液體火箭發(fā)動(dòng)機(jī)智能故障診斷的研究現(xiàn)狀*

胡海峰

1.北京航天自動(dòng)控制研究所，北京 100854 2.航天智能控制國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100854

0 引言

液體火箭發(fā)動(dòng)機(jī)工作在惡劣物理?xiàng)l件下，作為火箭的動(dòng)力核心，運(yùn)行過程中一旦發(fā)生故障，會(huì)造成巨大災(zāi)難[1,2]。自1967年1月阿波羅4A號(hào)發(fā)生嚴(yán)重事故、到2006年為止，在美國(guó)等國(guó)家進(jìn)行的共249次載人航天發(fā)射飛行中，出現(xiàn)故障166起[3]，其中動(dòng)力系統(tǒng)故障占航天系統(tǒng)總故障的60%以上[4]。因此，及時(shí)準(zhǔn)確發(fā)現(xiàn)發(fā)動(dòng)機(jī)運(yùn)行過程中的異常，對(duì)于及時(shí)補(bǔ)救和完善操作規(guī)程[5]、進(jìn)行飛行控制重構(gòu)，以盡可能挽救任務(wù)具有重要意義[6-7]。

液體火箭發(fā)動(dòng)機(jī)的結(jié)構(gòu)極其復(fù)雜，是包含多個(gè)樹形分支子系統(tǒng)的復(fù)雜系統(tǒng)，可分為管路系統(tǒng)、渦輪泵系統(tǒng)以及推力室系統(tǒng)，每個(gè)系統(tǒng)又由多個(gè)部件耦合連接[8-9]。當(dāng)故障發(fā)生時(shí)，環(huán)境干擾及故障多樣性、故障信息耦合的復(fù)雜性，給液體火箭發(fā)動(dòng)機(jī)故障診斷及預(yù)測(cè)帶來了極大挑戰(zhàn)[5，8]。

液體火箭發(fā)動(dòng)機(jī)的健康監(jiān)控包括故障檢測(cè)、故障診斷和故障控制等。故障檢測(cè)是利用各類傳感器測(cè)量和提取得到的發(fā)動(dòng)機(jī)運(yùn)行過程數(shù)據(jù)，對(duì)發(fā)動(dòng)機(jī)的工作狀態(tài)有無異常做出可靠判斷；故障診斷是根據(jù)經(jīng)驗(yàn)和推測(cè)所獲得的異常狀態(tài)信息，對(duì)發(fā)生故障的類型、程度和部位進(jìn)行分類診斷，從而確定故障時(shí)間、估計(jì)故障程度并實(shí)現(xiàn)故障模式的分離[4]。已有文獻(xiàn)[10]對(duì)故障檢測(cè)和監(jiān)控進(jìn)行了詳細(xì)的綜述。近年來基于人工智能的液體火箭發(fā)動(dòng)機(jī)得到了應(yīng)用和廣泛重視[4]。

本文目的是匯總分析故障模式及監(jiān)控信號(hào)，總結(jié)分析液體火箭發(fā)動(dòng)機(jī)故障診斷研究的進(jìn)展。

1 液體火箭發(fā)動(dòng)機(jī)的故障模式研究

液體火箭發(fā)動(dòng)機(jī)發(fā)生故障的機(jī)理復(fù)雜，包括單一機(jī)理和耦合機(jī)理。文獻(xiàn)[5]基于泵壓式液體火箭發(fā)動(dòng)機(jī)的故障統(tǒng)計(jì)數(shù)據(jù)和故障事件等，總結(jié)了發(fā)動(dòng)機(jī)故障的模式；文獻(xiàn)[11]以國(guó)內(nèi)4種泵壓式液體火箭發(fā)動(dòng)機(jī)研制歷史為基礎(chǔ)，提出發(fā)動(dòng)機(jī)常見的故障模式；文獻(xiàn)[12]對(duì)YF-75液體火箭發(fā)動(dòng)機(jī)故障模式進(jìn)行分析；文獻(xiàn)[13]針對(duì)某定型大型液體火箭發(fā)動(dòng)機(jī)，論述了可能出現(xiàn)或已發(fā)生的故障模式；文獻(xiàn)[14]總結(jié)了發(fā)動(dòng)機(jī)常見故障模式；文獻(xiàn)[15]收集了各種發(fā)動(dòng)機(jī)試車故障情況，把故障類型分為6大類；基于已有文獻(xiàn)研究成果，歸納液體火箭發(fā)動(dòng)機(jī)主要故障模式如表1所示，其中大部分故障與渦輪泵有關(guān)[16],渦輪泵故障率最高[11,14]。

表1 泵壓式液體火箭發(fā)動(dòng)機(jī)主要故障模式

在對(duì)液體火箭發(fā)動(dòng)機(jī)進(jìn)行故障診斷之前，需要提取發(fā)動(dòng)機(jī)運(yùn)行過程中的信號(hào)。由于液體火箭發(fā)動(dòng)機(jī)結(jié)構(gòu)緊湊，傳感器布置位置和數(shù)量受到限制，導(dǎo)致液體火箭發(fā)動(dòng)機(jī)信號(hào)表征不強(qiáng)，給其物理信息的獲取帶來困難，常見的傳感器監(jiān)控信號(hào)如表2所示。

表2 常見液體火箭發(fā)動(dòng)機(jī)監(jiān)控信號(hào)

根據(jù)采集信號(hào)方式可將傳感器數(shù)據(jù)分成運(yùn)行中的連續(xù)時(shí)序數(shù)據(jù)和狀態(tài)參數(shù)的離散數(shù)據(jù)兩大類[4]，可以根據(jù)傳感器采集到的數(shù)據(jù)進(jìn)行故障診斷。針對(duì)不同的信號(hào)選取種類和處理方法，現(xiàn)有的故障診斷方法包括基于模型、基于信號(hào)分析和基于人工智能的故障診斷[5,17]。

2 基于模型的故障診斷

2.1 基于時(shí)間序列算法的故障診斷方法

時(shí)間序列算法(ARMA)是用較早的信號(hào)來評(píng)估目前的信號(hào)，以信號(hào)結(jié)構(gòu)模型實(shí)現(xiàn)對(duì)故障的檢測(cè)[5,17]?；贏RMA的模型已被用于穩(wěn)態(tài)工況下快速性和振蕩性故障的檢測(cè)。該方法具有良好的魯棒性、實(shí)時(shí)性和實(shí)用性，國(guó)內(nèi)外對(duì)此做了大量的研究。

2000年，王建波[18]介紹了用ARMA模型對(duì)YF-75發(fā)動(dòng)機(jī)中出現(xiàn)的的泄漏故障進(jìn)行分析檢測(cè)的方法?；诓煌臋z測(cè)參數(shù)時(shí)間序列構(gòu)建自回歸模型，模型的判別函數(shù)為Kullback-Leibler信息測(cè)度。該方法具有預(yù)警及預(yù)測(cè)能力，能實(shí)現(xiàn)泄漏故障的實(shí)時(shí)預(yù)測(cè)。針對(duì)重復(fù)使用火箭發(fā)動(dòng)機(jī)，基于ARMA模型的實(shí)時(shí)故障診斷系統(tǒng)[19]仿真分析表明該算法能成功診斷出發(fā)動(dòng)機(jī)的常見故障，并進(jìn)行報(bào)警。2020年，鄧晨等[20]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，開發(fā)了基于ARMA模型的實(shí)時(shí)故障診斷算法、故障閾值求解方法及判別準(zhǔn)則，證明了改進(jìn)算法的高效性及有效性。此外，劉冰[21]、劉英元[22]等先后利用故障信號(hào)提取的方式對(duì)檢驗(yàn)?zāi)Ｐ瓦M(jìn)行了驗(yàn)證。

還有學(xué)者使用AR-CGARCH模型進(jìn)行故障檢測(cè)，避免了傳統(tǒng)自適應(yīng)閾值算法對(duì)時(shí)間序列方差跟蹤能力不足，以及故障階段帶寬自動(dòng)放大的問題[23]，證明時(shí)間序列分析的診斷方法在液體火箭發(fā)動(dòng)機(jī)故障診斷領(lǐng)域有極大的發(fā)展?jié)摿Γ?/p>

2.2 基于數(shù)學(xué)模型的故障診斷

1994年，張育林[24]等針對(duì)泵壓式供應(yīng)系統(tǒng)液體火箭發(fā)動(dòng)機(jī)提出了故障檢測(cè)與故障診斷的基本框架，如圖1所示。建立了基于發(fā)動(dòng)機(jī)系統(tǒng)燃燒室壓力、燃燒室組元比、燃?xì)獍l(fā)生器室壓等11個(gè)狀態(tài)變量的非線性數(shù)學(xué)模型，研究了推廣的卡爾曼濾波的故障檢測(cè)方法和基于低階線性模型的故障診斷方法。

圖1 故障診斷系統(tǒng)與研究框架[24]

1997年，吳建軍等[25]基于液體火箭發(fā)動(dòng)機(jī)故障診斷方法實(shí)時(shí)驗(yàn)證的需求，將發(fā)動(dòng)機(jī)全階非線性數(shù)學(xué)模型進(jìn)行針對(duì)性優(yōu)化，建立起發(fā)動(dòng)機(jī)降階非線性動(dòng)態(tài)模型，可以用來模擬發(fā)動(dòng)機(jī)隨機(jī)動(dòng)態(tài)特性。該模型在精確性、實(shí)時(shí)性等方面可以滿足實(shí)時(shí)性驗(yàn)證的要求。朱恒偉[26]提出基于靜態(tài)方程形式的故障診斷策略，但該策略存在測(cè)量參數(shù)不足與反饋回路的問題，導(dǎo)致故障影響參數(shù)傳播、故障診斷有效性受到影響。針對(duì)以上問題，提出了反映部件特性的故障診斷策略，能夠?qū)崿F(xiàn)與已有基于系統(tǒng)方程的診斷系統(tǒng)相一致的診斷效果。王碩等[27]基于運(yùn)載火箭的動(dòng)力學(xué)與運(yùn)動(dòng)學(xué)模型提出一種帶遺忘因子的多信息融合最小二乘算法，僅利用導(dǎo)航敏感器件的慣性測(cè)量信息，就實(shí)現(xiàn)了發(fā)動(dòng)機(jī)的在線故障診斷，并通過仿真驗(yàn)證了該方法的適應(yīng)性和準(zhǔn)確性。

根據(jù)模型的故障診斷方法，能夠反映大量發(fā)動(dòng)機(jī)實(shí)際系統(tǒng)特性，雖已具備理論依據(jù)，但仍需要實(shí)際試車檢驗(yàn)[28]。液體火箭發(fā)動(dòng)機(jī)系統(tǒng)非常復(fù)雜，特別是其強(qiáng)非線性特性導(dǎo)致難以構(gòu)建精準(zhǔn)的數(shù)學(xué)模型，限制了基于模型故障診斷方法的應(yīng)用。

基于系統(tǒng)辨識(shí)的模型能夠捕獲復(fù)雜物理過程，這種非線性數(shù)學(xué)模型更為簡(jiǎn)單、明確[29]。Kyelim Lee等[30]針對(duì)開式循環(huán)液體火箭發(fā)動(dòng)機(jī)穩(wěn)態(tài)故障診斷，提出了基于卡爾曼濾波和故障因子法的故障檢測(cè)與診斷算法，該算法由閾值法、白度法、GLRT法和MM法組成。通過對(duì)開式循環(huán)全推理液體推進(jìn)劑火箭發(fā)動(dòng)機(jī)進(jìn)行數(shù)值模擬，驗(yàn)證了卡爾曼濾波算法在識(shí)別傳感器或內(nèi)部元件故障發(fā)生位置方面的有效性，以及故障因子法在快速檢測(cè)內(nèi)部元件故障發(fā)生的時(shí)間和位置方面的有效性。薛薇等[31]針對(duì)氫氧發(fā)動(dòng)機(jī)的故障診斷，設(shè)計(jì)并構(gòu)建了遞歸結(jié)構(gòu)識(shí)別(RESID)模型，該模型以遞歸方式建立不同特征之間的相互關(guān)系，構(gòu)建一個(gè)更高階的非線性回歸方程作為判別函數(shù)，并且通過半實(shí)物仿真驗(yàn)證了該方法的有效性。

基于模型的故障診斷在原理上具有最高的精度，但由于液體火箭發(fā)動(dòng)機(jī)中各部件強(qiáng)耦合，故障的結(jié)構(gòu)參數(shù)維度通常遠(yuǎn)大于傳感器能提供的參數(shù)維度，導(dǎo)致模型無法求解、建模難度及成本過高；另外基于模型的故障診斷的前提是有大量的發(fā)動(dòng)機(jī)故障先驗(yàn)知識(shí)，診斷結(jié)果的準(zhǔn)確性直接依賴于所建立的數(shù)學(xué)模型與實(shí)際系統(tǒng)的相符程度。因此，僅從模型的角度出發(fā)難以滿足液體火箭發(fā)動(dòng)機(jī)故障診斷的精度和速度要求，需要借助傳感器信號(hào)等具有結(jié)構(gòu)和故障表征能力的數(shù)據(jù)進(jìn)行分析。

3 基于信號(hào)分析的故障診斷方法

3.1 基于振動(dòng)信號(hào)的故障診斷

液體火箭發(fā)動(dòng)機(jī)在運(yùn)行過程中會(huì)產(chǎn)生振動(dòng)，這些振動(dòng)可以引起系統(tǒng)故障，進(jìn)而影響到整機(jī)性能。液體火箭發(fā)動(dòng)機(jī)的振動(dòng)包含了發(fā)動(dòng)機(jī)的運(yùn)行狀態(tài)和發(fā)動(dòng)機(jī)結(jié)構(gòu)等信息，其變化范圍在幾赫茲到幾十赫茲變化。利用動(dòng)態(tài)測(cè)試儀對(duì)振動(dòng)信號(hào)進(jìn)行捕捉、處理、分析，能夠得到液體火箭發(fā)動(dòng)機(jī)的運(yùn)轉(zhuǎn)信息，進(jìn)而對(duì)發(fā)動(dòng)機(jī)的健康情況和系統(tǒng)性能作出評(píng)估，并進(jìn)一步診斷故障[5]。

振動(dòng)信號(hào)可以采用時(shí)域、頻域、時(shí)頻域的方法進(jìn)行分析。在時(shí)域內(nèi)，其分析指標(biāo)包括幅值、周期、上升時(shí)間和下降時(shí)間等。在頻域內(nèi)，其分析方法包括FFT、高頻譜分析、STFT、倒頻譜分析等。在時(shí)頻域內(nèi)，分析方法主要包括小波分析、WD分布等[5]。

截至1990年，用于航天飛機(jī)主發(fā)動(dòng)機(jī)振動(dòng)監(jiān)測(cè)的飛行加速度安全關(guān)機(jī)系統(tǒng)FASCOS，參加了多次地面試車[32]，但由于儀器設(shè)備可靠性低，該系統(tǒng)未被用于飛行試車。1997年，針對(duì)YF-75發(fā)動(dòng)機(jī)渦輪泵振動(dòng)信號(hào)，朱恒偉[26]開發(fā)簡(jiǎn)單實(shí)用的振動(dòng)信號(hào)實(shí)時(shí)檢測(cè)方法；開發(fā)了基于比較細(xì)致的信號(hào)頻域特征和神經(jīng)網(wǎng)絡(luò)的振動(dòng)故障方法，計(jì)算復(fù)雜度較高，可進(jìn)一步擴(kuò)展為故障診斷方法[33]。

1996年，馬歇爾空間飛行中心開發(fā)了針對(duì)渦輪泵振動(dòng)分析的航天發(fā)飛機(jī)主動(dòng)機(jī)實(shí)時(shí)振動(dòng)監(jiān)測(cè)系統(tǒng)(RTVMS)[34]，提高了渦輪泵設(shè)備的安全可靠性。1999年，RTVMS縮減版被引入?yún)⑴c了實(shí)際飛行試驗(yàn)，該系統(tǒng)至今已為150臺(tái)次高壓渦輪泵靜態(tài)試驗(yàn)提供主動(dòng)振動(dòng)監(jiān)測(cè)，且從未出現(xiàn)系統(tǒng)故障。

2008年，夏魯瑞等[35]分析了汽輪泵轉(zhuǎn)子葉片斷裂脫落的典型故障原因，并采用動(dòng)態(tài)分析的方法，研究了故障的振動(dòng)特征，選擇了能有效揭示渦輪泵轉(zhuǎn)子葉片斷裂脫落典型故障的頻率特征；通過變換處理找出了速度變化對(duì)振動(dòng)頻率的影響，提取出穩(wěn)定的頻率特征。結(jié)合汽輪泵歷史試驗(yàn)中的故障數(shù)據(jù)，通過跟蹤特征頻率的幅值變化，可以有效地檢測(cè)和診斷汽輪泵轉(zhuǎn)子葉片的斷裂和脫落故障，頻率特征提取的原理框圖如圖2所示。

圖2 頻率特征提取原理圖[35]

3.2 基于羽流光譜技術(shù)的故障診斷

液體火箭發(fā)動(dòng)機(jī)部件發(fā)生故障時(shí)，如渦輪泵、閥門和噴注器發(fā)生老化、磨損或燒蝕時(shí)，一些金屬雜質(zhì)會(huì)從燃燒室進(jìn)入羽流[36]。高溫時(shí)這些金屬雜質(zhì)能發(fā)射出足夠強(qiáng)的可見輻射和紫外光譜用于檢測(cè)。羽流光譜技術(shù)具有誤診率低、算力要求較低、非侵入式、覆蓋信息廣等優(yōu)點(diǎn)，自1986年至今，取得了很大的發(fā)展。美國(guó)研制的羽流光譜故障檢測(cè)與診斷系統(tǒng)，成功應(yīng)用于航天飛機(jī)主發(fā)動(dòng)機(jī)的地面試車健康監(jiān)測(cè)。2001年，趙永學(xué)[36]通過仿真及實(shí)驗(yàn)，研究了YF-75發(fā)動(dòng)機(jī)故障的羽流光譜和氣氧/煤油火焰輻射光譜、模型發(fā)動(dòng)機(jī)羽流輻射光譜，表明基于羽流輻射光譜的故障檢測(cè)技術(shù)非常適合發(fā)展為發(fā)動(dòng)機(jī)健康監(jiān)控及故障診斷技術(shù)。

相對(duì)基于模型的方法，信號(hào)分析的診斷方法擁有更佳的實(shí)時(shí)性，并已經(jīng)實(shí)際應(yīng)用在多種型號(hào)液體火箭發(fā)動(dòng)機(jī)中。然而，該種方法對(duì)信號(hào)質(zhì)量要求較高，由于液體火箭發(fā)動(dòng)機(jī)實(shí)際運(yùn)行工況變化劇烈，采集信號(hào)包含大量噪聲；并且發(fā)動(dòng)機(jī)傳感器本身存在高漂、通道丟失等故障，所以依賴單一傳感器信號(hào)故障診斷的誤診率較高，而信號(hào)之間的耦合問題又給多信號(hào)綜合分析帶來了極大挑戰(zhàn)，實(shí)際過程中收集到的數(shù)據(jù)往往不能達(dá)到精度要求，這在一定程度上限制了基于信號(hào)分析的故障診斷方法的應(yīng)用。

4 基于人工智能的故障診斷

4.1 基于專家系統(tǒng)的故障診斷

基于專家系統(tǒng)的故障診斷方法，是在大量的專家系統(tǒng)知識(shí)庫(kù)基礎(chǔ)上，推理機(jī)在一定的推理機(jī)制下，運(yùn)用知識(shí)進(jìn)行診斷推理。目前已研發(fā)的發(fā)動(dòng)機(jī)故障檢測(cè)與診斷的專家系統(tǒng)包括AEROJETT公司研制的基于規(guī)則的Titan健康評(píng)估專家系統(tǒng)、LeRC開發(fā)的試車后數(shù)據(jù)自動(dòng)評(píng)估系統(tǒng)、MSFC聯(lián)合Alabama大學(xué)開發(fā)的發(fā)動(dòng)機(jī)數(shù)據(jù)解釋系統(tǒng)等[10]。專家系統(tǒng)還可以與發(fā)動(dòng)機(jī)靜態(tài)數(shù)學(xué)模型相結(jié)合，在參數(shù)估計(jì)方法中引入專家系統(tǒng)推理過程的故障診斷策略[26]。

4.2 基于模糊理論的故障診斷

液體火箭發(fā)動(dòng)機(jī)故障診斷過程存在各種不確定性，包括設(shè)備測(cè)量精度誤差、系統(tǒng)環(huán)境干擾噪聲、模型及故障描述的不精確性等?；谀：碚摰姆椒▋H基于數(shù)據(jù)特征，因此在處理系統(tǒng)復(fù)雜性和不確定性方面具備一定的優(yōu)勢(shì)[37]；該類方法主要為基于模型聚類、基于模糊模型、基于模糊理論與其他方法相結(jié)合的方法?；谀：Ｐ偷墓收显\斷方法，基于黑箱模型、歷史數(shù)據(jù)或其他知識(shí)，建立模糊模型模擬輸入輸出對(duì)象的對(duì)應(yīng)關(guān)系，通過模型輸出與實(shí)際輸出的比較結(jié)果實(shí)現(xiàn)故障檢測(cè)與診斷[10]。

謝濤等[38]基于最大隸屬度原則的模糊聚類方法識(shí)別火箭發(fā)動(dòng)機(jī)故障模式，基于模糊熵與方向相似度的液體火箭發(fā)動(dòng)機(jī)故障檢測(cè)方法[39]，采用基于廣義模糊熵的模糊Kohonen聚類網(wǎng)絡(luò)作為滑動(dòng)數(shù)據(jù)窗口的聚類算法，對(duì)強(qiáng)干擾噪聲工況的魯棒性和適應(yīng)性得到顯著提升[40]。周宵鵬等[41]提出了基于改進(jìn)型可能性C-均質(zhì)聚類和故障向量理論的故障診斷方法。董周杰等[42]利用提出一種基于數(shù)據(jù)驅(qū)動(dòng)的綜合模糊聚類算法用于故障診斷，只需要少量先驗(yàn)正常樣本數(shù)據(jù)就可以快速、準(zhǔn)確檢測(cè)出故障的發(fā)生。王冠等[43]基于模糊聚類和LSTM網(wǎng)絡(luò)，提出了一種數(shù)據(jù)驅(qū)動(dòng)的運(yùn)載火箭發(fā)動(dòng)機(jī)氧渦輪泵數(shù)據(jù)異常分析方法，通過模糊聚類對(duì)標(biāo)簽不完整的數(shù)據(jù)樣本進(jìn)行預(yù)分類，得到完整的標(biāo)簽并且分析特征貢獻(xiàn)度，顯著增強(qiáng)了系統(tǒng)故障檢測(cè)的能力。

模糊理論可以與專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)等相結(jié)合，實(shí)現(xiàn)更有效的故障診斷[43-47]。

4.3 基于遺傳算法模型的故障診斷

遺傳算法已經(jīng)廣泛運(yùn)用在機(jī)器學(xué)習(xí)、信號(hào)處理、組合優(yōu)化等領(lǐng)域。2008年，楊晉朝[3]將液體火箭發(fā)動(dòng)機(jī)故障檢測(cè)與診斷中的關(guān)鍵技術(shù)問題轉(zhuǎn)化為相應(yīng)的優(yōu)化問題，并用遺傳算法和量子遺傳算法加以解決，提出了將遺傳算法與BP神經(jīng)網(wǎng)絡(luò)深度交叉混合的遺傳神經(jīng)網(wǎng)絡(luò)。性能分析表明，該算法相比于BP算法更易于找到全局最優(yōu)解，同時(shí)克服了遺傳算法搜索性能相對(duì)較低的問題；該算法還能夠避免通過經(jīng)驗(yàn)數(shù)據(jù)方法選用權(quán)值和閾值的弊端，能夠較全面、充分地表達(dá)診斷故障的特征信息，提高神經(jīng)網(wǎng)絡(luò)非線性映射的能力。Yu等[44]提出了一種自適應(yīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的液體火箭發(fā)動(dòng)機(jī)實(shí)時(shí)故障檢測(cè)方法，仿真分析結(jié)果表明，該方法檢測(cè)結(jié)果比BP神經(jīng)網(wǎng)絡(luò)模型更接近實(shí)際，效果更快。在遺傳神經(jīng)網(wǎng)絡(luò)模型中，采用遺傳模糊C均質(zhì)算法，使聚類算法具有更好的搜索結(jié)果和較優(yōu)的目標(biāo)函數(shù)值，分類錯(cuò)誤率更低，能夠全部準(zhǔn)確監(jiān)控正常試車數(shù)據(jù)，并準(zhǔn)確診斷出兩次發(fā)動(dòng)機(jī)故障[1]。李寧寧等[48]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)，構(gòu)建了發(fā)動(dòng)機(jī)工作過程的非線性辨識(shí)模型，并使用歷史數(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)證了該方法可靠性和精確性。

4.4 基于決策樹模型的故障診斷

決策樹是一個(gè)類似于流程圖的樹狀結(jié)構(gòu)，將分類和決策作為目的，以實(shí)例為基礎(chǔ)進(jìn)行歸納學(xué)習(xí)。決策樹方法將專家診斷知識(shí)隱含在整個(gè)決策樹的各個(gè)葉節(jié)點(diǎn)和內(nèi)部節(jié)點(diǎn)上，根據(jù)節(jié)點(diǎn)屬性及取值體現(xiàn)診斷知識(shí)的條件部分，葉節(jié)點(diǎn)指向知識(shí)結(jié)論部分[49]。

2007年，韓泉東等[49]以泵壓式液體火箭發(fā)動(dòng)機(jī)為研究對(duì)象，針對(duì)故障特征難以提取的問題，提出了在大量試車數(shù)據(jù)的基礎(chǔ)上，應(yīng)用決策樹方法提取故障特征并進(jìn)行穩(wěn)態(tài)段故障檢測(cè)與診斷的思路，對(duì)某型發(fā)動(dòng)機(jī)大量熱試車數(shù)據(jù)進(jìn)行了實(shí)例分析，將得到的故障檢測(cè)和診斷結(jié)果與神經(jīng)網(wǎng)絡(luò)等方法所得結(jié)果進(jìn)行了比較，并利用仿真數(shù)據(jù)對(duì)該方法的性能進(jìn)行了進(jìn)一步驗(yàn)證，結(jié)果表明，決策樹方法是一種有效、可靠的火箭發(fā)動(dòng)機(jī)故障檢測(cè)與診斷的新途徑。

4.5 基于神經(jīng)網(wǎng)絡(luò)模型的故障診斷

神經(jīng)網(wǎng)絡(luò)憑借其具有的高度自適應(yīng)能力和極強(qiáng)的容錯(cuò)性等特點(diǎn)，在火箭發(fā)動(dòng)機(jī)故障診斷領(lǐng)域得到了極大的發(fā)展[50-52]。主要的神經(jīng)網(wǎng)絡(luò)模型有自適應(yīng)共振理論ART神經(jīng)網(wǎng)絡(luò)、反傳BP神經(jīng)網(wǎng)絡(luò)、動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)等[5]。

ART屬于無監(jiān)督自適應(yīng)神經(jīng)網(wǎng)絡(luò)，可以對(duì)二維模式進(jìn)行自組織和大規(guī)模并行處理。ART-2模型對(duì)于非平衡、不可預(yù)測(cè)的故障檢測(cè)環(huán)境，具有自穩(wěn)定、自組織和彈性應(yīng)變等特點(diǎn)。該類神經(jīng)網(wǎng)絡(luò)的主要原理為：將測(cè)量數(shù)據(jù)經(jīng)快速傅里葉變換后，得出功率譜密度分布，再根據(jù)該功率譜密度與通過學(xué)習(xí)算法獲得的權(quán)值數(shù)據(jù)計(jì)算其歐氏距離，通過檢驗(yàn)獲得其具有最小值的點(diǎn)，從而實(shí)現(xiàn)故障的分類檢測(cè)。經(jīng)過訓(xùn)練的ART-2神經(jīng)網(wǎng)絡(luò)，可形成分別表征正常狀態(tài)和故障狀態(tài)的權(quán)值數(shù)據(jù)，試驗(yàn)輸入輸出故障檢測(cè)與診斷系統(tǒng)經(jīng)對(duì)比分類，得到正常狀態(tài)或有故障特征的輸出結(jié)果[11]。

反傳BP神經(jīng)網(wǎng)絡(luò)可將傳統(tǒng)的故障模式識(shí)別及分類方法中的三步，即測(cè)量、特征提取、分類，融合在一起，自動(dòng)提取故障特征。

動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)用于發(fā)動(dòng)機(jī)故障檢測(cè)時(shí)，不需要發(fā)動(dòng)機(jī)系統(tǒng)的工作特性模型，僅通過基于傳感器測(cè)量數(shù)據(jù)，即可根據(jù)狀態(tài)特征辨識(shí)產(chǎn)生的殘差值來檢測(cè)故障，并通過辨識(shí)殘差相關(guān)函數(shù)對(duì)故障類型實(shí)現(xiàn)分類，滿足對(duì)故障檢測(cè)與分離的實(shí)時(shí)性工程要求[5]。

1998年，王建波等[53]提出了基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的液體火箭發(fā)動(dòng)機(jī)動(dòng)態(tài)過程建模，仿真結(jié)果表明可以達(dá)到很好的逼近精度；2000年，于達(dá)仁等[54]以一個(gè)典型的泵壓式液體火箭發(fā)動(dòng)機(jī)為對(duì)象，針對(duì)發(fā)動(dòng)機(jī)的幾種泄露故障，用自組織網(wǎng)絡(luò)識(shí)別降維樣本，仿真發(fā)現(xiàn)自組織網(wǎng)絡(luò)可以對(duì)發(fā)動(dòng)機(jī)的泄露故障模式進(jìn)行很好的聚類。

2001年，張煒等[55]針對(duì)液體火箭發(fā)動(dòng)機(jī)系統(tǒng)多故障同時(shí)發(fā)生的現(xiàn)象，通過分析故障的特征表現(xiàn)建立渦輪泵系統(tǒng)的標(biāo)準(zhǔn)故障模式，在此基礎(chǔ)上提出并采用并行BP神經(jīng)網(wǎng)絡(luò)進(jìn)行多故障診斷分類的方法，結(jié)果表明基本BP神經(jīng)網(wǎng)絡(luò)對(duì)于給定的訓(xùn)練樣本能夠較好地實(shí)現(xiàn)模式表達(dá)；楊爾輔等[56]提出了一種應(yīng)用故障機(jī)理模型和SOM(Self-organization Mapping)神經(jīng)網(wǎng)絡(luò)的實(shí)時(shí)故障診斷方法，以解決單純依靠故障機(jī)理模型進(jìn)行診斷時(shí)遇到的實(shí)時(shí)性問題和單純依靠SOM神經(jīng)網(wǎng)絡(luò)診斷時(shí)遇到的故障樣本獲取問題；2009年，楊晉朝等[57]將遺傳算法與BP神經(jīng)網(wǎng)絡(luò)深度交叉融合，克服了遺傳算法以類似窮舉的形式尋找最優(yōu)解導(dǎo)致算力要求過高、BP算法易陷入局部最優(yōu)解的缺點(diǎn)。

2011年，劉垠杰等[58]將云模型與BP神經(jīng)網(wǎng)絡(luò)以串聯(lián)方式有機(jī)結(jié)合，利用云變換方法針對(duì)網(wǎng)絡(luò)結(jié)構(gòu)辨識(shí)和云模型進(jìn)行特征提取，通過在輸入層引入單位延時(shí)處理來描述發(fā)動(dòng)機(jī)工作過程中的動(dòng)態(tài)特性，提出了基于動(dòng)態(tài)云BP網(wǎng)絡(luò)的液體火箭發(fā)動(dòng)機(jī)故障診斷方法。該方法能準(zhǔn)確識(shí)別發(fā)動(dòng)機(jī)已有的3種故障模式，單步運(yùn)行時(shí)長(zhǎng)為1.124×10-4s，完全滿足實(shí)時(shí)性要求，云神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖3所示。

圖3 云神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[58]

2013年，彭小輝等[59]針對(duì)當(dāng)前模式分類方法難以處理不確定性信息、屬性特征空間的劃分過硬等缺陷，結(jié)合云模型和云變換研究，提出了一種基于云分類器的液體火箭發(fā)動(dòng)機(jī)起動(dòng)過程故障診斷方法，相比于包絡(luò)線算法、BP神經(jīng)網(wǎng)絡(luò)算法、RBF神經(jīng)網(wǎng)絡(luò)算法和紅線關(guān)機(jī)算法的故障檢測(cè)性能，該算法在診斷及時(shí)性上有一定進(jìn)步。

2020年，Park等[60]使用數(shù)值模型構(gòu)建發(fā)動(dòng)機(jī)啟動(dòng)期間潛在故障類型的數(shù)據(jù)集，來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，故障診斷基于CNN-LSTM，該方法與傳統(tǒng)的紅線截止相比具有優(yōu)越的二元/多分類性能，并證實(shí)了該方法對(duì)實(shí)際液體火箭發(fā)動(dòng)機(jī)的適用性。

4.6 基于主成分分析的故障診斷

主成分分析(PCA)作為一種數(shù)據(jù)降維方法，已被應(yīng)用于故障診斷任務(wù)中。該方法基于數(shù)據(jù)生成主成分，在測(cè)試時(shí)根據(jù)測(cè)試數(shù)據(jù)主成分與正常數(shù)據(jù)的偏離值進(jìn)行閾值判斷，進(jìn)而診斷故障[61]。張振臻等[62]提出一種與滑動(dòng)時(shí)間窗結(jié)合的PCA故障診斷方法，基于發(fā)動(dòng)機(jī)試車數(shù)據(jù)進(jìn)行驗(yàn)證，該方法可以實(shí)現(xiàn)對(duì)4種常見傳感器故障和2種發(fā)動(dòng)機(jī)試驗(yàn)故障進(jìn)行診斷。

4.7 基于支持向量機(jī)模型的故障診斷

支持向量機(jī)(SVM)建立在統(tǒng)計(jì)學(xué)習(xí)理論的基礎(chǔ)上，是一種更為前沿的的機(jī)器學(xué)習(xí)分類方法。SVM有著嚴(yán)格的理論和數(shù)學(xué)基礎(chǔ)，通過最小化經(jīng)驗(yàn)風(fēng)險(xiǎn)，在有限的學(xué)習(xí)精度和學(xué)習(xí)泛化能力之間尋求最佳折中。支持向量機(jī)能夠克服傳統(tǒng)機(jī)器學(xué)習(xí)中過學(xué)習(xí)、局部值極小等問題。實(shí)際過程中樣本數(shù)目往往有限，支持向量機(jī)專門針對(duì)小樣本，具有巨大的應(yīng)用潛力。

支持向量機(jī)的基本思想可以用二維最優(yōu)超平面示意圖進(jìn)行說明[63]，如圖4所示。圖中，實(shí)心和空心點(diǎn)代表兩類樣本，H1和H2代表分類線。如果H1和H2正確地將兩類樣本分開，則間隔最大的分類線即為最優(yōu)分類線[63]。推廣到高維空間，最優(yōu)分類線即演變?yōu)樽顑?yōu)分類面。其核心思想是在進(jìn)行分類時(shí)，對(duì)于線性不可分樣本，通過非線性映射(核函數(shù))，將原空間樣本映射到高維特征空間(核空間)，使得在樣本核空間中線性可分或近似線性可分，從而在核空間中進(jìn)行線性分類[3]。

圖4 最優(yōu)超平面示意圖[63]

2007年，韓泉東等[63]將支持向量機(jī)模型用于某種大型液體火箭發(fā)動(dòng)機(jī)穩(wěn)態(tài)試車數(shù)據(jù)挖掘，建立了多故障分類器，如圖5所示?；?3次試車數(shù)據(jù)對(duì)挖掘結(jié)果進(jìn)行測(cè)試，并用28類仿真穩(wěn)態(tài)故障數(shù)據(jù)進(jìn)一步驗(yàn)證，結(jié)果表明，支持向量機(jī)是基于小樣本、有效的液體火箭發(fā)動(dòng)機(jī)故障檢測(cè)和診斷方法。

圖5 多故障分類器流程圖[63]

何浩等[64]用SVM對(duì)液體火箭發(fā)動(dòng)機(jī)的故障數(shù)據(jù)進(jìn)行檢測(cè)和診斷。通過學(xué)習(xí)發(fā)動(dòng)機(jī)仿真模型中的9種數(shù)據(jù)，檢測(cè)出18組數(shù)據(jù)中的17組，有4組出現(xiàn)誤報(bào)，進(jìn)而對(duì)誤報(bào)故障進(jìn)行二次學(xué)習(xí)和再檢測(cè)，能正確檢測(cè)這4種故障。經(jīng)過對(duì)C75試車4種故障數(shù)據(jù)的學(xué)習(xí)，能正確檢測(cè)其故障類型，進(jìn)一步驗(yàn)證了該方法的正確性和可行性。

郭小鳳等[4]針對(duì)試驗(yàn)參數(shù)多樣、數(shù)據(jù)復(fù)雜且相關(guān)等特點(diǎn)，研究了基于PCA-SVM的液體火箭發(fā)動(dòng)機(jī)試驗(yàn)臺(tái)故障診斷方法，基于主元分析法進(jìn)行原始數(shù)據(jù)特征工程、基于累計(jì)貢獻(xiàn)率函數(shù)選取主元數(shù)目，降低了數(shù)據(jù)維數(shù)和計(jì)算復(fù)雜度；采用了基于聚類的二叉樹方法，建立了多故障分類器模型，解決了標(biāo)準(zhǔn)支持向量機(jī)不適用于多值分類的問題?；谥髟治龊椭С窒蛄繖C(jī)的試驗(yàn)臺(tái)故障診斷分類器，在小樣本情況下識(shí)別率高于BP神經(jīng)網(wǎng)絡(luò)，具有較高的識(shí)別率、更好的分類性能、更高的診斷精度。

單類支持向量機(jī)算法[65]、雙閾值單類支持向量機(jī)在線檢測(cè)算法[66]，以及基于凸頻分量均方根和支持向量機(jī)的故障檢測(cè)算法[67]，使得支持向量機(jī)模型在故障檢測(cè)方面得到了進(jìn)一步應(yīng)用，并為支持向量機(jī)在故障診斷中的應(yīng)用開辟了空間。

不同的人工智能方法的理論基礎(chǔ)不同，應(yīng)用特點(diǎn)也存在差異，本文針對(duì)不同的故障診斷方法，從所需基礎(chǔ)、優(yōu)點(diǎn)和缺點(diǎn)等3個(gè)方面進(jìn)行對(duì)比分析，如表3所示。由于液體火箭發(fā)動(dòng)機(jī)實(shí)驗(yàn)成本較高，試車數(shù)據(jù)量小，獲得故障狀態(tài)數(shù)據(jù)困難，因此目前能夠處理小樣本的決策樹、支持向量機(jī)等傳統(tǒng)機(jī)器學(xué)習(xí)模型擁有更佳的表現(xiàn)和更廣泛的應(yīng)用[64]。但在未來實(shí)驗(yàn)數(shù)據(jù)量積累到一定程度或使用仿真手段獲得大量數(shù)據(jù)的背景下，擁有更大模型容量的深度學(xué)習(xí)模型是值得探索的方案。

表3 基于人工智能的故障診斷方法的對(duì)比分析

5 結(jié)論

現(xiàn)代計(jì)算機(jī)技術(shù)、先進(jìn)傳感器技術(shù)、信號(hào)處理技術(shù)、人工智能技術(shù)，液體火箭發(fā)動(dòng)機(jī)故障診斷技術(shù)正朝著智能化，高效化，泛化的方向發(fā)展。但部分故障特征相似、傳感器參數(shù)耦合帶來的影響以及大容量模型帶來的預(yù)測(cè)速度慢和實(shí)時(shí)性差等問題仍制約著液體火箭發(fā)動(dòng)機(jī)故障診斷技術(shù)的發(fā)展。

未來需繼續(xù)完善故障數(shù)據(jù)庫(kù)，并進(jìn)一步識(shí)別故障模式；發(fā)展解耦算法，準(zhǔn)確提取識(shí)別故障特征的關(guān)鍵數(shù)據(jù)；改進(jìn)優(yōu)化目前已有的算法或開發(fā)新的算法，以滿足高效性和實(shí)時(shí)性的要求。