基于改進(jìn)ARMA模型的火箭發(fā)動(dòng)機(jī)穩(wěn)態(tài)工況過(guò)程實(shí)時(shí)故障診斷方法研究

(北京航天動(dòng)力研究所,北京 100076)

0 引言

作為基于數(shù)學(xué)模型的故障診斷方法中的一種，時(shí)間序列分析方法的優(yōu)點(diǎn)是具有良好的魯棒性、實(shí)用性和實(shí)時(shí)性。而在時(shí)間序列分析方法中，應(yīng)用于液體火箭發(fā)動(dòng)機(jī)故障檢測(cè)與診斷中應(yīng)用的主要是AR模型和ARMA模型。

國(guó)內(nèi)外就時(shí)間序列分析方法也做了大量的研究。1990年，文獻(xiàn)[1]以SSME為研究對(duì)象，對(duì)其運(yùn)行的全過(guò)程都應(yīng)用了ARMA模型進(jìn)行故障診斷，并與紅線關(guān)機(jī)算法進(jìn)行了比較，體現(xiàn)了其快速性及實(shí)用性；1997年，吳建軍等[2]提出了基于ARMA模型計(jì)算殘差自相關(guān)函數(shù)置信區(qū)間檢驗(yàn)的故障檢測(cè)策略，并介紹了相關(guān)建模方法；2002年，張純良等[3]通過(guò)改進(jìn)ARMA模型，實(shí)現(xiàn)了對(duì)某空間推進(jìn)系統(tǒng)的故障特征參數(shù)提取；2019年，薛薇等[4]針對(duì)重復(fù)使用的液體火箭發(fā)動(dòng)機(jī)，設(shè)計(jì)了基于ARMA模型的實(shí)時(shí)故障仿真系統(tǒng)，對(duì)典型故障進(jìn)行了仿真測(cè)試，并通過(guò)硬件在回路仿真測(cè)試，驗(yàn)證了算法的適用性。

綜上所述，國(guó)內(nèi)外有關(guān)于ARMA的研究有很多，但是絕大部分都是關(guān)于ARMA模型的訓(xùn)練，包括模型識(shí)別和參數(shù)估計(jì)等方面，而關(guān)于故障閾值的計(jì)算，故障的判斷準(zhǔn)則的研究卻幾乎沒(méi)有。本文以大推力氫氧補(bǔ)燃循環(huán)發(fā)動(dòng)機(jī)為研究對(duì)象，采用了基于改進(jìn)ARMA模型進(jìn)行故障診斷，利用改進(jìn)的閾值計(jì)算方法以及連續(xù)準(zhǔn)則對(duì)它主級(jí)工況下故障進(jìn)行了實(shí)時(shí)診斷，診斷結(jié)果良好。

1 基于ARMA模型的故障診斷

1.1 ARMA模型概述

ARMA(p,q)[5]自回歸滑動(dòng)平均模型是研究時(shí)間序列的一種最為重要的分析方法，該方法認(rèn)為在一組平穩(wěn)的時(shí)間序列中，某一時(shí)刻的觀測(cè)值不僅和前p步的觀測(cè)值有關(guān)，還和前q步的擾動(dòng)有關(guān)，且均為線性關(guān)系，它的表達(dá)式如式(1)所示：

(1)

其中:φi為自回歸部分系數(shù)，θi為滑動(dòng)平均部分系數(shù)；p和q分別為自回歸階數(shù)和滑動(dòng)平均階數(shù)；xt為t時(shí)刻的觀測(cè)值，at為t時(shí)刻的偏差。特殊的，當(dāng)p=0時(shí)，模型即為移動(dòng)平均模型，記為MA(q)，當(dāng)q=0時(shí)，模型即為自回歸模型，記為AR(p)。

ARMA模型所研究的是有序時(shí)間序列數(shù)據(jù)的一個(gè)內(nèi)在聯(lián)系，不需要考慮影響數(shù)據(jù)的各外在因素，通過(guò)分析有序數(shù)據(jù)本身的一個(gè)規(guī)律，來(lái)進(jìn)行短期的預(yù)測(cè)。當(dāng)給定一組系統(tǒng)的時(shí)間序列時(shí)，通過(guò)訓(xùn)練建立ARMA模型，可以得到短期的預(yù)測(cè)數(shù)據(jù)，將預(yù)測(cè)數(shù)據(jù)與實(shí)際數(shù)據(jù)相互比較，可以判斷系統(tǒng)是否出現(xiàn)故障。ARMA模型使用有一個(gè)重要的前提，即所分析的數(shù)據(jù)必須是平穩(wěn)數(shù)據(jù)。

1.2 ARMA模型的訓(xùn)練

利用時(shí)間序列訓(xùn)練ARMA的主要步驟如圖1所示，首先是讀入數(shù)據(jù)，利用傳感器測(cè)得所需要的參數(shù)數(shù)據(jù)，然后進(jìn)行數(shù)據(jù)的處理，接著進(jìn)行模型識(shí)別和參數(shù)估計(jì)，最后進(jìn)行模型的檢驗(yàn)和預(yù)測(cè)。

圖1 ARMA模型訓(xùn)練步驟

首先，判斷原始數(shù)據(jù)是否平穩(wěn)，如不平穩(wěn)，則進(jìn)行差分處理，使其平穩(wěn)，這是因?yàn)锳RMA模型只能訓(xùn)練平穩(wěn)的數(shù)據(jù)；接著進(jìn)行模型識(shí)別，判斷適用于ARMA模型、AR模型還是MA模型；然后通過(guò)相關(guān)定階及參數(shù)估計(jì)方法確定模型階數(shù)和參數(shù)，確定模型具體表達(dá)形式；最后進(jìn)行預(yù)測(cè)和檢驗(yàn)，如果不合適，則重新進(jìn)行模型的訓(xùn)練過(guò)程。

訓(xùn)練ARMA模型時(shí)，最為重要的就是模型定階及參數(shù)估計(jì)的部分，模型階數(shù)和參數(shù)的準(zhǔn)確性直接影響到檢驗(yàn)結(jié)果的好壞[6]。本文確定模型階數(shù)的方法為：首先通過(guò)分析計(jì)算時(shí)間序列的自相關(guān)函數(shù)ACF和偏自相關(guān)函數(shù)PACF及它們各自的圖像，利用它們的拖尾性和截尾性實(shí)現(xiàn)模型階數(shù)的初步確定，得到模型階數(shù)的幾種組合情況，接著利用AIC信息準(zhǔn)則，選擇AIC值最小的模型作為最優(yōu)的模型階數(shù)。而當(dāng)模型的階數(shù)確定之后，便需要進(jìn)行參數(shù)估計(jì)，模型參數(shù)估計(jì)的方式有很多，最常見(jiàn)的方法有：矩估計(jì)法、極大似然估計(jì)法、最小二乘法等等，本文利用最小二乘法進(jìn)行參數(shù)估計(jì)，最后得到準(zhǔn)確的預(yù)測(cè)模型。

ARMA模型所針對(duì)的只是一個(gè)監(jiān)測(cè)參數(shù)，當(dāng)需要對(duì)多個(gè)參數(shù)進(jìn)行判斷時(shí)，則需要針對(duì)每一個(gè)參數(shù)單獨(dú)進(jìn)行模型訓(xùn)練，即有多少個(gè)監(jiān)測(cè)參數(shù)，就需要訓(xùn)練多少個(gè)ARMA模型。

1.3 基于ARMA模型的發(fā)動(dòng)機(jī)穩(wěn)態(tài)工況實(shí)時(shí)診斷算法設(shè)計(jì)

當(dāng)液體火箭發(fā)動(dòng)機(jī)工作在主級(jí)工況下時(shí)，各監(jiān)測(cè)參數(shù)都會(huì)穩(wěn)定在一定的動(dòng)態(tài)范圍內(nèi)，我們利用這些參數(shù)來(lái)訓(xùn)練ARMA模型，可以預(yù)測(cè)參數(shù)的一個(gè)變化規(guī)律。當(dāng)發(fā)動(dòng)機(jī)故障發(fā)生，我們用模型預(yù)測(cè)得到的數(shù)據(jù)和實(shí)際數(shù)據(jù)就會(huì)有很大偏差，但這個(gè)殘差到達(dá)什么程度則判定為故障的研究卻很稀少，國(guó)內(nèi)外學(xué)者們就ARMA模型在故障診斷上的應(yīng)用有很多的研究，但是大多都是針對(duì)如何進(jìn)行訓(xùn)練模型而展開(kāi)，本文基于改進(jìn)ARMA模型的判斷準(zhǔn)則出發(fā)，使用了新的閾值計(jì)算方法以及連續(xù)判定準(zhǔn)則，實(shí)現(xiàn)了故障的零誤報(bào)率及快速報(bào)警。

一般而言，基于信號(hào)和模型的故障診斷算法，判斷故障是否發(fā)生主要依靠于閾值準(zhǔn)則，即當(dāng)預(yù)測(cè)值和實(shí)際值之間的偏差量大于某一閾值時(shí)，則判斷故障發(fā)生。在本文中，為了避免因?yàn)榕既灰蛩貙?dǎo)致某一瞬間參數(shù)變化過(guò)大，從而導(dǎo)致誤判的情況，采用了連續(xù)準(zhǔn)則，即當(dāng)預(yù)測(cè)值和實(shí)際值之間的偏差量連續(xù)幾次超過(guò)某一閾值，則判斷故障發(fā)生，反之，則未發(fā)生，并通過(guò)多次試驗(yàn)，發(fā)現(xiàn)當(dāng)連續(xù)次數(shù)設(shè)定為二次、三次和四次時(shí)，系統(tǒng)均會(huì)出現(xiàn)誤報(bào)警，而當(dāng)連續(xù)次數(shù)設(shè)定為五次時(shí)，診斷情況最為精確，無(wú)誤報(bào)警出現(xiàn)，所以設(shè)定連續(xù)次數(shù)為5次。

參數(shù)閾值的設(shè)定對(duì)算法的靈敏度和可靠性的影響很大，如果閾值設(shè)定過(guò)低，則易出現(xiàn)誤報(bào)警，如果閾值范圍太大，又會(huì)降低算法的靈敏度。我們的改進(jìn)閾值確定方法參考自適應(yīng)相關(guān)安全限故障檢測(cè)算法閾值的設(shè)定準(zhǔn)則[7]，在主級(jí)工況下，參數(shù)的閾值計(jì)算公式如下:

Pt=Pave+S*N

(2)

其中:Pt為參數(shù)的閾值，Pave為參數(shù)的平均值，S為參數(shù)的標(biāo)準(zhǔn)偏差，N為帶寬系數(shù)。Pave和S由主級(jí)工況下各參數(shù)正常工作的統(tǒng)計(jì)數(shù)據(jù)求得，而帶寬系數(shù)N根據(jù)正常參數(shù)測(cè)量值位于安全帶之外的概率來(lái)確定。具體確定閾值的方法如下：

1)首先計(jì)算前n個(gè)樣本數(shù)據(jù)的平均值Pave和標(biāo)準(zhǔn)偏差值S；

2)接著先令帶寬系數(shù)N值為1，初步確定參數(shù)閾值，并記錄前n個(gè)樣本數(shù)據(jù)中參數(shù)值超過(guò)閾值的參數(shù)值P及次數(shù)M；

3)利用式(3)計(jì)算越界參數(shù)的規(guī)范化偏差值的平均值N′:

(3)

4)確定閾值公式如式(4)所示：

Pt=Pave+S*(1+N′)

(4)

改進(jìn)的閾值求解公式計(jì)算得到的閾值與傳統(tǒng)的閾值求解算法相比，通過(guò)實(shí)驗(yàn)驗(yàn)證，發(fā)現(xiàn)誤報(bào)警率有明顯的降低，故障診斷效率有明顯的提高。

2 基于改進(jìn)ARMA模型判別準(zhǔn)則的的發(fā)動(dòng)機(jī)典型故障分析

2.1 故障模型和故障數(shù)據(jù)

圖2 氫氧補(bǔ)燃循環(huán)發(fā)動(dòng)機(jī)仿真系統(tǒng)圖

本文的故障模型來(lái)源于我國(guó)新一代大推力氫氧補(bǔ)燃循環(huán)液體火箭發(fā)動(dòng)機(jī)，它以低溫液氫液氧作為推進(jìn)劑，采用了單富氫預(yù)燃室，燃?xì)獠⒙?lián)驅(qū)動(dòng)氫氧渦輪泵的補(bǔ)燃循環(huán)方案。本文利用了Matlab/Simulink工具構(gòu)建了它的故障仿真模型，具體結(jié)構(gòu)如圖2所示，它可以仿真發(fā)動(dòng)機(jī)各部位多種典型故障，并支持發(fā)動(dòng)機(jī)模塊化的建模功能，詳細(xì)的設(shè)計(jì)及仿真分析見(jiàn)文獻(xiàn)[8]。

發(fā)動(dòng)機(jī)在主級(jí)工況時(shí)，各監(jiān)控參數(shù)都穩(wěn)定在一個(gè)合理的動(dòng)態(tài)范圍內(nèi)，發(fā)動(dòng)機(jī)正常工作時(shí)，這些波動(dòng)是可以預(yù)測(cè)的，變化的這些參數(shù)可以通過(guò)相應(yīng)的傳感器測(cè)量得到，當(dāng)發(fā)動(dòng)機(jī)有故障發(fā)生時(shí)，這些參數(shù)就會(huì)出現(xiàn)較為明顯的變化，傳感器測(cè)量的參數(shù)也會(huì)超出穩(wěn)態(tài)工作范圍。本文主要利用改進(jìn)ARMA模型來(lái)實(shí)現(xiàn)發(fā)動(dòng)機(jī)主級(jí)工況的實(shí)時(shí)故障診斷研究。

一般而言，給發(fā)動(dòng)機(jī)仿真模型添加故障有兩種方式：一種是修改發(fā)動(dòng)機(jī)系統(tǒng)仿真模型，直接構(gòu)建新的故障模型；另一種是可通過(guò)添加相應(yīng)故障故障因子的方法，在發(fā)動(dòng)機(jī)模型上直接乘以一個(gè)故障因子數(shù)，故障因子的設(shè)置部位和大小反應(yīng)了故障發(fā)生的部位和故障嚴(yán)重程度。考慮到第二種方法的易操作性和可靠性，我們選擇添加故障因子的方法來(lái)構(gòu)建發(fā)動(dòng)機(jī)故障模型。本文添加的故障類型為主氧泵汽蝕故障，當(dāng)發(fā)生這類故障時(shí)，首先氧泵汽蝕會(huì)直接導(dǎo)致氧泵效率的明顯的降低，相應(yīng)的氧泵的關(guān)鍵參數(shù)諸如轉(zhuǎn)速、出口的壓力和流量也會(huì)降低；接著根據(jù)發(fā)動(dòng)機(jī)的工作原理以及氧工質(zhì)流動(dòng)情況分析，主氧泵連接了氧預(yù)壓泵和預(yù)燃室，氧流量互通，壓力相互平衡，從流量關(guān)系來(lái)看，導(dǎo)致了氧預(yù)壓泵流量、推力室氧噴前流量和推力室喉部流量的明顯降低，而從壓力關(guān)系來(lái)看，主氧泵出口壓力的降低，引起了主氧泵泵前壓力和推力室氧噴前壓力的下降。而其它發(fā)動(dòng)機(jī)關(guān)鍵參數(shù)變化，由于發(fā)動(dòng)機(jī)的耦合關(guān)系，也會(huì)出現(xiàn)相應(yīng)的變化。

通過(guò)上述的故障模式分析，得到了關(guān)鍵參數(shù)的變化情況，對(duì)于我們下一節(jié)發(fā)動(dòng)機(jī)監(jiān)測(cè)參數(shù)的選擇有著重要的參考價(jià)值。

2.2 訓(xùn)練ARMA模型

每一個(gè)監(jiān)測(cè)參數(shù)都需要訓(xùn)練對(duì)應(yīng)的ARMA模型，所以監(jiān)測(cè)參數(shù)的選擇極為關(guān)鍵。根據(jù)上一節(jié)的故障模式分析結(jié)果，并結(jié)合了監(jiān)測(cè)參數(shù)的可監(jiān)控性、監(jiān)測(cè)參數(shù)對(duì)故障的敏感性、監(jiān)測(cè)參數(shù)對(duì)于監(jiān)控算法的強(qiáng)魯棒性等方面[9]選擇了氧主泵泵后流量、氧主渦輪泵轉(zhuǎn)速和氧主泵泵后壓力這三個(gè)監(jiān)測(cè)參數(shù)，表1列出了所選擇的監(jiān)測(cè)參數(shù)以及單位。

表1 用于ARMA模型訓(xùn)練的氧泵汽蝕監(jiān)測(cè)參數(shù)

本文設(shè)置仿真總時(shí)間為7 s，而故障發(fā)生時(shí)間則為4 s，設(shè)定的采樣步長(zhǎng)為0.01 s，并增加了高斯白噪聲。首先通過(guò)仿真得到了氧泵汽蝕故障三個(gè)監(jiān)測(cè)參數(shù)的原始數(shù)據(jù)圖及零均值之后的圖如圖3所示。

圖3 參數(shù)原始數(shù)據(jù)圖和零均值圖

根據(jù)直接觀測(cè)，正常工作時(shí)候的數(shù)據(jù)無(wú)明顯的周期變化，并且沒(méi)有明顯的趨勢(shì)性，說(shuō)明數(shù)據(jù)具有平穩(wěn)性，則零均值化之后的數(shù)據(jù)也是零均值平穩(wěn)時(shí)間序列，滿足了ARMA算法建模的要求，可以用于ARMA算法建模，并進(jìn)行數(shù)據(jù)的預(yù)測(cè)和分析。

接著我們利用這三個(gè)監(jiān)測(cè)參數(shù)正常工作時(shí)的數(shù)據(jù)來(lái)進(jìn)行ARMA模型的訓(xùn)練，而用于ARMA模型訓(xùn)練的數(shù)據(jù)長(zhǎng)度也有一定的要求，訓(xùn)練長(zhǎng)度過(guò)長(zhǎng)時(shí)，會(huì)使得計(jì)算量增大且易導(dǎo)致模型訓(xùn)練的困難，而當(dāng)訓(xùn)練長(zhǎng)度過(guò)于短時(shí)，則會(huì)使得所選數(shù)據(jù)不能完全表示數(shù)據(jù)的特征，導(dǎo)致訓(xùn)練的模型準(zhǔn)確度不夠。因此，一般模型數(shù)據(jù)長(zhǎng)度的選擇需要經(jīng)歷試驗(yàn)來(lái)驗(yàn)證。這里我們分別使用了正常工作時(shí)的前200個(gè)、前300個(gè)以及前400個(gè)數(shù)據(jù)來(lái)進(jìn)行模型的訓(xùn)練，發(fā)現(xiàn)前200個(gè)數(shù)據(jù)得到的模型差距太大，而前300個(gè)和前400個(gè)數(shù)據(jù)得到的訓(xùn)練模型幾乎一樣，所以在考慮到準(zhǔn)確性和為了減少計(jì)算量的情況下，選擇利用前300個(gè)數(shù)據(jù)來(lái)進(jìn)行模型訓(xùn)練。首先進(jìn)行模型識(shí)別步驟，分別計(jì)算并畫出前300個(gè)數(shù)據(jù)的自相關(guān)函數(shù)值和偏自相關(guān)函數(shù)值，如圖4所示。

圖4 自相關(guān)函數(shù)圖像和偏自相關(guān)函數(shù)圖像

由于樣本數(shù)據(jù)的ACF大多都落在了置信區(qū)間內(nèi)，滿足隨機(jī)性要求，并且隨著k增大，函數(shù)值逐漸趨近于0，則認(rèn)為該序列具有平穩(wěn)性，可以按照ARMA模型進(jìn)行預(yù)測(cè)分析，下面分別針對(duì)三個(gè)監(jiān)測(cè)參數(shù)建立各自的ARMA模型。

針對(duì)氧主泵泵后流量，分析圖4(a)的圖像：根據(jù)偏自相關(guān)函數(shù)圖的拖尾性，我們可以確定自回歸階數(shù)p值為1，而根據(jù)自相關(guān)函數(shù)圖像的拖尾性，我們可以確定滑動(dòng)平均階數(shù)q值為4、5和6。因此我們可以初步得到ARMA(1,4)、ARMA(1,5)和ARMA(1,6)這3個(gè)模型。接著利用AIC信息準(zhǔn)則，分別計(jì)算這3個(gè)模型所對(duì)應(yīng)的參數(shù)以及AIC值，如表2所示。

根據(jù)AIC準(zhǔn)則，選擇AIC最小的對(duì)應(yīng)的模型作為最優(yōu)模型，最終確定預(yù)測(cè)模型為ARMA(1,4)，因此可以得到氧主泵泵后流量的預(yù)測(cè)模型如式(5)所示：

xt=-0.77759*xt-1+at+0.35776*at-1+0.206652*at-2+ 0.0569704*at-3+0.057282*at-4

(5)

表2 模型參數(shù)的擬合結(jié)果

同理，針對(duì)氧主渦輪泵轉(zhuǎn)速，得到預(yù)測(cè)模型如式(6)所示:

xt=0.855249*xt-1+at+0.324822*at-1-

0.00513586*at-2+0.194542*at-3

(6)

同理，針對(duì)氧主泵泵后壓力，得到預(yù)測(cè)模型如式(7)所示:

xt=-0.780675*xt-1+at+0.201901*at-1+

0.00949483*at-2+ 0.125835*at-3+0.214167*at-4

(7)

2.3 改進(jìn)ARMA模型判別準(zhǔn)則的故障診斷與分析

2.3.1 模型精度分析

三個(gè)監(jiān)測(cè)參數(shù)都有了預(yù)測(cè)數(shù)學(xué)模型，接著根據(jù)各自的預(yù)測(cè)模型，我們可以做出各自的預(yù)測(cè)曲線，并將它與實(shí)際曲線相比較，如圖5所示，左側(cè)為預(yù)測(cè)曲線和實(shí)際曲線對(duì)比圖形，右側(cè)為預(yù)測(cè)值和實(shí)際值得差值圖。

圖5 預(yù)測(cè)結(jié)果圖

根據(jù)圖5左側(cè)圖形觀察可以知道，預(yù)測(cè)圖形和實(shí)際圖形基本重合，預(yù)測(cè)效果良好，并且在故障發(fā)生后，3個(gè)監(jiān)測(cè)參數(shù)都有了明顯的下降，這和我們之前預(yù)測(cè)的故障參數(shù)變化趨勢(shì)一致，這也證明了搭建的發(fā)動(dòng)機(jī)故障仿真模型是正確的；右側(cè)圖形可以發(fā)現(xiàn)，實(shí)際值和預(yù)測(cè)值得差值相比于實(shí)際值較小，證明了預(yù)測(cè)結(jié)果精度較高。而對(duì)于時(shí)間序列模型的預(yù)測(cè)效果來(lái)說(shuō)，預(yù)測(cè)的精度是極為重要的，接下來(lái)我們通過(guò)相關(guān)數(shù)值來(lái)讓結(jié)果更加清晰明了。目前，對(duì)預(yù)測(cè)的精度評(píng)定主要是基于誤差理論[10]，即用平均絕對(duì)誤差(Mean Absolute Error, MAE)和均方誤差(Mean Squared Error, MSE)來(lái)衡量。本文選擇平均絕對(duì)誤差MAE作為模型預(yù)測(cè)精度的判斷標(biāo)準(zhǔn)，通過(guò)Matlab編程得到了三個(gè)監(jiān)測(cè)參數(shù)MAE值如表3所示。

表3 監(jiān)測(cè)參數(shù)MAE值

通過(guò)表3分析可知，三個(gè)監(jiān)測(cè)參數(shù)的平均絕對(duì)誤差和發(fā)生故障后的偏移量相比較小，數(shù)值上連5%都不到，所以故障發(fā)生之前，監(jiān)測(cè)參數(shù)的正常波動(dòng)并不會(huì)影響訓(xùn)練的ARMA模型對(duì)故障發(fā)生的判斷，可以用于判斷故障是否發(fā)生。

2.3.2 基于改進(jìn)閾值判別準(zhǔn)則的故障診斷

我們利用前300個(gè)正常工況下的預(yù)測(cè)值和實(shí)際值的偏差值來(lái)進(jìn)行發(fā)動(dòng)機(jī)故障的診斷分析，首先基于改進(jìn)的參數(shù)閾值求解式(2)～(4)，確定了各監(jiān)測(cè)參數(shù)預(yù)測(cè)值和實(shí)際值差值的閾值，然后設(shè)定連續(xù)超過(guò)閾值次數(shù)為5次時(shí)報(bào)警，并選取這五次中第一次的時(shí)間為發(fā)生故障的時(shí)間，最后通過(guò)仿真分析，得到了氧泵汽蝕故障下各監(jiān)測(cè)參數(shù)的故障診斷情況如表4所示，上述過(guò)程均利用了Matlab編程[11]實(shí)現(xiàn)。

表4 各參數(shù)的故障診斷情況

由表4結(jié)果分析可知：3個(gè)監(jiān)測(cè)參數(shù)均未出現(xiàn)提前的誤報(bào)警，診斷時(shí)間都在幾十毫秒的量級(jí)，每一個(gè)參數(shù)都能迅速地診斷出故障，設(shè)定的閾值合理，故障診斷較為迅速。這些均證明了所訓(xùn)練的ARMA模型以及所使用的改進(jìn)閾值判別準(zhǔn)則和連續(xù)準(zhǔn)則合理且高效，可以用于發(fā)動(dòng)機(jī)故障診斷，這對(duì)于以后發(fā)動(dòng)機(jī)健康監(jiān)控系統(tǒng)的設(shè)計(jì)有著積極的參考意義。

3 結(jié)論

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)主級(jí)工況進(jìn)行了實(shí)時(shí)的診斷算法設(shè)計(jì)，并通過(guò)仿真分析驗(yàn)證了算法的有效性。首先，通過(guò)MATLAB/Simulink工具建立了大推力氫氧補(bǔ)燃循環(huán)發(fā)動(dòng)機(jī)的故障仿真模型，并通過(guò)添加故障因子的辦法得到了對(duì)應(yīng)故障模式的原始故障數(shù)據(jù)；其次，設(shè)計(jì)了改進(jìn)的ARMA模型，并改進(jìn)了閾值求解算法和故障判別準(zhǔn)則；最后，通過(guò)仿真分析驗(yàn)證了所訓(xùn)練的算法的合理性以及改進(jìn)閾值判別準(zhǔn)則的高效性及適用性，滿足發(fā)動(dòng)機(jī)故障診斷系統(tǒng)設(shè)計(jì)的要求。