固体火箭发动机振动数据修正方法研究

2020-03-26李会婷

探索科学(学术版) 2020年1期

李会婷卫莹

西安航天动力测控技术研究所陕西西安710025

1 研究内容

由于固体火箭发动机在地面试验中易受到冲击、温度、结构变形等因素影响，试验测得的振动信号具有非线性非平稳特征，在完成数据处理中，常把振动信号看作是平稳随机信号。振动是反映发动机结构设计的参数之一。振动数据在采集过程中，容易受到传感器安装、工频干扰、数据采集系统干扰等因素影响，导致振动数据畸变，会出现信号突跳、零线漂移、趋势等畸变情况。因此，在数据分析和处理时，要剔除无效数据，对畸变数据进行修正。

在发动机地面试验中，振动数据有时出现明显的突跳异常情况，如下图1所示，现有的修复是采取替代方法，用前一段的数据值替代下一段的值，即xi=xi+h，其中，h 为步长，xi为第i段的振动信号值，xi+h为第i+h段的振动数据值。此方法仅仅用过去某段正常数据对断点处的信号值凭经验简单置换，误差较大。因此，本文针对数据中的断点问题，应用时间序列分析的方法进行数据修复分析。

时间序列是变量按时间间隔的顺序而形成的随机变量序列，近年来，时间序列分析的应用已经渗入到交通运输、智能控制、神经网络模拟、生物、医学、水文、气象、经济学、空间科学等自然科学与社会领域之中，正发挥着无可比拟的重大作用。时间序列分析早期研究分为频域(Frequency Domain)分析方法和时域(Ti me Domian)分析方法。但是频域分析方法过程一般较为复杂，不利于直观解释，有较大的局限性，所以一般用时域分析方法，时域分析方法是分析时间序列的样本自相关函数，并建立参数模型，进而描述序列的动态相依关系。时域分析方法最早可见1927年英国统计学家Yule提出自回归(Autoregressive)模型。随后，英国数学家、天文学家Walker在分析印度大气规律时引入了移动平均(Moving Average)模型和自回归移动平均(Autoregressive Moving Average)模型。这些模型奠定了时间序列分析时域分析方法的基础。在实际应用中，线性正态假定下的参数模型得到充分解决，非线性时间序列分析也得到充分发展，Tong利用分段线性化构造模型的思想提出了门限自回归模型，开创了非线性时间序列分析的先河。

2 理论方法

现有的试验数据的断点修复虽然可以满足当前使用要求，但存在过于依赖经验，方法不够合理，误差性较大，人为因素较多等诸多缺点。

3 实证分析

下面通过具体的实施例并结合附图对本方法作进一步详细的描述：

图1所示为某发动机地面试验时所产生的振动信号时间历程，经过判定后，有两处突跳点，为干扰信号，需要修复。

步骤二：修复；a.我们将以采样率为10240采集到的振动电信号值转化为点值，选取突跳点的数据段。b.根据上文所述的AR(p)模型Xt=α1Xt-1+α2Xt-2+…αpXt-p+εt运算，其中，Xt-1，Xt-2，…，Xt-p皆为采集到的在t-1，t-2，t-p时刻的点值；p为阶数，通过模式识别的方法完成，即从p阶开始，所有的偏自相关系数均为0；α1，α2，…αp为自回归系数，随机干扰εt为白噪声序列，皆可通过上述的极大似然估计方法得到；代入计算后得到修复的点值xt。c.将选取的1s数据点值导入算法程序中，运行得出修复后的振动信号图3，从图3中我们可以看出突跳点被修复掉，效果较好。