薛 薇, 武小平, 張 箭, 鄭孟偉, 孫紀國

(北京航天動力研究所，北京 100076)

0 引言

從液體火箭發(fā)動機健康監(jiān)控技術誕生至今，世界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)的設計和開發(fā)。事實上，健康監(jiān)控系統(tǒng)現(xiàn)已成為改進現(xiàn)有和研制新型液體火箭發(fā)動機不可缺少的關鍵組成部分。為了保證發(fā)動機的正常、可靠、高效的運行。重型運載火箭對發(fā)動機的安全性和可靠性提出了新的要求，發(fā)展發(fā)動機故障診斷系統(tǒng)，保護運載火箭和載荷安全，避免由于發(fā)動機故障而引起的事故。目前，國內(nèi)液體火箭發(fā)動機故障診斷系統(tǒng)的應用還處于起步階段。

美國在液體火箭發(fā)動機故障診斷、健康管理等方面進行了投入巨大，并取得了顯著的成效。由于美國美國在故障診斷、健康管理方面研究覆蓋較為全面，具有代表性，對美國的相關故障診斷、健康管理系統(tǒng)可以按照功能分為以下4種類別：實時健康監(jiān)控系統(tǒng)、試后分析系統(tǒng)、綜合健康管理系統(tǒng)和可重復使用運載器集成健康管理系統(tǒng)。美國航天飛機主發(fā)動機(SSME)的健康監(jiān)控系統(tǒng)代表著很高的技術水平，該系統(tǒng)可以對SSME進行整個壽命循環(huán)過程運行狀態(tài)的監(jiān)視與故障診斷[1-2]。早期SSME重點研究了“紅線閾值檢測與報警”系統(tǒng)[3]，中期開始研制“SSME試驗后自動化檢測與診斷系統(tǒng)”[4]，最后提出了集成系統(tǒng)健康管理的概念[5]。

目前，國內(nèi)液體火箭發(fā)動機故障診斷技術的應用還處于起步階段,隨著計算機、人工智能、微電子等信息技術的飛速發(fā)展，基于復雜系統(tǒng)可靠性、安全性、經(jīng)濟性考慮，實時故障診斷技術受到越來越多的重視和應用，其中故障融合診斷方法是目前研究的一個熱點[6-7]。國內(nèi)理論研究方面進行了大量的研究，吳建軍教授團隊堅持數(shù)十年開展液體火箭發(fā)動機故障診斷研究[8-11]，先后開展過基于模型的診斷、基于數(shù)據(jù)的診斷、基于人工智能的診斷等，取得了一系列的成就。北京航天動力研究所在此方面也開展了大量的理論研究及試驗分析，針對穩(wěn)態(tài)工作段采用了ARMA算法進行了故障診斷，并搭載了試驗[12-13]。

本文針對我國大推力氫氧補燃發(fā)動機開展實時故障診斷算法設計，該發(fā)動機是未來我國最大推力高性能氫氧發(fā)動機，將承擔我國載人登月等重大任務，開展發(fā)動機實時故障診斷技術研究，實現(xiàn)發(fā)動機全工況狀態(tài)監(jiān)測、故障診斷，發(fā)動機起動、主級、關機工況實時故障診斷等功能。目前我國在氫氧發(fā)動機故障診斷方面尚處于空白，開展液體火箭發(fā)動機故障診斷算法研究，為保證發(fā)動機在任何環(huán)境條件和任何工作狀態(tài)下都可以穩(wěn)定、可靠運行奠定基礎。

1 發(fā)動機故障模型

1.1 發(fā)動機概述

本文研究的發(fā)動機是以液氫、液氧為推進劑，采用單富氫預燃室，燃氣并聯(lián)驅動氫氧渦輪泵的補燃動力循環(huán)方案，如圖1所示，工作原理如下：

圖1 發(fā)動機系統(tǒng)簡圖

液氫流動過程：從液氫儲箱出來的液氫先經(jīng)氫預壓泵增壓，再經(jīng)高壓泵增壓，大部分流向預燃室燃燒；一小部分對推力室進行冷卻，最后在推力室充分燃燒。

液氧流動過程：液氧經(jīng)氧預壓泵、氧高壓泵增壓后分為以下幾路，一路驅動預壓渦輪做功；另一路經(jīng)過增壓進入預燃室燃燒；第三路進入推力室與液氫混合后燃燒，由此產(chǎn)生推力。

燃氣路工質流動過程：分別來自液氫副控閥和氧副控閥的推進劑進入預燃室混合、燃燒，產(chǎn)生高溫、高壓燃氣，一部分燃氣驅動氫高壓渦輪做功，進而帶動氫高壓泵轉動；另一部分燃氣進入氧高壓渦輪做功，進而帶動氧高壓泵轉動；兩路燃氣最后都進入推力室進行補燃。

1.2 故障模型建立

液體火箭發(fā)動機是一種在高溫、高壓、強腐蝕性、高密度能量釋放的極端物理條件下運行的復雜動力系統(tǒng)，部件參數(shù)強烈耦合，實際故障樣本少、故障模式難以獲取。由于發(fā)動機工作過程的復雜性，很難建立精確的動態(tài)數(shù)學模型，且所建立的模型通常是高階的、非線性的。因此，數(shù)值模型方法作為一種重要手段在發(fā)動機設計中大量使用。本文分析了液體火箭發(fā)動機的系統(tǒng)結構，建立了方便注入故障的液體火箭發(fā)動機。以泵壓式分級燃燒循環(huán)液氫液氧火箭發(fā)動機為研究對象，建立相關模型。故障添加一般可分為兩種[14-15]：一種是在原有的模型基礎上增加故障組件來滿足故障仿真需求，此方法受限于發(fā)動機組件特性及建模的軟件；另一種是發(fā)動機組件模型個數(shù)不變，在原有組件的數(shù)學表達式上增加一些系數(shù)以此來實現(xiàn)故障仿真。

本文根據(jù)液體火箭發(fā)動機中各典型部件的功能結構、性能特性及數(shù)學表達，并基于Matlab/Simulink仿真平臺，建立了各典型部件模型。

圖2 發(fā)動機動態(tài)模型建模思路

按照上述方式構建發(fā)動機非線性模型，該程序主要計算發(fā)動機動態(tài)特性。同時采用自主開發(fā)的非線性方程求解算法，提高了模型的實時性。該模型的故障輸入接口可以同時添加多種故障因子。

2 RESID 算法設計及仿真

2.1 RESID算法原理

基于數(shù)據(jù)的故障診斷，該類型的算法研究主要集中在使用數(shù)理統(tǒng)計原理、信號處理、信號分析等方法對測量數(shù)據(jù)進行處理，再利用處理后結果進行故障診斷。

遞歸結構識別(RESID，recursive structure identification )算法是一種基于自 適應學習網(wǎng)絡概念的非線性回歸方法。它用簡單的二元二次函數(shù)網(wǎng)絡近似模式特征之間復雜的非線性關系。它以遞歸方式建立不同特征之間的相互關系。該算法檢驗給定特征集中所有特征的二次特征組合，并構建一個更高階的非線性回歸方程?；貧w方程作為判別函數(shù)，僅包含那些在最小二乘意義上最小化總誤分類誤差的特征。 為了構建網(wǎng)絡，該算法提供訓練和選擇步驟。輸入特征集分為訓練、選擇和評估子集。在訓練階段，為輸入變量的所有成對組合確定二次擬合的系數(shù)。在選擇過程中，拒絕在最小平方誤差標準方面表現(xiàn)不佳的元素。其余元素成為下一階段培訓和選擇步驟的輸入。重復這些訓練和選擇步驟，直到性能測量沒有顯示任何進一步的改進。最后階段即評估階段，是確定網(wǎng)絡整體性能的地方[19]。

遞歸結構辨識方法的流程如圖3所示，其實質是通過不斷的遞歸尋求最優(yōu)的多項式表達式如(1)所示，每步遞歸訓練所得的擬合均方誤差會趨于一個最小值，當達到這個值時，我們認為擬合的結果比較好，用此時擬合模型得到的結果作為新的參數(shù)，作為新的特征值，加入到輸入集中，用于實現(xiàn)下一步的遞歸擬合，不斷地重復上述步驟，隨著遞歸次數(shù)的增加，擬合的多項式階次越高，擬合的準確性越高，當達到最大遞歸次數(shù)或者本次遞歸所有模型的均方誤差均大于上一次遞歸結果模型的最小均方誤差，則完成遞歸，認為這次的擬合是對數(shù)據(jù)最好的擬合結果。

圖3 RESID 模型構建過程

y=a0+a1x1+a2x2+a3x12+a4x22+a5x1x2

(1)

其中：將二次項當作新的特征，上述的多項式擬合可以看作是線性回歸的過程，可以用線性回歸的方法求出最優(yōu)的系數(shù)向量，求解過程如下：

設訓練樣本的集合為：

X={x1,x2,···,xn}

每一個樣本xi有m個特性指標，即xi可由如下m維特性指標向量表示：

xi=(xi1,xi2,···,xim)，i=1,2,···,n

其中:xij表示第i個樣本的第j個特征指標，則n個樣本的所有特性指標構成一個矩陣，記作

為了方便應用矩陣計算，將多元線性回歸的截距擴充為特征值全為1的一個新的特征，記新的特征矩陣為Xb，系數(shù)向量θ，為則多元線性回歸問題可以用以下矩陣公式描述：

(3)

其中：

目標函數(shù)為實際值與預測值的平方和，記作J，公式表示如下：

(4)

將上述公式表示為矩陣形式如下：

J=(y-Xbθ)T(y-Xbθ)

(5)

對θ求導可以推導出最優(yōu)的系數(shù)向量θ的公式如下：

(6)

2.2 RESID算法在故障診斷上的應用

與傳統(tǒng)的回歸分析類似，RESID算法利用系統(tǒng)內(nèi)的傳感器到傳感器的關系來建立輸入-輸出方程，以預測系統(tǒng)運行期間的傳感器輸出。然而，RESID方法與傳統(tǒng)技術的不同之處在于，所開發(fā)的輸入-輸出模型的結構不是先驗確定的。相反，該算法使用小的固定形式的構建塊，這些構建塊以遞歸的方式添加并連接到模型中，基于模型在預測輸出參數(shù)方面的性能。這個模型訓練過程需要數(shù)據(jù)來表示系統(tǒng)的名義行為。它的結果是一個單一的方程，該方程將RESID算法選擇的輸入?yún)?shù)與預測的輸出參數(shù)聯(lián)系起來。一旦方程建立，可以應用新的數(shù)據(jù)來估計輸出參數(shù)。然后對誤差進行閾值處理，進行故障檢測。

RESID算法較好的適用于發(fā)動機起動、關機故障檢測過程中模型的不準確、非線性問題和各種干擾等眾多不確定性的影響。能夠通過物理參數(shù)間的非線性函數(shù)關系揭示被檢參數(shù)間的解析冗余，表征發(fā)動機正常啟動狀態(tài)下各參數(shù)間的變化關系。

RESID算法將啟動過程中的各檢測參數(shù)之間的關系回歸成非線性函數(shù)，利用參數(shù)之間的協(xié)調性來檢測系統(tǒng)故障。診斷流程如圖4所示，其具體的診斷步驟如下：

圖4 基于RESID模型的診斷流程

第一步，選擇參數(shù)，選取相關度高的一組測量參數(shù)，這里推力室室壓作為被預測對象。

第二步，數(shù)據(jù)預處理，建立RESID模型，輸入為選定的一組個測量數(shù)據(jù)，輸出為推力室室壓。

第三步，根據(jù)預測均方估計誤差最小原則，得到REID的模型，并由此計算出下一級迭代用的推力室室壓。

第四步，將被測數(shù)據(jù)帶入建好的RESID模型中，預測推力室室壓。將預測值與實際測量數(shù)據(jù)相比較，得到殘差數(shù)據(jù)。

第五步，將殘差與門限值進行比較，判斷是否發(fā)生故障。

3 半實物仿真平臺測試

3.1 平臺組成及工作方式

半實物仿真系統(tǒng)主要由實物產(chǎn)品、模擬系統(tǒng)和故障注入模塊三部分構成，半實物仿真平臺架構如圖5所示。其中實物產(chǎn)品主要由故障診斷器、發(fā)動機控制器、執(zhí)行機構、電點火系統(tǒng)、各類傳感器的變送器等構成。箭體控制器仿真機、發(fā)動機仿真機、各類信號模擬器(壓力、溫度、轉速和振動信號)和配套電源模塊是半實物仿真平臺的模擬部分，故障注入設備用于產(chǎn)生422串口通訊故障、1553總線通訊故障、AD/DA轉換故障、開關量DIO故障等故障模式。

圖5 半實物仿真平臺架構

這里重點介紹一個發(fā)動機仿真機的架構情況，發(fā)動機仿真機采用C/S架構，由HiGale實時仿真軟件、機箱、功能板卡、工作站等組成。實時運行發(fā)動機控制器模型，通過IO信號可將外部設備加入到實時仿真閉環(huán)，或進行設備的接口測試。上位機運行Windows操作系統(tǒng)，下位機(即實時仿真機)運行實時操作系統(tǒng)。上位機軟件部分具有MATLAB/Simulink軟件，提供控制器模型開發(fā)環(huán)境，且與HiGale軟件無縫連接，具有一鍵自動化代碼生成/下載和友好的試驗/調試軟件環(huán)境，具備仿真實驗項目的管理等功能。

平臺的工作原理：首先，在主工作站中建立故障診斷仿真模型，通過主工作站仿真軟件下載到實時仿真機。其次，發(fā)動機仿真機計算出發(fā)動機工作過程的各項參數(shù)，經(jīng)變送器轉換后產(chǎn)生相應輸出信號，并反饋至故障診斷器。最后，故障診斷器接收到信號后進行發(fā)動機故障診斷，并發(fā)出故障報警信號，同時通知箭體控制器。

通過開展發(fā)動機實時故障診斷系統(tǒng)半實物仿真試驗，對實時故障診系統(tǒng)進行了綜合試驗驗證?？己肆斯收显\斷系統(tǒng)在實際工作中的診斷算法運算能力、采集速度、通訊等性能，故障診斷算法診斷性能，以及整個實時故障診斷系統(tǒng)的有效性。構建的發(fā)動機實時故障診斷系統(tǒng)半實物仿真試驗實物如圖6所示。

圖6 發(fā)動機實時故障診斷系統(tǒng)半實物仿真試驗實物圖

3.2 仿真分析

對RESID故障診斷算法進行了試驗。試驗過程為：由發(fā)動機仿真機運行大推力氫氧補燃火箭發(fā)動機故障模型，計算出發(fā)動機工作過程的各項參數(shù)，模擬真實發(fā)動機工作狀態(tài)，輸出發(fā)動機在不同穩(wěn)態(tài)工況下的觀測數(shù)據(jù)并進行故障模擬，故障診斷器接收到測量數(shù)據(jù)后進行發(fā)動狀態(tài)判斷、故障診斷及預測等，并將計算結果通過422和1553B通訊方式分別與控制器和箭體控制器仿真機通訊，告知二者發(fā)動機當前狀況。

試驗結果：

1)當發(fā)動機模型無故障時，輸出正常穩(wěn)態(tài)工作數(shù)據(jù)，診斷結果如圖7所示，診斷結果為全0的直線，并且輸出的故障數(shù)量為0，符合測試要求。

圖7 無故障模式下故障診斷算法診斷結果

2)更改發(fā)動機模型參數(shù)，設定發(fā)動機閥門開度系數(shù)在4 s時由1衰減為0.8，添加閥門開度異常故障。故障診斷結果如圖8所示。

圖8 閥門開度單次異常故障模式下故障診斷算法診斷結果

由圖8可知，RESID故障診斷算法在4.005 s診斷出故障，診斷算法均能快速、準確的檢測出故障，滿足設計要求。隨后，設定閥門開度多次故障，對診斷算法進行測試。

3)發(fā)動機閥門開度系數(shù)變化分別在4 s和6 s出發(fā)生兩次異常，開度系數(shù)由1變?yōu)?.8，第一次異常在5 s處恢復。算法診斷結果如圖9所示。其中RESID故障診斷算法分別在4.011 s和6.015 s處診斷出故障，通過以上試驗測試，故障檢測響應時間小于0.5秒，故障檢測率100%，故障診斷速率快，準確度高，滿足設計需求。

圖9 閥門開度多次異常故障模式下故障診斷算法診斷結果

4 結束語

本項目針對大推力氫氧補燃發(fā)動機不僅完成了故障診斷算法設計、完成了故障診斷用模型的建立，而且通過半實物仿真平臺試驗驗證，進行了全面的考核，能夠方便快捷的驗證故障診斷系統(tǒng)。該項研究過程中建立起一套適用于各型發(fā)動機故障診斷系統(tǒng)設計與驗證的體系。最后，通過對大推力氫氧補燃發(fā)動機故障診斷系統(tǒng)的設計及試驗驗證，表明故障診斷系統(tǒng)故障診斷性能快速、準確，各組件設計均已達到預期指標，標志著氫氧發(fā)動機故障診斷系統(tǒng)設計關鍵技術攻關取得階段性成果。