劉梓琰,吳毅偉,王冠,李璨,王姝淇,陳海寶

(1. 北京宇航系統(tǒng)工程研究所,100076,北京;2. 上海交通大學(xué)電子信息與電氣工程學(xué)院,200240,上海)

低溫液體火箭發(fā)動(dòng)機(jī)渦輪泵具有工作轉(zhuǎn)速高、工作環(huán)境復(fù)雜惡劣的特點(diǎn),其渦輪受高、低溫沖擊和高速旋轉(zhuǎn)時(shí)產(chǎn)生的離心力、熱應(yīng)力、振動(dòng)等共同作用,是發(fā)動(dòng)機(jī)工程研制中容易出現(xiàn)問(wèn)題的零部件。特別是在氧渦輪泵中,為減少渦輪端懸臂較長(zhǎng)給轉(zhuǎn)子動(dòng)力學(xué)設(shè)計(jì)帶來(lái)的影響,氧渦輪盤一般采用輕薄化設(shè)計(jì),導(dǎo)致其故障概率進(jìn)一步增加。因此,有必要開(kāi)展針對(duì)氧渦輪泵故障檢測(cè)的相關(guān)研究,以實(shí)現(xiàn)故障的早發(fā)現(xiàn)、早定位。

基于數(shù)據(jù)驅(qū)動(dòng)的故障檢測(cè)與識(shí)別方法與傳統(tǒng)的基于傳感器信號(hào)或物理模型的方法相比,既具備基于傳感器信號(hào)方法的簡(jiǎn)單易實(shí)現(xiàn),也具備基于物理模型方法深層次分析能力,并且更為泛化,能夠提煉出技術(shù)人員建模經(jīng)驗(yàn)之外的信息[1-3]。目前,數(shù)據(jù)驅(qū)動(dòng)算法研究的關(guān)注越來(lái)越高,如支持向量機(jī)[4]、貝葉斯分類器[6-7]、極限學(xué)習(xí)機(jī)[8-9]、最近鄰分類器[10]、支持矩陣機(jī)[11]、隨機(jī)森林[12]以及最小二乘向量機(jī)[13-15]等機(jī)器學(xué)習(xí)算法都在故障檢測(cè)及診斷領(lǐng)域得到了應(yīng)用。在發(fā)動(dòng)機(jī)故障診斷與檢測(cè)領(lǐng)域,時(shí)域統(tǒng)計(jì)學(xué)特征、經(jīng)驗(yàn)?zāi)B(tài)分解[16]、全局譜分析[13]、快速傅里葉變換[17]、小波變換[4]和離散傅里葉變換[18]等都是常用的特征提取算法。此外,當(dāng)可提供的數(shù)據(jù)樣本較少時(shí),Li等[19]通過(guò)的時(shí)頻圖特征,然后用支持向量機(jī)的方法對(duì)故障樣本和正常樣本進(jìn)行分類,取得了不錯(cuò)的效果。針對(duì)振動(dòng)信號(hào),Harmouche等[16]提出了一種名為全局譜分析的特征提取方法,該方法在預(yù)處理階段對(duì)振動(dòng)信時(shí)頻轉(zhuǎn)換,分析所有樣本號(hào)進(jìn)行包絡(luò)分析以及快速傅里葉變換,接著利用主頻特征選擇和主成分分析來(lái)提取主特征,最后利用線性判別器完成了故障樣本分類。

Mathew等[20]在預(yù)處理階段對(duì)采集到的信號(hào)進(jìn)行小波變換并從變換系數(shù)中提取故障特征,接著用貝葉斯分類器來(lái)對(duì)經(jīng)過(guò)主成分分析后的降維特征分類,從而能準(zhǔn)確識(shí)別故障樣本。Georgoulas等[21]提出了一種振動(dòng)信號(hào)特征融合方法以構(gòu)造新的故障特征。該方法將兩個(gè)加速器采集到的信號(hào)通過(guò)協(xié)方差矩陣進(jìn)行特征融合,并將融合信號(hào)通過(guò)最近鄰分類器和主成分分類器進(jìn)行故障診斷。該方法在對(duì)具有多個(gè)加速計(jì)傳感器的系統(tǒng)進(jìn)行診斷時(shí)具有較好的性能。

文獻(xiàn)[22]通過(guò)階比分析研究了機(jī)動(dòng)車變速箱齒輪的故障檢測(cè)技術(shù),該技術(shù)融合了時(shí)域分析與頻域分析,有效提取了變速箱信號(hào)的特征,特別是在非均勻工況下,其效果優(yōu)于單一的頻域分析方法。文獻(xiàn)[23]針對(duì)傳統(tǒng)電路故障檢測(cè)在波形圖診斷與實(shí)際波動(dòng)存在偏差以及影響檢測(cè)準(zhǔn)確性的問(wèn)題,引入了一種結(jié)合小波變換和神經(jīng)網(wǎng)絡(luò)的新檢測(cè)技術(shù),此方法能夠精確地診斷各類故障狀態(tài)。文獻(xiàn)[24]針對(duì)時(shí)間序列數(shù)據(jù)中多元指標(biāo)眾多、時(shí)間跨度大導(dǎo)致的特征提取難題,應(yīng)用主成分分析(PCA)方法提取關(guān)鍵特征,并利用長(zhǎng)短期記憶(LSTM)網(wǎng)絡(luò)減少數(shù)據(jù)維度,這不僅保持了數(shù)據(jù)間的相關(guān)性,同時(shí)也簡(jiǎn)化了數(shù)據(jù)結(jié)構(gòu)和模型的復(fù)雜度。

考慮大推力氫氧發(fā)動(dòng)機(jī)復(fù)雜的物理機(jī)理與多次試車過(guò)程中產(chǎn)生的海量數(shù)據(jù),借助機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)發(fā)動(dòng)機(jī)試車數(shù)據(jù)異常特征的深度挖掘,構(gòu)建智能化、高精準(zhǔn)的氫氧發(fā)動(dòng)機(jī)故障檢測(cè)與識(shí)別工具,繞過(guò)物理機(jī)理探究異常數(shù)據(jù)特征,在實(shí)現(xiàn)故障發(fā)現(xiàn)與識(shí)別的基礎(chǔ)上反哺技術(shù)人員深化故障機(jī)理的理解,將是未來(lái)很長(zhǎng)時(shí)間內(nèi)的重要工程應(yīng)用方向[25]。

液體火箭發(fā)動(dòng)機(jī)的氧渦輪泵是其核心組件,改型發(fā)動(dòng)機(jī)在歷次試車過(guò)程中積累了豐富的試驗(yàn)數(shù)據(jù),為數(shù)據(jù)驅(qū)動(dòng)故障診斷方法的研究提供了有力支撐。本文開(kāi)展氧渦輪泵試驗(yàn)數(shù)據(jù)分析與挖掘技術(shù)研究,從數(shù)據(jù)層面出發(fā),對(duì)氫氧發(fā)動(dòng)機(jī)渦輪泵試驗(yàn)數(shù)據(jù)進(jìn)行分析與挖掘,繞過(guò)復(fù)雜的物理機(jī)理,基于速變與緩變數(shù)據(jù)建立故障檢測(cè)模型。在此基礎(chǔ)上提出一種故障模式判別方法,算法模型框架如圖1所示。該模型可以接受多種工況的數(shù)據(jù)輸入,并根據(jù)輸入類型執(zhí)行相應(yīng)算法。

圖1 算法模型框架圖Fig.1 Algorithm model frame diagram

1 數(shù)據(jù)描述

本文使用某型液體火箭發(fā)動(dòng)機(jī)試車數(shù)據(jù)。該數(shù)據(jù)從火箭發(fā)動(dòng)機(jī)傳感器收集得來(lái),均為時(shí)序數(shù)據(jù),同時(shí)包含高頻采樣樣本和低頻采樣樣本。全部試車數(shù)據(jù)覆蓋共計(jì)18臺(tái)發(fā)動(dòng)機(jī)、56次試車試驗(yàn),即56個(gè)時(shí)間序列。每次試車提供一個(gè)包含大量測(cè)量參數(shù)的數(shù)據(jù)集,每個(gè)序列采樣長(zhǎng)度為幾萬(wàn)到幾十萬(wàn)不等,在建模過(guò)程中進(jìn)行數(shù)據(jù)重構(gòu)以滿足輸入要求。參數(shù)可分類為緩變數(shù)據(jù)(如氧渦輪出口壓力、燃?xì)獍l(fā)生器室壓等)、速變數(shù)據(jù)(如氧渦輪軸向振動(dòng)、氧泵軸向振動(dòng)等)。各次試車的基本狀態(tài)統(tǒng)計(jì)如表1所示,其中試驗(yàn)編號(hào)方式為發(fā)動(dòng)機(jī)編號(hào)-該發(fā)動(dòng)機(jī)試車次數(shù),如9-1代表9號(hào)發(fā)動(dòng)機(jī)第一次試車(后文對(duì)發(fā)動(dòng)機(jī)統(tǒng)一表述為xx號(hào)發(fā)動(dòng)機(jī),對(duì)試車試驗(yàn)統(tǒng)一表述為xx-yy次試車)。

表1 歷史試車發(fā)次狀態(tài)Table 1 Historical test run status

其中未特別標(biāo)明狀況的氧轉(zhuǎn)子視為正常。第8號(hào)發(fā)動(dòng)機(jī)試車數(shù)據(jù)較為特殊,由于8-1次試車出現(xiàn)R5裂紋,該發(fā)動(dòng)機(jī)經(jīng)過(guò)修理后繼續(xù)進(jìn)行8-2以及8-3 次試車。燒蝕、R0.2、R1.2、R3、R4、R5裂紋為氧轉(zhuǎn)子不同的故障模式,表征裂紋在軸盤上的不同位置。值得指出,R1.2、R3、R4故障模式由于負(fù)樣本數(shù)量較少,因此本文后續(xù)故障模式判別算法中主要針對(duì)R0.2、R5兩種故障模式進(jìn)行算法設(shè)計(jì)和實(shí)現(xiàn)。

發(fā)動(dòng)機(jī)試車數(shù)據(jù)集中包含大量狀態(tài)參數(shù),這些參數(shù)往往不是相互獨(dú)立,每個(gè)參數(shù)對(duì)于故障的表征能力也強(qiáng)弱不一,若向模型輸入全部參數(shù),不但會(huì)導(dǎo)致運(yùn)算效率低下,還會(huì)影響模型的準(zhǔn)確性與魯棒性,影響最終算法效果。因此,在構(gòu)建并訓(xùn)練算法模型前,有必要對(duì)試車數(shù)據(jù)集中狀態(tài)參數(shù)進(jìn)行篩選。采用信息熵分析、主成分分析等統(tǒng)計(jì)分析方法,分別對(duì)速變參數(shù)與緩變參數(shù)進(jìn)行重要性排序。

與故障特征相關(guān)性較強(qiáng)的速變參數(shù)如表2所示,速變參數(shù)均為振動(dòng)參數(shù),采樣頻率高達(dá)50 kHz。整體呈現(xiàn)出劇烈波動(dòng)以及非平穩(wěn)性,因此在頻域中分析振動(dòng)數(shù)據(jù)較為合適。與故障特征相關(guān)性較強(qiáng)的緩變參數(shù)如表3所示,均為燃?xì)饴窋?shù)據(jù),包括溫度參數(shù)與壓力參數(shù)等。燃?xì)鉅t數(shù)據(jù)相對(duì)平穩(wěn),只在部分時(shí)間點(diǎn)會(huì)出現(xiàn)跳變。

表2 重要速變參數(shù)Table 2 Important fast-varying parameter

表3 重要緩變參數(shù)Table 3 Important slow-varying parameter

2 基于速變數(shù)據(jù)的橫向降噪圖像處理算法

速變參數(shù)的采樣頻率高達(dá)50 kHz,從頻域入手更易抓取故障現(xiàn)象的數(shù)據(jù)特征,而時(shí)域則可反應(yīng)發(fā)動(dòng)機(jī)工作狀態(tài)的變化情況,因此考慮構(gòu)建時(shí)頻譜圖表征完整試車工況下的數(shù)據(jù)特征。在以60 ms窗口對(duì)氧泵以及氧渦輪進(jìn)氣殼體組件的軸徑切向振動(dòng)參數(shù)進(jìn)行時(shí)域切片并經(jīng)過(guò)短時(shí)傅立葉變換處理后進(jìn)行拼接,可得振動(dòng)參數(shù)的時(shí)頻譜圖,16-6次試車的氧渦輪進(jìn)氣殼體組件軸向振動(dòng)參數(shù)的時(shí)頻譜圖如圖2所示,16-1次試車的氧渦輪進(jìn)氣殼體組件軸向振動(dòng)參數(shù)的時(shí)頻譜圖如圖3所示。圖中橫坐標(biāo)代表頻域,范圍為4.5～5.5 kHz,縱坐標(biāo)代表時(shí)域,范圍為該發(fā)次試車的時(shí)間,亮度代表振動(dòng)的能量。除上述兩次試車之外,觀察多個(gè)試車發(fā)次,發(fā)現(xiàn)在氧渦輪進(jìn)氣殼體組件軸向振動(dòng)參數(shù)的時(shí)頻譜圖中普遍存在以下情況:正常發(fā)次在5 kHz頻段附近存在高亮豎紋,而故障發(fā)次在該頻段區(qū)域額外出現(xiàn)高亮斜紋。因此,可以將該參數(shù)時(shí)頻譜圖中斜紋作的出現(xiàn)與否作為判斷發(fā)動(dòng)機(jī)氧渦輪泵健康狀態(tài)的判據(jù)?；诖?本節(jié)提出一種基于圖像識(shí)別的發(fā)動(dòng)機(jī)氧渦輪泵故障檢測(cè)方法。

圖2 16-6次試車氧渦輪進(jìn)氣殼體組件軸向振動(dòng)參數(shù)時(shí)頻譜圖Fig.2 Time-frequency spectrum diagram of axial vibration parameters of oxygen turbine intake housing assembly of 16-6

圖3 16-1次試車氧渦輪進(jìn)氣殼體組件軸向振動(dòng)參數(shù)時(shí)頻譜圖Fig.3 Time-frequency spectrum diagram of axial vibration parameters of oxygen turbine intake housing assembly of 16-1

2.1 算法模型

圖像識(shí)別的流程如圖4所示,首先聚焦斜紋出現(xiàn)區(qū)域,將時(shí)頻譜圖截取成為439×376=165 064像素大小,然后將時(shí)頻譜圖灰度化。此時(shí)圖中不僅存在明亮豎紋與斜紋,還存在背景噪聲。針對(duì)這一特點(diǎn),本文提出一種橫向降噪方法,首先計(jì)算時(shí)頻譜圖每一時(shí)刻在所有頻率上的像素值均值,然后對(duì)每個(gè)像素值減去該像素值所在時(shí)刻的像素值均值,計(jì)算公式為

圖4 斜紋圖像識(shí)別流程圖Fig.4 Twill image recognition flow chart

式中:G(t,f)為橫向降噪后時(shí)刻t、頻率f上的像素值;g(t,f)為橫向降噪前時(shí)刻t、頻率f上的像素值;F為時(shí)刻t上所有頻率的像素點(diǎn)數(shù)。由圖4降噪效果可以看出,橫向降噪法可以在最小程度不影響譜線的情況下,有效減少由于傳感器故障造成的異常噪聲,減少對(duì)后續(xù)譜線分析的干擾。在緩解了由于傳感器故障所造成異常噪聲的影響,需要進(jìn)一步增強(qiáng)譜線亮度,減少噪聲像素點(diǎn)的亮度。由于時(shí)頻譜圖在經(jīng)過(guò)橫向降噪和邊緣分析等圖像處理過(guò)程后,圖像整體顯示較暗,圖像像素值均在0～60的范圍內(nèi),整體偏低,為了進(jìn)一步放大明暗的差異,本文采用提亮法等比提高圖像的像素值,計(jì)算公式為

式中:G(t,f)為橫向提亮后時(shí)刻t、頻率f上的像素值;g(t,f)為橫向提亮前時(shí)刻t、頻率f上的像素值;min(g)為圖像中最暗像素點(diǎn)的像素值;max(g)為圖像中最亮像素點(diǎn)的像素值。另外,當(dāng)時(shí)頻譜圖的譜線較粗時(shí),經(jīng)過(guò)邊緣檢測(cè)算法處理后的譜線在圖像上呈現(xiàn)是一圈細(xì)線,對(duì)于后續(xù)判斷區(qū)分噪聲點(diǎn)和譜線會(huì)造成干擾,因此采用中值濾波法來(lái)模糊圖像,填補(bǔ)較粗譜線應(yīng)邊緣分析而導(dǎo)致中空的區(qū)域,為后續(xù)識(shí)別譜線提供助力。最后,經(jīng)過(guò)橫向降噪、高斯模糊、邊緣分析、提亮、中值濾波等一系列圖像處理方法,完成時(shí)頻譜圖的預(yù)處理,實(shí)現(xiàn)時(shí)頻譜圖的降噪和譜線增強(qiáng)。

由于不同發(fā)次的斜紋偏斜角度不同,直接對(duì)斜紋進(jìn)行識(shí)別較為困難,因此選擇對(duì)豎紋進(jìn)行識(shí)別并剔除,再判斷剩余亮紋區(qū)域的大小,若剩余亮紋大小滿足設(shè)定閾值,則判定該譜圖存在斜紋,即該發(fā)次試車中,發(fā)動(dòng)機(jī)存在故障。在這一環(huán)節(jié)中,豎紋判據(jù)為偏斜角度小于5°,剔除剩余亮紋為斜紋的判據(jù)為存在大于100像素點(diǎn)的亮紋。

2.2 算法步驟

具體算法流程如下:

(1)對(duì)時(shí)頻譜圖先后進(jìn)行灰度化、邊緣分析、去噪、二值化處理;

(2)通過(guò)基于面積的區(qū)域劃分選出面積較大的白色區(qū)域,而將那些面積較小的區(qū)域認(rèn)為是噪點(diǎn)并去除;

(3)做直紋檢測(cè),檢測(cè)出方向較為豎直的直線并將這些直線經(jīng)過(guò)區(qū)域看作正常譜線并去除,經(jīng)過(guò)這些流程后若結(jié)果圖仍留有白色區(qū)域,則認(rèn)為該時(shí)頻譜圖中存在傾斜的異常譜線。

2.3 測(cè)試結(jié)果

時(shí)頻圖譜圖像識(shí)別方法測(cè)試結(jié)果如表4所示。應(yīng)用19個(gè)試車試驗(yàn)的數(shù)據(jù)對(duì)算法進(jìn)行了測(cè)試,其中6-1,6-2次試車判斷錯(cuò)誤,而6-6次試車由于存在不明顯斜紋導(dǎo)致判斷錯(cuò)誤,其他均判斷正確,總體故障診斷準(zhǔn)確率為84.2%?？梢哉J(rèn)為該算法能夠較為準(zhǔn)確地檢測(cè)試車發(fā)動(dòng)機(jī)故障。

表4 時(shí)頻圖譜圖像識(shí)別方法測(cè)試結(jié)果Table 4 Test results of time-frequency spectrum image recognition method

以往方法如文獻(xiàn)[2]中利用圖像數(shù)據(jù)來(lái)判別火箭設(shè)備壽命,例如利用深度學(xué)習(xí)方法訓(xùn)練時(shí)間相對(duì)較久,而本文方法直接從圖像本身角度基于斜紋特征先驗(yàn)理論完成故障檢測(cè),在一定程度上減少了訓(xùn)練損耗和推理時(shí)間,為航天發(fā)動(dòng)機(jī)異常檢測(cè)領(lǐng)域提供了一種新的研究思路。

此外,該算法可計(jì)量斜紋的狀態(tài)特征,如亮度(對(duì)應(yīng)頻譜強(qiáng)度),斜率(對(duì)應(yīng)頻譜峰值漂移速度),對(duì)于不同程度、不同類型的故障,斜紋的表征存在差異,該方法可為技術(shù)人員提供更多維度的故障相關(guān)信息。

3 基于緩變數(shù)據(jù)的LSTM自適應(yīng)閾值算法

基于緩變數(shù)據(jù)的故障檢測(cè)方法,往往通過(guò)考察數(shù)據(jù)變化趨勢(shì)并抓取異常的趨勢(shì)特征實(shí)現(xiàn)。

如表3所示,重要緩變數(shù)據(jù)均為溫度或壓力,因此通常二者存在關(guān)聯(lián)。假定在正常工況與故障工況,緩變參數(shù)之間的關(guān)系存在差異,且正常工況下的參數(shù)關(guān)系應(yīng)該是一致的。因此,若找到正常工況下緩變參數(shù)間的映射關(guān)系,并把這一映射關(guān)系帶入到故障工況,那么計(jì)算值與實(shí)際值應(yīng)該會(huì)出現(xiàn)明顯偏差,通過(guò)對(duì)偏差設(shè)置閾值的方式,即可判定發(fā)動(dòng)機(jī)的健康狀態(tài)。

緩變數(shù)據(jù)通常在時(shí)域上進(jìn)行分析,構(gòu)建緩變數(shù)據(jù)間的映射關(guān)系即處理多變量時(shí)間序列數(shù)據(jù),LSTM網(wǎng)絡(luò)常用于時(shí)間序列的預(yù)測(cè),因此使用LSTM神經(jīng)網(wǎng)絡(luò)模型構(gòu)建參數(shù)間映射關(guān)系,實(shí)現(xiàn)故障檢測(cè)。

3.1 算法模型

基于LSTM網(wǎng)絡(luò)的故障檢測(cè)方法為每一次預(yù)測(cè)值yh(t)計(jì)算預(yù)測(cè)誤差e(t)=|y(t)-yh(t)|,所有的誤差形成一個(gè)一維向量e=[et-h, ,et-1,et],其中h是用于評(píng)估當(dāng)前誤差的歷史誤差值個(gè)數(shù),也可看作窗口長(zhǎng)度。然后對(duì)誤差集e進(jìn)行平滑處理,以抑制基于LSTM的預(yù)測(cè)經(jīng)常出現(xiàn)的誤差峰值,使用指數(shù)加權(quán)平均(EWMA)產(chǎn)生平滑誤差。為了評(píng)估數(shù)值預(yù)測(cè)結(jié)果,需要為它們的平滑預(yù)測(cè)誤差設(shè)置一個(gè)閾值,閾值ε計(jì)算定義為

Δμ(es)=μ(es)-μ({es∈es∣es<ε})

式中:Δμ(es)為序列的整體均值減去該序列中所有非異常值的均值;Δσ(es)為序列標(biāo)準(zhǔn)差與序列中正常值標(biāo)準(zhǔn)差的差值;|ea|為序列中異常值的個(gè)數(shù);|Eseq|為擁有連續(xù)異常值的異常序列的個(gè)數(shù)。平滑誤差高于閾值的值對(duì)應(yīng)的試車發(fā)次被分類為異常。

3.2 算法步驟

算法的流程可以歸納如下:①LSTM網(wǎng)絡(luò)學(xué)習(xí)時(shí)序數(shù)據(jù)做預(yù)測(cè);②收集每一步的誤差構(gòu)成誤差向量;③對(duì)誤差做加權(quán)平均的平滑處理;④根據(jù)平滑后的數(shù)據(jù)計(jì)算閾值;⑤平滑誤差高于閾值的值對(duì)應(yīng)的試車發(fā)次被分類為異常。

3.3 測(cè)試結(jié)果

下面將LSTM自適應(yīng)閾值故障檢測(cè)應(yīng)用在氧渦輪泵發(fā)動(dòng)機(jī)燃?xì)饴窋?shù)據(jù)上。燃?xì)饴穮?shù)分析如下:氧燃?xì)饴穮?shù)包括燃?xì)獍l(fā)生器室壓、燃?xì)鈬娮靿毫?、氧渦輪入口壓力、氧渦輪出口壓力;網(wǎng)絡(luò)訓(xùn)練輸入?yún)?shù)為燃?xì)獍l(fā)生器室壓、燃?xì)鈬娮靿毫Α⒀鯗u輪入口壓力,網(wǎng)絡(luò)訓(xùn)練輸出參數(shù)為氧渦輪出口壓力。

LSTM模型主要由3個(gè)LSTM單元以及一個(gè)全連接層構(gòu)成。全連接層最終的輸出維度設(shè)定是1維。訓(xùn)練過(guò)程優(yōu)化器采用Adam,損失函數(shù)為均方誤差(MSE),學(xué)習(xí)率為0.001,訓(xùn)練迭代次數(shù)為2個(gè)epoch,batch_size設(shè)置為32。32車次中6個(gè)發(fā)次的測(cè)試結(jié)果如圖5所示。

(a)32-1

對(duì)16號(hào)發(fā)動(dòng)機(jī)6次試車數(shù)據(jù)進(jìn)行量化分析,從16-1到16-6的幅值誤差均值依次為0.010 7、0.009、0.017 2、0.017 5、0.027 5、0.103 3,其中16-5和16-6在LSTM網(wǎng)絡(luò)預(yù)測(cè)過(guò)程中,就已經(jīng)出現(xiàn)大量偏離預(yù)測(cè)值的樣本點(diǎn),所以最終被判斷為故障發(fā)次,其誤差均值高于其他試車發(fā)次。緩變數(shù)據(jù)故障檢測(cè)方法測(cè)試結(jié)果如表5所示。

表5 緩變數(shù)據(jù)故障檢測(cè)方法測(cè)試結(jié)果Table 5 Test results of slow variable data fault detection method

測(cè)試共覆蓋了39次試車,其中6-2發(fā)次出現(xiàn)了誤判,同時(shí)沒(méi)有檢測(cè)出7-2發(fā)次的故障,故障識(shí)別準(zhǔn)確率為94.9%。6-5、16-5次試車判斷結(jié)果與時(shí)頻譜圖圖像識(shí)別故障檢測(cè)算法結(jié)果一致,因此也可以認(rèn)定這兩個(gè)發(fā)次雖然未經(jīng)過(guò)拆機(jī)檢查,但出現(xiàn)故障的可能性非常大,其他發(fā)次均判斷正確或判斷結(jié)果合理。

4 基于滑動(dòng)頻率窗口聚類算法的故障模式判別方法

如表1所示,整個(gè)、發(fā)動(dòng)機(jī)試車數(shù)據(jù)集內(nèi)已知的故障模式為燒蝕、R0.2裂紋、R1.2裂紋、R3裂紋、R4裂紋、R5裂紋,表征裂紋在氧渦輪泵軸盤上的不同位置。因此,可在故障檢測(cè)算法的基礎(chǔ)上進(jìn)一步深入,構(gòu)建故障模式判別算法。假定不同故障模式均可反應(yīng)在振動(dòng)數(shù)據(jù)的頻域特征中,并且不同的故障模式的特征理應(yīng)有獨(dú)特的頻域區(qū)間。在此假設(shè)下,選定具備特定故障模式的正?；蚬收习l(fā)次數(shù)據(jù)作為輸入,通過(guò)頻域滑窗窮舉頻域區(qū)間,在每個(gè)頻域區(qū)間中進(jìn)行聚類分析,找到每個(gè)可通過(guò)聚類分析區(qū)分該發(fā)次的故障或健康狀態(tài)的頻域區(qū)間,綜合頻域窗口信息與并針對(duì)每類故障模式訓(xùn)練對(duì)應(yīng)的故障模式識(shí)別算法。

4.1 算法模型

本算法使用氧渦輪泵軸、徑、切向振動(dòng)數(shù)據(jù),整體流程如圖6所示。首先選擇一組存在特定故障模式與正常工況的試車發(fā)次組合,例如6-1至6-4發(fā)次(健康)與6-6發(fā)次(R0.2裂紋),設(shè)定一個(gè)寬度為625 Hz的頻率窗口初始為0～625 Hz,在此窗口下窮舉一個(gè)可以區(qū)分正常與故障工況的聚類中心,若無(wú)法構(gòu)造滿足要求的聚類中心,則滑窗向右滑動(dòng)625 Hz繼續(xù)窮舉聚類中心,若找到符合要求的聚類中心,則保存該頻率窗口以及聚類中心并且滑窗滑動(dòng)625 Hz,若無(wú)法找到符合要求的聚類中心,則直接平移滑窗,直到滑窗遍歷整個(gè)頻域(設(shè)置為0～6.25 kHz)。

圖6 基于頻率滑窗的故障模式判別方法流程圖Fig.6 Flow chart of fault mode discrimination method based on frequency sliding window

這個(gè)算法的流程類似于兩層循環(huán)嵌套,內(nèi)循環(huán)窮舉聚類中心,外循環(huán)窮舉頻率窗口。針對(duì)每一類故障,找到所有能夠區(qū)分該系列試車的健康狀態(tài)的聚類中心以及其對(duì)應(yīng)頻率窗口,保存成為檢測(cè)該類故障模式的模型。若新輸入一組發(fā)次的試車數(shù)據(jù),其正常與故障工況可用某類故障模式識(shí)別模型區(qū)分,則可判定新輸入試車數(shù)據(jù)的故障類別含有該類故障。

4.2 算法步驟

滑動(dòng)頻率窗口特征提取的運(yùn)行步驟如下:①選擇第一個(gè)頻率窗口;②從試車數(shù)據(jù)中隨機(jī)選擇兩個(gè)作為初始聚類中心;③計(jì)算該頻率窗口中的特征數(shù)據(jù)到各個(gè)聚類中心的距離;④重新計(jì)算聚類中心;⑤計(jì)算測(cè)量函數(shù)至收斂,或計(jì)算到最大迭代次數(shù),得到分類結(jié)果;⑥移動(dòng)到下一個(gè)頻率窗口重復(fù)以上步驟。

4.3 測(cè)試結(jié)果

本次試車數(shù)據(jù)共有R0.2、R1.2、R3、R5裂紋這4種故障類型,考慮到故障樣本數(shù)量以及車次包含的參數(shù)等因素,對(duì)R0.2、R5進(jìn)行訓(xùn)練。在測(cè)試時(shí)根據(jù)訓(xùn)練時(shí)得到的重點(diǎn)頻段進(jìn)行故障特征聚類,不同的故障類型對(duì)應(yīng)不同的頻段。經(jīng)過(guò)訓(xùn)練的故障模式判別模型的測(cè)試結(jié)果如表6所示,可知跨車次訓(xùn)練得到的分類模型可以驗(yàn)證某一試車數(shù)據(jù)是否具有相關(guān)故障。

表6 R0.2故障模式識(shí)別結(jié)果Table 6 R0.2 fault mode detection result table

R0.2故障模式識(shí)別模型采用的是試車發(fā)次6-1～6-5和16-6聯(lián)合訓(xùn)練,異常區(qū)間為2.187 5～2.5 kHz。從分類結(jié)果來(lái)看,將存在R0.2故障的6-6與其他發(fā)次區(qū)分出來(lái),其中16-5發(fā)次經(jīng)過(guò)上文算法檢驗(yàn),存在較大的故障可能性。而16-1～16-4雖然沒(méi)經(jīng)過(guò)拆機(jī)分解,但通過(guò)本節(jié)試驗(yàn)測(cè)試暴露其存在安全隱患,值得相關(guān)人員開(kāi)展后續(xù)研究。試驗(yàn)一共涉及29次試車,R0.2故障模式識(shí)別準(zhǔn)確率為86.2%。此次R5故障模式分類試驗(yàn)結(jié)果采用8-1和12-1車次聯(lián)合訓(xùn)練的模型,異常區(qū)間為0～0.312 5 kHz。R5故障模式識(shí)別結(jié)果如表7所示,可知存在R5故障的7-2、7-3均被識(shí)別出,同時(shí)2-5、2-6存在分類錯(cuò)誤,R5故障模式識(shí)別準(zhǔn)確率為95.5%。

表7 R5故障模式識(shí)別結(jié)果Table 7 R5 fault mode detection results

綜上,本文所提方法在負(fù)樣本數(shù)量較少的情況下表現(xiàn)出良好的準(zhǔn)確率。同時(shí),該方法在訓(xùn)練模型的能夠給出不同裂紋模式對(duì)應(yīng)的頻率異常區(qū)間,可為研究人員提供故障相關(guān)的線索,用于其他診斷方法。

5 總 結(jié)

隨著計(jì)算機(jī)技術(shù)、數(shù)據(jù)存儲(chǔ)技術(shù)和數(shù)據(jù)分析技術(shù)的快速發(fā)展,基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷技術(shù)將會(huì)成為未來(lái)很長(zhǎng)時(shí)間內(nèi)的重要研究與工程應(yīng)用方向。本文基于某型液體火箭發(fā)動(dòng)機(jī)試車歷史數(shù)據(jù),構(gòu)建了一種數(shù)據(jù)驅(qū)動(dòng)的故障檢測(cè)算法模型,能夠處理不同工況下的火箭發(fā)動(dòng)機(jī)數(shù)據(jù),并在該型發(fā)動(dòng)機(jī)歷次試車數(shù)據(jù)集上進(jìn)行測(cè)試,取得了較好的效果?；诠收蠙z測(cè)算法的結(jié)果,本文構(gòu)建了一種基于頻率滑窗與聚類的故障模式判別方法,可以實(shí)現(xiàn)R0.2、R5裂紋模式的識(shí)別,并提供不同裂紋模式對(duì)應(yīng)的異常頻率區(qū)間。

經(jīng)驗(yàn)證,本文所提算法在發(fā)動(dòng)機(jī)試車數(shù)據(jù)分析過(guò)程中可有效檢測(cè)、識(shí)別液體火箭發(fā)動(dòng)機(jī)渦輪泵特定故障,能夠形成一套標(biāo)準(zhǔn)的分析工具,降低傳統(tǒng)發(fā)動(dòng)機(jī)試車數(shù)據(jù)分析方式對(duì)于技術(shù)人員人力與經(jīng)驗(yàn)的依賴,并有效提升分析過(guò)程自動(dòng)化程度,實(shí)現(xiàn)降本增效。