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(tǒng)工程國家重點實驗室，陜西 西安 710049)

0 引言

航天技術的發(fā)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(jīng)濟的增長，也有利于國防安全的提升?；鸺l(fā)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(fā)射任務順利進行的重要保障。液體火箭發(fā)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(fā)展，導致發(fā)射失敗。液體火箭發(fā)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(fā)動機健康管理技術的發(fā)展，不少國家結(jié)合大數(shù)據(jù)、人工智能等前沿科技開展研究，并建立了各自的健康監(jiān)控系統(tǒng)。例如美國基于A—1試驗臺和J—2X火箭液體發(fā)動機，提出了集成系統(tǒng)健康管理的概念，實施健康管理的核心功能；日本開發(fā)并應用了火箭自動故障診斷技術，基本實現(xiàn)了快速測試發(fā)射能力。我國液體火箭發(fā)動機健康管理技術在近幾十年的發(fā)展過程中取得了令人矚目的成績，開發(fā)出了基于信號監(jiān)測的健康管理方法、基于專家系統(tǒng)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(yè)經(jīng)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(fā)動機健康狀態(tài)智能檢測技術水平急需提高。

數(shù)據(jù)驅(qū)動的方法是液體火箭發(fā)動機健康狀態(tài)檢測的重要技術手段。李雷等研究了基于數(shù)據(jù)驅(qū)動的火箭發(fā)動機異常檢測模型，通過非監(jiān)督學習對發(fā)動機不同參數(shù)間的正常關聯(lián)模型進行挖掘，實現(xiàn)對系統(tǒng)異常的評估。孫成志等提出了基于神經(jīng)網(wǎng)絡和證據(jù)理論的火箭發(fā)動機故障診斷方法，實現(xiàn)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(shù)氧泵轉(zhuǎn)速，實現(xiàn)了兩種不同型號氫氧發(fā)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(fā)動機的可靠性評估，將部件數(shù)據(jù)評估與整機數(shù)據(jù)評估融合，對發(fā)動機進行評估。然而，面向液體火箭發(fā)動機對多部件、多傳感器監(jiān)測數(shù)據(jù)，現(xiàn)有研究方法的信息融合和特征提取能力有限，對發(fā)動機狀態(tài)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(fā)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(shù)據(jù)級融合模塊和部件級融合模塊；對液體火箭發(fā)動機多傳感器監(jiān)測數(shù)據(jù)進行預處理，根據(jù)傳感器位置搭建相應的MTAE，并將各部件的監(jiān)測數(shù)據(jù)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(shù)據(jù)，基于模型重構(gòu)損失及提取特征確定發(fā)動機的健康范圍，在測試階段對其余正常機組數(shù)據(jù)及異常機組數(shù)據(jù)進行檢測，實驗結(jié)果表明，提出方法能夠?qū)σ后w火箭發(fā)動機的健康狀態(tài)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(shù)據(jù)進行降維和重構(gòu)，以實現(xiàn)無監(jiān)督的特征提取。

(1)

式中：

h

為隱含層結(jié)果；

H

為卷積核總數(shù)；

k

為卷積核序號；為編碼器的權(quán)重矩陣；為編碼器的偏置向量。解碼器對

h

進行重構(gòu)，過程表示為

(2)

(3)

2 基于卷積自編碼器的液體火箭發(fā)動機健康檢測方法

基于CDAE，本文提出基于MTAE的液體火箭發(fā)動機健康檢測方法，方法流程如圖1所示。MTAE網(wǎng)絡結(jié)構(gòu)如圖2所示，編碼器為多部件輸入，通過數(shù)據(jù)級融合和部件級融合，得到隱含層特征

y

；解碼器結(jié)構(gòu)與編碼器對稱，用于對多部件數(shù)據(jù)進行重構(gòu)。

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

圖2 MTAE網(wǎng)絡結(jié)構(gòu)圖Fig.2 Structure of the MTAE

MTAE的訓練目標函數(shù)設計為

(4)

經(jīng)過訓練和學習，MTAE可以實現(xiàn)對輸入數(shù)據(jù)的無監(jiān)督特征提取和重構(gòu)。基于MTAE的液體火箭發(fā)動機健康檢測方法主要從兩個角度出發(fā):①隱含層特征相對于健康狀態(tài)的偏離程度；②重構(gòu)誤差相對于健康狀態(tài)的偏離程度。

模型訓練完成后，基于訓練集數(shù)據(jù)對重構(gòu)誤差和隱含層特征進行統(tǒng)計，在某置信度條件下，計算健康狀態(tài)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(tǒng)計參數(shù)；

φ

為健康狀態(tài)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(shù)。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(gòu)誤差

L

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

(7)

3 某型號發(fā)動機試車數(shù)據(jù)分析

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

實驗數(shù)據(jù)為某型號液體火箭發(fā)動機的熱試車速變數(shù)據(jù)，該型號發(fā)動機結(jié)構(gòu)如圖3所示。

1-燃氣發(fā)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(fā)動機的主要結(jié)構(gòu)Fig.3 The main structures of the liquid rocket engine

共收集17組熱數(shù)車監(jiān)測數(shù)據(jù)，其中12組數(shù)據(jù)標簽為正常，5組數(shù)據(jù)標簽為異常，標簽是綜合熱試車過程監(jiān)測及熱試車后發(fā)動機檢查結(jié)果所確定的。本次實驗選取了18個傳感器監(jiān)測數(shù)據(jù)，主要包括推力室振動信號、燃氣發(fā)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(fā)動機穩(wěn)態(tài)運行階段的數(shù)據(jù)，并對每個傳感器的數(shù)據(jù)分別進行歸一化處理，過程如下

(8)

基于工程經(jīng)驗和數(shù)據(jù)分析需求，監(jiān)測數(shù)據(jù)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(shù)據(jù)，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(jiān)測數(shù)據(jù)且時間線相同，各傳感器監(jiān)測數(shù)據(jù)長度為連續(xù)的1 024個樣本點。前8組正常數(shù)據(jù)的采樣樣本作為訓練集，其余4組正常數(shù)據(jù)和5組異常數(shù)據(jù)的采樣樣本作為測試集。

模型結(jié)構(gòu)及參數(shù)如圖2所示，基于訓練集數(shù)據(jù)對模型進行訓練，訓練完成后，對重構(gòu)誤差和隱含層特征進行統(tǒng)計，在置信度為96%的條件下，統(tǒng)計兩參數(shù)健康狀態(tài)的中心和健康檢測閾值為:[

φ

(重構(gòu)),

η

(重構(gòu),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(tǒng)計和評估，結(jié)果如表1所示。經(jīng)統(tǒng)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(jié)果統(tǒng)計和評估

訓練集結(jié)果如圖4和圖5所示，測試集No.3、No.4、No.5、No.6的結(jié)果，如圖6和圖7所示。No.3的重構(gòu)誤差及隱含層特征均處于健康范圍內(nèi)，且狀態(tài)穩(wěn)定；No.4初期為健康狀態(tài)，在120 s左右開始，重構(gòu)誤差及隱含層特征逐漸發(fā)展至異常范圍；No.5初期為異常狀態(tài)，其重構(gòu)誤差穩(wěn)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(fā)展至正常范圍；No.6的重構(gòu)誤差呈上升趨勢，且由健康狀態(tài)緩慢發(fā)展為異常狀態(tài)，而隱含層特征變化趨勢分兩階段，由健康范圍逐漸上升發(fā)展至異常范圍，然后逐漸下降至正常范圍。

圖4 訓練集重構(gòu)誤差及統(tǒng)計(置信度96%)， 健康狀態(tài)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(tǒng)計(置信度 96%)，健康狀態(tài)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(gòu)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(shù)據(jù)分析，結(jié)果表明，基于MTAE得到的重構(gòu)誤差及隱含層特征取值能較好的反映出機組的健康狀態(tài)，且兩者的信息能夠互相補充，互為支撐。其中重構(gòu)誤差的取值具有較明顯的上升趨勢或突變現(xiàn)象，能夠更好的反映出機組的健康退化過程和機組的狀態(tài)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(tài)。

基于訓練集及訓練模型，對各部件的重構(gòu)損失進行計算和統(tǒng)計，其健康狀態(tài)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(fā)生器),

η

(發(fā)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(jié)果如表2所示，基于該結(jié)果可以進一步確定發(fā)動機具體的異常部件。結(jié)果顯示整體識別未異常的機組，其某些部件仍為健康狀態(tài)。

表2 測試集結(jié)果統(tǒng)計和評估

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

4 結(jié)論

本文提出的基于卷積自編碼器的液體火箭發(fā)動機健康檢測方法，能夠?qū)σ后w火箭發(fā)動機的健康狀態(tài)進行準確的檢測和識別，并可以進一步確定造成發(fā)動機異常的具體部件。基于熱試車數(shù)據(jù)和實驗驗證了提出方法的有效性，結(jié)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(fā)動機的健康狀態(tài)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(fā)動機狀態(tài)的實時監(jiān)測開展進一步研究。