒng)（Intelligent Control System，ICS）、智能集成管理系統(tǒng)［33-34］等多種系統(tǒng)框架或方案。此外，還包括美國GENSYM公司多年來發(fā)展和不斷持續(xù)改進的火箭發(fā)動機實時診斷系統(tǒng)開發(fā)平臺G2等［35］。

貫穿液體火箭發(fā)動機健康監(jiān)控系統(tǒng)發(fā)展過程的“1 條主線”——集成化、平臺化、工程實用化，液體火箭發(fā)動機健康監(jiān)控系統(tǒng)的工程實用化毋庸置疑。健康監(jiān)控系統(tǒng)研制的最終目的就是應用到發(fā)動機的研制、試驗和實際運行中，發(fā)揮其提高發(fā)動機可靠性和安全性的最大效益。有關平臺化的問題，下文將結合典型健康監(jiān)控系統(tǒng)進行具體分析。液體火箭發(fā)動機健康監(jiān)控系統(tǒng)的集成化主要包含了3 個層次的含義：第1 個層次為功能的集成，包括集成故障檢測與隔離、故障預測與預報、壽命估計、維修計劃等諸多功能，使發(fā)動機健康監(jiān)控的內涵和功能進一步擴展，從單一的監(jiān)控向綜合健康管理邁進；第2 個層次為方法的集成，包括集成基于規(guī)則、基于統(tǒng)計、基于模型等方法，提高系統(tǒng)檢測與診斷的能力；第3 個層次為專用傳感測量與診斷技術的集成，如識別SSME 軸承和燃燒室等關鍵結構部件故障的羽流光譜技術、監(jiān)測渦輪葉片溫度分布及其健康情況的光學高溫測量技術等［36］。

下面以美國為例，結合其典型健康監(jiān)控系統(tǒng)進行分析。

1）RCS（Redline Cut-off System）。20 世紀70年代研制的紅線關機系統(tǒng)（RCS）［37-38］是液體火箭發(fā)動機健康監(jiān)控系統(tǒng)的應用先例。其能對SSME 高壓渦輪泵的5 個參數(shù)（高壓燃料渦輪泵出口溫度、高壓氧化劑渦輪泵出口溫度、高壓燃料渦輪泵冷卻劑入口溫度、高壓氧化劑渦輪泵介質密封吹除壓力、高壓氧化劑渦輪泵二級渦輪密封壓力）的紅線值進行實時監(jiān)控，且無需數(shù)學模型，計算量小。但該系統(tǒng)對傳感器的要求較高，不能及時準確檢測發(fā)動機工作過程中的早期故障和緩變故障，故障覆蓋面有限，魯棒性差，可靠性較低。

2）SAFD。20 世 紀80年代末期研制的SAFD［39］是早期發(fā)動機健康監(jiān)控系統(tǒng)的典型代表，其先進的設計理念一直為后續(xù)先進健康監(jiān)控系統(tǒng)的研制所借鑒。該系統(tǒng)的最大特點是初步體現(xiàn)了健康監(jiān)控系統(tǒng)集成化和平臺化的設計思想?；趯⒂布?、軟件平臺和算法操作平臺有效區(qū)分的系統(tǒng)架構設計，系統(tǒng)的擴展性、移植性和可用性都得到了很大程度的增強。其中軟件平臺主要完成對所有算法通用的功能，包括輸入/輸出、標定、時序安排、記錄、顯示和用戶接口等。算法操作平臺則有效集成了多種算法實現(xiàn)并行運行，并采用冗余設計和表決報警技術，提高了故障檢測能力。這樣，一方面系統(tǒng)底層的任意改動都對上層透明；另一方面系統(tǒng)無需進行軟件或硬件的改動就可以進行算法的升級或應用新的算法。但該系統(tǒng)僅適用于SSME穩(wěn)態(tài)工作過程，故障的覆蓋率、敏感度和魯棒性仍較低。

3）PTDS（Post Test Diagnostic System）。20世紀90年代初期研制的SSME 高壓氧化劑渦輪泵試車后故障診斷系統(tǒng)PTDS、1994年研制的應用于Atlas/Centaur中 的PTDS 和1998—2001年研制的應用于X-33 主推進系統(tǒng)的PTDS［28］，是液體火箭發(fā)動機健康監(jiān)控系統(tǒng)首個基于集成化和平臺化的思想實現(xiàn)系列化的重要代表。在集成化方面，該系統(tǒng)一方面集成了多種數(shù)據(jù)分析、傳感器驗證與重構方法，用于對發(fā)動機試車后的大量實驗數(shù)據(jù)進行分析，以確定發(fā)動機的運行狀態(tài)；另一方面，系統(tǒng)通過提供與眾多信息源的標準接口，有效集成數(shù)據(jù)處理和分析過程中所需要的大量數(shù)據(jù)信息、知識，自動完成發(fā)動機試驗后及飛行后的狀態(tài)檢測與診斷。在平臺化方面，該系統(tǒng)基于模塊化的分解設計思想，將系統(tǒng)4 大功能模塊（智能化知識系統(tǒng)、應用支持模塊、部件級分析模塊、對話/信息管理模塊）的各子模塊都分解為“核心通用模塊-特定發(fā)動機專用模塊”的組合，而且核心通用模塊可被繼承和復用。因而，該系統(tǒng)具有較強的通用性和擴展性，不僅可有效實現(xiàn)功能模塊的積木拼搭式組合和系統(tǒng)的快速組建，而且實現(xiàn)了與具體發(fā)動機對象的松耦合。

4）ICS。20 世紀90年代初期以來，LeRC 根據(jù)SSME 多年的試驗和使用經(jīng)驗所研制的ICS，實現(xiàn)了兩個方面的集成。在系統(tǒng)功能方面，ICS 實現(xiàn)了發(fā)動機多變量基本控制（推力、混合比、渦輪泵轉速、高壓渦輪燃氣溫度、高壓泵進口壓力）同故障檢測和診斷的有機集成。系統(tǒng)不僅可以完成發(fā)動機的故障檢測、診斷和基本控制功能，還可以預測發(fā)動機的壽命，給出維修計劃建議。在算法方面，ICS結合了基于模型、基于規(guī)則的故障檢測與診斷算法。但由于難以建立完善的發(fā)動機診斷模型和控制規(guī)則庫，因而該系統(tǒng)目前只能對故障模式、故障檢測與診斷算法、閉環(huán)多變量控制等進行仿真研究。

5）HMS。HMS 由聯(lián)合技術研究中心（UTRC）研制。該系統(tǒng)是液體火箭發(fā)動機健康監(jiān)控系統(tǒng)集成化、平臺化和工程實用化思想的真正集大成者。在平臺化方面，系統(tǒng)采用了層次化和模塊化的架構設計，通過將系統(tǒng)功能結構劃分為3 個層次、6 大模塊，實現(xiàn)層與層之間以及層內各模塊之間的松耦合和可組合性。HMS 是一個適應性和可擴展性都很強的健康監(jiān)控系統(tǒng)平臺，能快速有效適應SSME 結構的更改。系統(tǒng)的3 個層次包括底層傳感器信息處理、中間層故障檢測與診斷算法、頂層綜合決策，6大功能模塊分別為系統(tǒng)任務管理、健康監(jiān)控、試驗數(shù)據(jù)記錄、離線數(shù)據(jù)分析、數(shù)據(jù)庫管理和系統(tǒng)通信。在集成化方面，HMS 在系統(tǒng)功能結構各個層次均實現(xiàn)了與傳感器技術、故障檢測算法的有機綜合。在底層，系統(tǒng)有效集成了先進測量傳感器技術（包括羽流光譜儀、聲發(fā)射傳感器、光纖撓度計、光纖高溫計、激光振動傳感器等），及時詳細地獲取發(fā)動機渦輪泵、軸承等關鍵部件的健康狀態(tài)信息，有效檢測識別腐蝕、渦輪葉片與軸承磨損、泄漏等故障。在中間層，系統(tǒng)首先綜合運用非線性回歸、時間序列和聚類分析等多重故障檢測算法，對傳感器輸入信號進行計算，然后對各種算法的結果進行交叉檢查驗證，綜合評定發(fā)動機特定部件的健康情況。在頂層，系統(tǒng)則通過組合各部件的狀態(tài)來確定發(fā)動機的整體健康狀態(tài)，并作出是否關機的融合決策，減少誤報警率。在工程實用化方面，該系統(tǒng)在研制之初就制定了詳細的工程應用計劃，計劃5年內應用于地面試驗，隨后過渡到飛行系統(tǒng)。

6）先進健康管理系統(tǒng)（Advanced Health Man?agement System，AHMS）。AHMS 于2004年由波音-加州諾加帕克公司聯(lián)合MSFC 研制［35，40-41］。該系統(tǒng)基于開放式結構設計的箭載健康管理計算機集成了實時振動監(jiān)控RTVMS、光學羽流異常檢測和基于線性發(fā)動機模型的3 個實時故障檢測子系統(tǒng)，有效提高了SSME 發(fā)射、升空階段的可靠性和安全性。AHMS 不僅可以通過振動信號實時監(jiān)測高壓渦輪泵的狀態(tài)，而且可以通過調節(jié)發(fā)動機燃料、氧化劑的流量大小和混合比實現(xiàn)對發(fā)動機工作狀態(tài)的控制，算法的靈活性和可擴展性強。研究表明，針對Block II 型SSME 所研制開發(fā)的先進健康管理系統(tǒng)AHMS［40，42］，可以有效降低航天飛機的升空損失概率并提高航天任務的成功概率［35，43］，其在降低航天飛機升空損失概率方面的效果甚至優(yōu)于型號本身改進的效果，如圖3 所示。

圖3 AHMS 對航天運載器升空損失的影響Fig.3 Effects of the AHMS on the launch losses of space vehicles

圖4 和圖5 分別給出了AHMS 在SSME中的應用情況以及箭載健康管理計算機的功能結構。

圖4 AHMS 在SSME中的應用Fig.4 Application of the AHMS in the SSME

3 液體火箭推進系統(tǒng)健康監(jiān)控技術的演變趨勢

液體火箭發(fā)動機健康監(jiān)控技術有了明顯的進步，已經(jīng)在液體火箭發(fā)動機地面試車監(jiān)控、飛行過程監(jiān)控和事后健康評估方面得到了成功應用，但由于健康監(jiān)控涉及眾多復雜的技術問題，目前的科技水平尚不能完全解決這些問題，并且航天技術的進一步發(fā)展也對健康監(jiān)控系統(tǒng)提出了更高的要求。

從當前的研究進展、需要解決的問題以及需求來看，近期液體火箭發(fā)動機健康監(jiān)控技術的演變趨勢：1）提高故障檢測與診斷算法的快速性、可靠性；2）發(fā)展在硬件上不降低發(fā)動機固有可靠性的專用傳感器技術；3）故障檢測與診斷系統(tǒng)的自動化、局部通用化，健康監(jiān)控系統(tǒng)的集成化、智能化。

液體火箭發(fā)動機健康監(jiān)控技術是包括計算機技術、自動控制技術、人工智能技術、傳感器技術與發(fā)動機技術在內的多學科交叉的高新技術領域，隨著載人航天等一系列航天技術的發(fā)展與應用，液體火箭發(fā)動機健康監(jiān)控技術的研究與應用將具有越來越重要的意義。