李寧寧,武小平,薛 薇,胡 慧,徐志強(qiáng)

(北京航天動(dòng)力研究所，北京 100076)

0 引言

隨著航天技術(shù)的快速發(fā)展，使得液體火箭推進(jìn)系統(tǒng)作為主要?jiǎng)恿ρb置的運(yùn)載火箭變得更加復(fù)雜。運(yùn)載火箭由一系列彈道導(dǎo)彈而衍生，并隨著大國(guó)間的軍備競(jìng)爭(zhēng)而獨(dú)立發(fā)展，運(yùn)載火箭的發(fā)動(dòng)機(jī)性能和技術(shù)水平直接決定運(yùn)載火箭的效能，影響一個(gè)國(guó)家進(jìn)出、探索、利用和開發(fā)空間的能力和水平，“航天發(fā)展，動(dòng)力先行”是航天發(fā)展的健康保障，是國(guó)家安全和大國(guó)地位的重要戰(zhàn)略保障。但是，運(yùn)載火箭的發(fā)動(dòng)機(jī)技術(shù)復(fù)雜度高、難度大，同時(shí)要求滿足大推力、高比沖、高推重比、高可靠、低成本等相互矛盾的指標(biāo)，在惡劣空間環(huán)境長(zhǎng)時(shí)間運(yùn)行、承受較大的振動(dòng)和沖擊載荷等特點(diǎn)[1]，使其成為運(yùn)載火箭系統(tǒng)故障的敏感多發(fā)部位[2-4]。1957—2007年全球火箭失利統(tǒng)計(jì)顯示，發(fā)動(dòng)機(jī)故障約占51%。航天器動(dòng)力系統(tǒng)即使發(fā)生輕微的故障，都有可能迅速擴(kuò)大，輕則造成航天任務(wù)的失敗和國(guó)家財(cái)產(chǎn)的損失，重則導(dǎo)致箭毀人亡的災(zāi)難性危害。目前運(yùn)載火箭發(fā)動(dòng)機(jī)特征主要是無毒化、高性能基礎(chǔ)基大推力的特點(diǎn)，液氧液氫發(fā)動(dòng)機(jī)性能高，目前被廣泛應(yīng)用到我國(guó)的YF-77、YF-75、YF-75D，日本LE-9，歐洲的Vulcain-2、Viking V，美國(guó)的J-2(Saturb-5)、RL-10(Saturn-111B)、SSME、RS-68等典型型號(hào)。

為了保證運(yùn)載火箭發(fā)射及成功的可靠性標(biāo)準(zhǔn)要求，提高運(yùn)載火箭的安全性和經(jīng)濟(jì)型，不僅要在研制及生產(chǎn)過程中對(duì)部件級(jí)產(chǎn)品和整臺(tái)發(fā)動(dòng)機(jī)可靠性的嚴(yán)格控制、監(jiān)測(cè)和試驗(yàn)驗(yàn)證外，而且在運(yùn)載火箭的試車過程中很大程度地依靠故障診斷與健康管理技術(shù)。一些航天強(qiáng)國(guó)對(duì)運(yùn)載火箭故障診斷與健康管理技術(shù)開展了相關(guān)的理論研究，對(duì)發(fā)動(dòng)機(jī)運(yùn)行情況進(jìn)行了故障檢測(cè)、隔離和控制，并根據(jù)不同類型的發(fā)動(dòng)機(jī)建立了相應(yīng)的健康管理系統(tǒng)[5-7]。例如美國(guó)基于A-1試驗(yàn)臺(tái)和J-2X航天運(yùn)載火箭發(fā)動(dòng)機(jī)為研究目標(biāo)，主要研究液體火箭發(fā)動(dòng)機(jī)試驗(yàn)中故障診斷與健康管理技術(shù)的內(nèi)容，并根據(jù)研究?jī)?nèi)容相應(yīng)提出了發(fā)動(dòng)機(jī)的集成系統(tǒng)健康管理的概念[8]。同時(shí)，基于BlockⅡ型航天飛機(jī)主發(fā)動(dòng)機(jī)(SSME, space shuttle main engine)，美國(guó)的研發(fā)團(tuán)隊(duì)將健康監(jiān)測(cè)系統(tǒng)多次搭載發(fā)動(dòng)機(jī)試車試驗(yàn)進(jìn)行驗(yàn)證和系統(tǒng)的改進(jìn)，成功地開發(fā)了先進(jìn)的健康管理系統(tǒng)[9], 對(duì)該系統(tǒng)運(yùn)用到SSME的歷次發(fā)射任務(wù)進(jìn)行了統(tǒng)計(jì)，結(jié)果顯示航天運(yùn)載火箭的任務(wù)與之前相比失敗率降低了四分之一，使得航天運(yùn)載任務(wù)的成功完成率升高了三倍[10]。

針對(duì)液體火箭發(fā)動(dòng)機(jī)的健康管理技術(shù)主要由3個(gè)部分組成，分別是故障檢測(cè)、故障診斷以及故障控制。故障檢測(cè)對(duì)任何一個(gè)實(shí)際系統(tǒng)而言是絕對(duì)要完成任務(wù)，是根據(jù)發(fā)動(dòng)機(jī)試車過程中，通過傳感器采集能夠反映發(fā)動(dòng)機(jī)試車過程狀態(tài)的有效數(shù)據(jù)，同時(shí)將數(shù)據(jù)經(jīng)過一定的處理后，根據(jù)正常發(fā)動(dòng)機(jī)試車的有效數(shù)據(jù)閾值，判斷發(fā)動(dòng)機(jī)工作是否異常做出判斷。針對(duì)液體火箭發(fā)動(dòng)機(jī)故障檢測(cè)的性能、可靠性和可實(shí)現(xiàn)性等問題，還需要考慮其檢測(cè)率、及時(shí)性和實(shí)時(shí)性等主要指標(biāo)。

遺傳算法(GA，genetic algorithm)是應(yīng)用達(dá)爾文的自然進(jìn)化論中的選擇和變異的原理，仿照自然生物進(jìn)化過程進(jìn)行模擬建立的計(jì)算機(jī)模型，同時(shí)是一種根據(jù)計(jì)算機(jī)模擬的自然進(jìn)化歷程來實(shí)現(xiàn)對(duì)最優(yōu)解的進(jìn)行尋找的方法，也是對(duì)某一范圍內(nèi)散點(diǎn)分布搜尋的較優(yōu)方式，具有較好的全局尋優(yōu)能力[11]。但是，針對(duì)問題在局部搜索最優(yōu)解中遺傳算法的尋優(yōu)能力較弱，直接使得神經(jīng)網(wǎng)絡(luò)在模型的訓(xùn)練能力上達(dá)不到比較高的計(jì)算精度，這一缺陷需要借助神經(jīng)網(wǎng)絡(luò)彌補(bǔ)這一缺陷[12]。

目前國(guó)內(nèi)針對(duì)液體火箭發(fā)動(dòng)機(jī)健康管理技術(shù)的應(yīng)用和研究均處于初始階段，主要利用以關(guān)鍵參數(shù)為基礎(chǔ)的紅線閾值關(guān)機(jī)系統(tǒng)，這種系統(tǒng)的故障覆蓋面有限，實(shí)際應(yīng)用中偶爾會(huì)出現(xiàn)故障的虛警或漏警現(xiàn)象[13]?；跁r(shí)間序列分析方法，設(shè)計(jì)了ARMA模型的實(shí)時(shí)故障仿真系統(tǒng)，對(duì)液體火箭發(fā)動(dòng)機(jī)典型故障進(jìn)行了仿真測(cè)試[14]，促進(jìn)了液體火箭發(fā)動(dòng)機(jī)健康管理系統(tǒng)正朝著自動(dòng)化、智能化、綜合化程度不斷提高的方向演變和發(fā)展。本文基于某型號(hào)發(fā)動(dòng)機(jī)試車試驗(yàn)獲取的樣本數(shù)據(jù)，建立遺傳算法和神經(jīng)網(wǎng)絡(luò)相融合的故障檢測(cè)模型，通過兩種算法的相互優(yōu)化有效提高診斷的準(zhǔn)確率，提高故障診斷系統(tǒng)的魯棒性，為液體火箭發(fā)動(dòng)機(jī)的故障檢測(cè)提供技術(shù)方法。

1 GA-BP優(yōu)化模型

1.1 遺傳算法

遺傳算法是一種經(jīng)典的啟發(fā)式算法，是一種通過模擬自然進(jìn)化過程搜索最優(yōu)解的方法，是將問題的求解表示成“染色體”進(jìn)化的過程。遺傳算法的搜索最優(yōu)解是從研究目標(biāo)可能潛在的解集的一個(gè)種群開始，而研究的種群是根據(jù)二進(jìn)制編碼組成一定數(shù)量的基因組成，其中遺傳算法求解的特定集合稱為“種群”，根據(jù)建立的群體映射到目標(biāo)問題的“環(huán)境“，在群體中依據(jù)每個(gè)個(gè)體(染色體)的優(yōu)劣由適應(yīng)度函數(shù)決定是否進(jìn)行復(fù)制，即再生，然后通過交叉、個(gè)體變異等操作方式，生成新的一代更適應(yīng)環(huán)境的群體，每一代群體經(jīng)過一定次數(shù)的循環(huán)進(jìn)化，最終該算法能夠收斂到一個(gè)最適應(yīng)環(huán)境的個(gè)體上，該個(gè)體就是問題所需要的最優(yōu)解。本質(zhì)就是一個(gè)在解空間中不斷進(jìn)行隨機(jī)搜索的算法，在搜索過程中不斷地產(chǎn)生新的解，并保留更優(yōu)的解。

遺傳算法經(jīng)過個(gè)體的編碼、初始群體的設(shè)定、適應(yīng)度函數(shù)的設(shè)計(jì)、算法控制參數(shù)的設(shè)定和約束條件的處理等幾個(gè)操作，對(duì)算法的主要參數(shù)進(jìn)行優(yōu)化。

1)個(gè)體的編碼:在研究過程中常使用經(jīng)典的二進(jìn)制編碼方式對(duì)遺傳算法個(gè)體進(jìn)行初始化，個(gè)體的二進(jìn)制編碼符號(hào)是用二進(jìn)制符號(hào)0和1組成。

2)操作選擇:在遺傳算法中對(duì)個(gè)體進(jìn)行操作選擇的操作又稱為個(gè)體的復(fù)制。遺傳算法對(duì)群體中的個(gè)體選擇是由每個(gè)個(gè)體的適應(yīng)度值進(jìn)行判斷，如果所選擇的個(gè)體計(jì)算的適應(yīng)度值較大，則該個(gè)體被遺傳到新的一代群體中有較大的機(jī)會(huì)；否則，改個(gè)體被遺傳到新一代群體的機(jī)會(huì)較小。

3)選擇交叉:選擇交叉的目的是交換個(gè)體間的基因，從而在群體中產(chǎn)生新的個(gè)體或物種，使的算法在尋優(yōu)過程中避免陷入局部最優(yōu)解的局面。

4)變異算子:變異算子的目的是為了增加群體中個(gè)體之間的多樣性，避免算法在尋優(yōu)過程中較早的收斂，沒有搜索到最優(yōu)解。

群體中變異算子的操作在遺傳算法中是一種隨機(jī)操作，同時(shí)在算法中與操作選擇和選擇交叉算子相結(jié)合，可以防止由于選擇和交叉運(yùn)算而造成的個(gè)體的某些信息丟失，從而能夠確保遺傳算法的有效性。運(yùn)用遺傳算法對(duì)問題進(jìn)行尋優(yōu)過程的關(guān)鍵主要包括全局搜索和局部搜索。其中交叉選擇產(chǎn)生種群的新個(gè)體，進(jìn)而影響算法的全局搜索能力；而變異算子能夠輔助生成新的個(gè)體方法，進(jìn)而影響算法的局部搜索能力。

5)適應(yīng)度函數(shù):遺傳算法中的適應(yīng)度函數(shù)的選取好壞能夠影響該算法的進(jìn)化過程，直接影響著問題最終尋優(yōu)結(jié)果側(cè)優(yōu)良程度。適應(yīng)度函數(shù)值的大小用來度量個(gè)體在優(yōu)化計(jì)算中能達(dá)到或接近于或有助于找到最優(yōu)解的優(yōu)良程度。

6)遺傳算法參數(shù)設(shè)置:遺傳算法參數(shù)的設(shè)置對(duì)該算法的尋優(yōu)性能和搜索效率有直接的影響。主要控制參數(shù)如下：

(1) 個(gè)體中基因編碼長(zhǎng)度：群體中的各個(gè)個(gè)體使用二進(jìn)制進(jìn)行編碼時(shí)，對(duì)個(gè)體的編碼長(zhǎng)度與問題在“環(huán)境”中尋優(yōu)的精度有關(guān)。

(2) 種群的個(gè)體總量：若對(duì)群體中的個(gè)體數(shù)量較大，在尋優(yōu)過程中能夠增加大量的模式，防止成熟前收斂；然而，較多的群體數(shù)量增加了算法在尋優(yōu)過程的計(jì)算量，使得算法的收斂速度放緩。

(3) 交叉概率：選擇交叉操作概率較多可以加速群體中產(chǎn)生新的個(gè)體，但使擁有高適應(yīng)度值的個(gè)體不能被留存，而交叉操作概率較低使得整個(gè)搜索過程放緩。因此，本文在選擇交叉概率的取值范圍為0.4～0.99。

(4) 變異概率：遺傳算法中變異概率的選擇直接影響著基因變異的頻率。如果設(shè)置較大，該算法的尋優(yōu)過程變?yōu)殡S機(jī)搜索；如果設(shè)置較小，該算法中的群體申城新個(gè)體和抑制早熟現(xiàn)象的能力將會(huì)變差，一般的取值范圍是 0.000 1～0.1。

(5) 終止代數(shù)：遺傳算法尋優(yōu)過程達(dá)到終止代數(shù)后將停止搜索“環(huán)境”中的最優(yōu)解，同時(shí)把當(dāng)前群體中的最優(yōu)個(gè)體作為所求問題的最優(yōu)解輸出。一般的取值范圍是 100～1 000。

1.2 BP算法

BP神經(jīng)網(wǎng)絡(luò)是基于梯度下降的誤差函數(shù)優(yōu)化，分別有3種不同的網(wǎng)絡(luò)層結(jié)構(gòu)組成，BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖如圖1所示，其中最左邊為輸入層，最右邊是輸出層，中間部分為隱含層，隱含層可以有多個(gè)。有數(shù)量不同的神經(jīng)元構(gòu)成每層的結(jié)構(gòu)，同時(shí)不同層的神經(jīng)元相互連接，經(jīng)過一個(gè)激活函數(shù)形成本層輸出，但同層的神經(jīng)元之間相互獨(dú)立，通過這種輸?shù)捷敵瞿Ｊ接成潢P(guān)系構(gòu)建的網(wǎng)絡(luò)結(jié)構(gòu)，能夠?qū)W習(xí)和存儲(chǔ)大量的信息。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)在正向傳播輸入信息，實(shí)現(xiàn)分類功能。輸入層節(jié)點(diǎn)數(shù)據(jù)通過設(shè)定的學(xué)習(xí)函數(shù)之后，在隱含層中逐層傳播信號(hào)，同時(shí)不同層神經(jīng)元狀態(tài)由前一層神經(jīng)元作用而變化，同時(shí)構(gòu)建的模型得到的結(jié)果與期望值相互比較，獲得之間的差值，若得到的誤差精度較大，則該模型進(jìn)行反向傳播，按照預(yù)測(cè)值與期望值之間的誤差修改各層神經(jīng)元之間的連接權(quán)值。對(duì)構(gòu)建的模型經(jīng)過多次迭代后，得到BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練出的結(jié)果與期望值比較接近，使其滿足設(shè)定誤差精度后停止迭代。

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的輸入層和輸出層的節(jié)點(diǎn)個(gè)數(shù)是固定的，分別是輸入樣本的變量個(gè)數(shù)和輸出層的標(biāo)簽個(gè)數(shù)，但隱含層的節(jié)點(diǎn)個(gè)數(shù)是不固定的，隱含層節(jié)點(diǎn)個(gè)數(shù)的設(shè)定對(duì)構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的精度也有這比較關(guān)鍵的作用。如果設(shè)定的隱含層的節(jié)點(diǎn)個(gè)數(shù)太少，構(gòu)建的神經(jīng)網(wǎng)絡(luò)模型可能達(dá)不到設(shè)定精度；如果設(shè)定的節(jié)點(diǎn)個(gè)數(shù)太多，構(gòu)建的模型在訓(xùn)練過程中容易導(dǎo)致過擬合。借鑒一些模型訓(xùn)練的經(jīng)驗(yàn)，選用經(jīng)驗(yàn)公式(1)，設(shè)定隱含層節(jié)點(diǎn)個(gè)數(shù)。

l=2n+1

(1)

其中:n為輸入層節(jié)點(diǎn)數(shù)；m為輸出層節(jié)點(diǎn)數(shù)；l為隱含層節(jié)點(diǎn)數(shù)。在實(shí)際確定BP網(wǎng)絡(luò)拓?fù)鋾r(shí)，一般先采用經(jīng)驗(yàn)公式估算隱含層節(jié)點(diǎn)數(shù)大致范圍，再通過實(shí)驗(yàn)確定最佳的網(wǎng)絡(luò)拓?fù)洹?/p>

BP神經(jīng)網(wǎng)絡(luò)在健康管理方面得到了廣泛的應(yīng)用，在液體火箭發(fā)動(dòng)機(jī)故障檢測(cè)與診斷中也取得了一定成就，例如丁偉程等和黃強(qiáng)等基于 BP神經(jīng)網(wǎng)絡(luò)對(duì)某型號(hào)液體火箭發(fā)動(dòng)機(jī)的故障檢方面做了一些研究成果。但是BP神經(jīng)網(wǎng)絡(luò)在某些方面也存在著一些不足：

1) 學(xué)習(xí)收斂速度太慢;

2) 網(wǎng)絡(luò)的學(xué)習(xí)、記憶具有不穩(wěn)定性；

3) 易陷入局部極小值。BP一般采用梯度下降法實(shí)現(xiàn)反饋，不同的起始點(diǎn)可能導(dǎo)致不同的極小值，導(dǎo)致不能尋優(yōu)至最優(yōu)解。

2 GA-BP在液體火箭發(fā)動(dòng)機(jī)故障檢測(cè)中的應(yīng)用

液體火箭發(fā)動(dòng)機(jī)是航天運(yùn)載器故障多發(fā)部位，其故障發(fā)展迅速，早期特征微弱難檢測(cè)；故障模式多樣，樣本小，模擬試驗(yàn)難開展；工況多變，運(yùn)行測(cè)試數(shù)據(jù)分布差異性大，檢測(cè)信號(hào)強(qiáng)非平穩(wěn)、強(qiáng)干擾。但是發(fā)動(dòng)機(jī)的故障一般都可以通過相關(guān)聯(lián)的參數(shù)能夠反映[15-18]。液體火箭發(fā)動(dòng)機(jī)的工作過程機(jī)理復(fù)雜，有效預(yù)示和控制難度大，其復(fù)雜性主要是由于啟動(dòng)器、閥門開啟的非線性動(dòng)態(tài)特性以及發(fā)動(dòng)機(jī)過渡過程系統(tǒng)沖擊震蕩、組件多場(chǎng)耦合(燃燒不穩(wěn)定、流致振動(dòng)等)等造成的。針對(duì)大部分非線性系統(tǒng)可以選用單隱層的三層BP網(wǎng)絡(luò)實(shí)現(xiàn)其映射，本文在對(duì)大推力補(bǔ)燃發(fā)動(dòng)機(jī)的工作過程進(jìn)行模型辨識(shí)中，采用三層網(wǎng)絡(luò)結(jié)構(gòu)。

2.1 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

實(shí)現(xiàn)遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，首先對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行初始化，然后用遺傳算法對(duì)BP網(wǎng)絡(luò)中的連接權(quán)值和閾值編碼，確定適應(yīng)度函數(shù)以得到誤差較小的網(wǎng)絡(luò)，最后采用選擇、交叉和變異等遺傳算子進(jìn)行操作。遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，并對(duì)液體火箭發(fā)動(dòng)機(jī)點(diǎn)火試驗(yàn)數(shù)據(jù)進(jìn)行故障檢測(cè)的操作步驟如圖2所示。

圖2 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

在GA-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練故障檢測(cè)模型中，遺傳算法的主要步驟為個(gè)體的編碼、初、制參數(shù)的設(shè)定和約束條件的處理等。

染色體編碼：在GA-BP神經(jīng)網(wǎng)絡(luò)故障檢測(cè)模型中，選擇故障模型中待優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值組合組合為群體中相應(yīng)的個(gè)體，并將個(gè)體通過二進(jìn)制進(jìn)行編碼。遺傳算法群體中的個(gè)體編碼長(zhǎng)度是按照BP神經(jīng)網(wǎng)絡(luò)中各層所含神經(jīng)元個(gè)數(shù)決定。因此，假設(shè)BP神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)為S，其中，隱含層神經(jīng)元個(gè)數(shù)為P1，輸出層神經(jīng)元個(gè)數(shù)P2，則編碼長(zhǎng)度P=S*P1+P1+P1*P2+P2，本文設(shè)定輸入層神經(jīng)元數(shù)為10，隱含層神經(jīng)元設(shè)定為21，輸出層神經(jīng)元個(gè)數(shù)為1。

適應(yīng)度函數(shù)的確定：適應(yīng)度函數(shù)是由樣本數(shù)據(jù)對(duì)種群個(gè)體訓(xùn)練所得的學(xué)習(xí)誤差確定的，學(xué)習(xí)誤差公式如下：

(2)

其中:i為染色體個(gè)數(shù)，m為輸出節(jié)點(diǎn)數(shù)，n為訓(xùn)練樣本數(shù)。

BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練要求是實(shí)際輸出與期望輸出的誤差平方和最小，遺傳算法的適應(yīng)度函數(shù)可以用實(shí)際輸出值與期望輸出值之間的誤差平方和的倒數(shù)來表示，即：

f(i)=1/E(i)

(3)

2.2 液體火箭發(fā)動(dòng)機(jī)系統(tǒng)組成結(jié)構(gòu)及其選取變量參數(shù)

大推力液氫液氧補(bǔ)燃發(fā)動(dòng)機(jī)主要是由推力室、渦輪泵、預(yù)燃室、各種調(diào)節(jié)閥門，以及機(jī)架、導(dǎo)管、支撐件等總體裝備要求的直屬單元組成[19-22]。圖3為某類型液氫液氧發(fā)動(dòng)機(jī)的系統(tǒng)簡(jiǎn)圖，在發(fā)動(dòng)機(jī)工作過程中執(zhí)行機(jī)構(gòu)帶動(dòng)5個(gè)閥門，分別是氧主閥(MOV)、氫主閥(MFV)、冷卻閥、氧預(yù)燃氧閥(OPOV)、氫預(yù)燃氧閥(FPOV)，通過調(diào)節(jié)燃料的流量，控制發(fā)動(dòng)機(jī)的推力大小。

圖3 某型號(hào)發(fā)動(dòng)機(jī)系統(tǒng)簡(jiǎn)圖

為了充分挖掘發(fā)動(dòng)機(jī)多源物理信息的因果和映射關(guān)系，根據(jù)故障診斷系統(tǒng)搭載試驗(yàn)采集的測(cè)量參數(shù)，從中選取部分特征參數(shù)作為訓(xùn)練數(shù)據(jù)，如表1所示。同時(shí)選用同車次不同時(shí)間的搭載試驗(yàn)作為測(cè)試樣本變量數(shù)據(jù)。

表1 基于GA-BP算法故障診斷模型的變量參數(shù)

2.3 樣本選取預(yù)處理

設(shè)定GA-BP模型的訓(xùn)練條件后，若訓(xùn)練樣本集較大，則故障檢測(cè)模型的準(zhǔn)確度就越高，訓(xùn)練樣本集的選擇必須包含液體火箭發(fā)動(dòng)機(jī)比較典型的樣本，即要求訓(xùn)練樣本集的完整性較高。為了提高系統(tǒng)的診斷能力，選擇學(xué)習(xí)樣本時(shí)，應(yīng)該選擇一些具有代表性的邊界樣本，這樣才有利于訓(xùn)練樣本在上下邊界之間能夠均勻分布，避免訓(xùn)練樣本集在上下邊界之間出現(xiàn)較大的空缺，即樣本不具有完整性，導(dǎo)致訓(xùn)練后的故障檢測(cè)模型不具備完整的檢測(cè)能力。

目前，液體火箭發(fā)動(dòng)機(jī)故障檢測(cè)與診斷方法所能利用的信息，大致可以分為兩種類型。一種是有傳感器直接測(cè)量輸出的原始信號(hào)，主要包括流量、壓力、轉(zhuǎn)速等狀態(tài)參數(shù)；振動(dòng)頻率、振型等物理參數(shù)；剛度、阻尼等結(jié)構(gòu)參數(shù)。另一種類型是在傳感器測(cè)量輸出信號(hào)基礎(chǔ)上，經(jīng)過計(jì)算處理、加工提煉而形成的導(dǎo)出信號(hào)或知識(shí)。

2.3.1 數(shù)據(jù)處理

構(gòu)建基于遺傳算法的大推力氫氧補(bǔ)燃發(fā)動(dòng)機(jī)故障檢測(cè)模型，其中傳遞函數(shù)的選取及訓(xùn)練在故障檢測(cè)模型中占有比較關(guān)鍵的作用，同時(shí)選取的變量參數(shù)具有不同評(píng)價(jià)指標(biāo)，為了解決數(shù)據(jù)指標(biāo)之間的量綱影響，需要對(duì)選擇的信息數(shù)據(jù)進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理。因此對(duì)發(fā)動(dòng)機(jī)的故障檢測(cè)模型中必須要對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，使其指標(biāo)處于同一數(shù)量級(jí)，對(duì)原始變量參數(shù)進(jìn)行預(yù)處理的數(shù)據(jù)被限定在一定范圍內(nèi)。本文使用歸一化方法對(duì)選取的變量參數(shù)數(shù)據(jù)限定在[0,1]，使用公式(4)進(jìn)行處理：

(4)

其中:xid表示經(jīng)過歸一化后第i個(gè)特征參數(shù)；xi表示原始第i個(gè)特征參數(shù)；xmin表示第i個(gè)特征參數(shù)中的最小值；xmax表示第i個(gè)特征參數(shù)中的最大值。

2.3.2 訓(xùn)練樣本選取

液體火箭發(fā)動(dòng)機(jī)系統(tǒng)和結(jié)構(gòu)復(fù)雜度高，部件級(jí)耦合性強(qiáng)。因此，選取的變量參數(shù)數(shù)據(jù)對(duì)液體火箭發(fā)動(dòng)機(jī)故障檢測(cè)模型的構(gòu)建具有重要的作用。在故障檢測(cè)模型訓(xùn)練過程中，如果選用的樣本變量參數(shù)比較合適，則GA-BP構(gòu)建的網(wǎng)絡(luò)結(jié)構(gòu)比較優(yōu)化，使得訓(xùn)練過程運(yùn)用的時(shí)間比較短，得到的故障檢測(cè)模型具有較好準(zhǔn)確定。

選取正常試車數(shù)據(jù)中比較平穩(wěn)的第一次搭載試驗(yàn)獲作為訓(xùn)練樣本來源，取第二次搭載試驗(yàn)包含有故障數(shù)據(jù)作為檢測(cè)樣本。其中，搭載試驗(yàn)過程中包含起動(dòng)過程和穩(wěn)態(tài)過程，采樣周期為0.005 s。

2.4 仿真結(jié)果分析

選取表1中的10個(gè)變量參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入向量，1個(gè)變量參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸出向量。故障檢測(cè)的閾值設(shè)定為以往歷史經(jīng)驗(yàn)獲得。選擇第一次搭載試驗(yàn)數(shù)據(jù)作為訓(xùn)練樣本，運(yùn)用GA-BP神經(jīng)網(wǎng)絡(luò)算法對(duì)訓(xùn)練數(shù)據(jù)的實(shí)際值與預(yù)測(cè)值變化曲線如圖4所示。

圖4 訓(xùn)練樣本預(yù)測(cè)與實(shí)際值對(duì)比

選擇第二次搭載試驗(yàn)數(shù)據(jù)作為測(cè)試樣本，其中該試驗(yàn)數(shù)據(jù)中含有故障數(shù)據(jù)，運(yùn)用GA-BP神經(jīng)網(wǎng)絡(luò)算法對(duì)測(cè)試樣本數(shù)據(jù)進(jìn)行故障檢測(cè)如圖5所示，預(yù)測(cè)與實(shí)際值變換曲線如圖6所示。

圖5 GA-BP神經(jīng)網(wǎng)絡(luò)測(cè)試樣本故障檢測(cè)

圖6 GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)與實(shí)際值對(duì)比

經(jīng)傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)算法對(duì)測(cè)試樣本數(shù)據(jù)進(jìn)行故障檢測(cè)如圖7示。

圖7 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)與實(shí)際值對(duì)比

比較圖5、圖7可知，未優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)故障檢測(cè)存在漏檢的現(xiàn)象。從圖5與圖6可知，經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)能夠檢測(cè)出故障，為大推力補(bǔ)燃發(fā)動(dòng)機(jī)提供了一種新的故障檢測(cè)方法。

3 結(jié)束語

本文重點(diǎn)針對(duì)新一代大推力氫氧補(bǔ)燃循環(huán)液體火箭發(fā)動(dòng)機(jī)過程過程進(jìn)行了故障檢測(cè)算法設(shè)計(jì)，利用故障診斷系統(tǒng)搭載試驗(yàn)獲取的樣本數(shù)據(jù)建立GA-BP神經(jīng)網(wǎng)絡(luò)故障檢測(cè)模型，并通過仿真分析驗(yàn)證了算法的有效性。首先，針對(duì)液體火箭發(fā)動(dòng)機(jī)系統(tǒng)的非線性特點(diǎn)，確定了BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，包含輸入輸出層神經(jīng)元個(gè)數(shù)的確定、隱含層數(shù)的確定、隱含層神經(jīng)元個(gè)數(shù)的確定等關(guān)鍵步驟；其次，設(shè)計(jì)了針對(duì)BP神經(jīng)網(wǎng)絡(luò)容易受到局部極小點(diǎn)的缺點(diǎn)，用遺傳算法來優(yōu)化BP網(wǎng)絡(luò)；最后，根據(jù)GA-BP神經(jīng)網(wǎng)絡(luò)的故障檢測(cè)邏輯，設(shè)計(jì)實(shí)現(xiàn)了大推力氫氧補(bǔ)燃循環(huán)液體火箭發(fā)動(dòng)機(jī)基于遺傳算法的故障檢測(cè)模型，并使用歷史試車數(shù)據(jù)與BP神經(jīng)網(wǎng)絡(luò)故障檢測(cè)模型進(jìn)行對(duì)比，驗(yàn)證并考核了GA-BP神經(jīng)網(wǎng)絡(luò)的可靠性和精確性。