液体火箭发动机健康状态智能检测方法

王 珺，吕海鑫，陈景龙，刘子俊，袁军社

(1.西安航天动力研究所，陕西 西安 710100； 2.西安交通大学 制造与系统工程国家重点实验室，陕西 西安 710049)

0 引言

航天技术的发展对国家抢占未来太空的制高点具有重要意义，不仅能够带动国家经济的增长，也有利于国防安全的提升。火箭发动机作为运载火箭推进动力的核心，其运行的高可靠性是航天发射任务顺利进行的重要保障。液体火箭发动机在工作过程中面临高压、高速、强振动、强腐蚀等恶劣条件，任何细微的异常都易迅速发展，导致发射失败。液体火箭发动机健康检测技术是提高火箭安全性和可靠性的核心技术之一,因此，对其进行研究具有非常重要的学术和工程应用价值。

关于液体火箭发动机健康管理技术的发展，不少国家结合大数据、人工智能等前沿科技开展研究，并建立了各自的健康监控系统。例如美国基于A—1试验台和J—2X火箭液体发动机，提出了集成系统健康管理的概念，实施健康管理的核心功能；日本开发并应用了火箭自动故障诊断技术，基本实现了快速测试发射能力。我国液体火箭发动机健康管理技术在近几十年的发展过程中取得了令人瞩目的成绩，开发出了基于信号监测的健康管理方法、基于专家系统的故障诊断方法、基于模糊理论的健康检测方法等，但实用效果仍不理想，往往依赖于技术人员的专业经验，人工智能技术在研究和应用方面与国外相比还存在一定差距，火箭发动机健康状态智能检测技术水平急需提高。

数据驱动的方法是液体火箭发动机健康状态检测的重要技术手段。李雷等研究了基于数据驱动的火箭发动机异常检测模型，通过非监督学习对发动机不同参数间的正常关联模型进行挖掘，实现对系统异常的评估。孙成志等提出了基于神经网络和证据理论的火箭发动机故障诊断方法，实现了故障特征的自适应提取。张晨曦等提出了基于实例和基于模型的两种迁移学习策略，基于关键参数氧泵转速，实现了两种不同型号氢氧发动机之间的迁移学习。谭永华等提出了一种双线评估方法用于液体火箭发动机的可靠性评估，将部件数据评估与整机数据评估融合，对发动机进行评估。然而，面向液体火箭发动机对多部件、多传感器监测数据，现有研究方法的信息融合和特征提取能力有限，对发动机状态的识别准确性也有待提高，难以满足健康检测的需求。

为了进一步提高液体火箭发动机健康检测的可靠性和准确性，本文提出了一种基于卷积自编码器的健康检测方法：提出了多部件两级融合卷积降噪自编码器(multi-component two-stage fusion convolutional denoising auto-encoder,MTAE)，包括数据级融合模块和部件级融合模块；对液体火箭发动机多传感器监测数据进行预处理，根据传感器位置搭建相应的MTAE，并将各部件的监测数据输入到模型的对应端；模型训练阶段仅使用部分正常机组数据，基于模型重构损失及提取特征确定发动机的健康范围，在测试阶段对其余正常机组数据及异常机组数据进行检测，实验结果表明，提出方法能够对液体火箭发动机的健康状态进行有效检测。

1 卷积降噪自编码器

卷积降噪自编码器(convolutional denoising auto-encoder，CDAE)主要由编码器、隐含层、解码器组成，通过对输入数据进行降维和重构，以实现无监督的特征提取。

(1)

式中：

h

为隐含层结果；

H

为卷积核总数；

k

为卷积核序号；为编码器的权重矩阵；为编码器的偏置向量。解码器对

h

进行重构，过程表示为

(2)

(3)

2 基于卷积自编码器的液体火箭发动机健康检测方法

基于CDAE，本文提出基于MTAE的液体火箭发动机健康检测方法，方法流程如图1所示。MTAE网络结构如图2所示，编码器为多部件输入，通过数据级融合和部件级融合，得到隐含层特征

y

；解码器结构与编码器对称，用于对多部件数据进行重构。

图1 提出方法的流程图Fig.1 Flow chart of the proposed method

图2 MTAE网络结构图Fig.2 Structure of the MTAE

MTAE的训练目标函数设计为

(4)

经过训练和学习，MTAE可以实现对输入数据的无监督特征提取和重构。基于MTAE的液体火箭发动机健康检测方法主要从两个角度出发:①隐含层特征相对于健康状态的偏离程度；②重构误差相对于健康状态的偏离程度。

模型训练完成后，基于训练集数据对重构误差和隐含层特征进行统计，在某置信度条件下，计算健康状态的中心和健康检测阈值，该过程表示如下

φ

(

α

)=mean(

α

)

(5)

η

(

α

,

ε

)=top(|

α

-

φ

(

α

)|,

ε

)

(6)

式中：

α

为待统计参数；

φ

为健康状态的中心；

η

为置信度

ε

下的检测阈值，该阈值需覆盖比例为

ε

的参数。在测试过程中，通过模型计算得到测试样本的隐含层特征

y

和重构误差

L

，然后计算到健康状态中心的相对距离，以定量评估测试样本的健康状态，过程表示为

(7)

3 某型号发动机试车数据分析

以某液体火箭发动机为例，实施基于卷积自编码器的液体火箭发动机健康检测方法，并对结果进行评估和分析，以验证提出方法的有效性。

实验数据为某型号液体火箭发动机的热试车速变数据，该型号发动机结构如图3所示。

1-燃气发生器；2-主涡轮；3-氧泵；4-燃料一级泵； 5-燃料二级泵；6-推力室。图3 某型号液体火箭发动机的主要结构Fig.3 The main structures of the liquid rocket engine

共收集17组热数车监测数据，其中12组数据标签为正常，5组数据标签为异常，标签是综合热试车过程监测及热试车后发动机检查结果所确定的。本次实验选取了18个传感器监测数据，主要包括推力室振动信号、燃气发生器振动信号、氧泵振动及氧化剂管路脉动压力信号、燃料泵振动及燃料管路脉动压力信号。首先，截取发动机稳态运行阶段的数据，并对每个传感器的数据分别进行归一化处理，过程如下

(8)

基于工程经验和数据分析需求，监测数据的采样频率设置为25 600 Hz以采集各部件的高倍频信息。对于每个机组的数据，每隔0.5 s采集一个样本，每个样本包括所有18个传感器监测数据且时间线相同，各传感器监测数据长度为连续的1 024个样本点。前8组正常数据的采样样本作为训练集，其余4组正常数据和5组异常数据的采样样本作为测试集。

模型结构及参数如图2所示，基于训练集数据对模型进行训练，训练完成后，对重构误差和隐含层特征进行统计，在置信度为96%的条件下，统计两参数健康状态的中心和健康检测阈值为:[

φ

(重构),

η

(重构,96

%

)]=[0

.

137,0

.

012]，[

φ

(特征),

η

(特征,96

%

)]=[-0

.

249,0

.

043]。然后对测试集样本进行统计和评估，结果如表1所示。经统计，模型测试准确率为88.9%，漏报率为0，误报率为25%。

表1 测试集结果统计和评估

训练集结果如图4和图5所示，测试集No.3、No.4、No.5、No.6的结果，如图6和图7所示。No.3的重构误差及隐含层特征均处于健康范围内，且状态稳定；No.4初期为健康状态，在120 s左右开始，重构误差及隐含层特征逐渐发展至异常范围；No.5初期为异常状态，其重构误差稳定，在70s左右突变，呈缓慢上升趋势，而隐含层特征波动较大，呈下降趋势，由异常范围逐渐发展至正常范围；No.6的重构误差呈上升趋势，且由健康状态缓慢发展为异常状态，而隐含层特征变化趋势分两阶段，由健康范围逐渐上升发展至异常范围，然后逐渐下降至正常范围。

图4 训练集重构误差及统计(置信度96%)， 健康状态中心及检测阈值。Fig.4 Reconstruction error of training set (confidence level 96%),health state center and detection threshold

图5 训练集隐含层特征及统计(置信度 96%)，健康状态中心及检测阈值。Fig.5 Hidden layer feature of training set (confidence level 96%),health state center and detection threshold

图6 测试集重构误差Fig.6 Reconstruction error of testing set

图7 测试集隐含层特征Fig.7 Hidden layer feature of testing set

综合所有机组数据分析，结果表明，基于MTAE得到的重构误差及隐含层特征取值能较好的反映出机组的健康状态，且两者的信息能够互相补充，互为支撑。其中重构误差的取值具有较明显的上升趋势或突变现象，能够更好的反映出机组的健康退化过程和机组的状态突变，而隐含层特征的取值往往存在较大的波动，能够更敏感的反映出机组的健康状态。

基于训练集及训练模型，对各部件的重构损失进行计算和统计，其健康状态的中心和健康检测阈值为:[

φ

(推力室),

η

(推力室,96

%

)]=[0.153,0.029]，[

φ

(发生器),

η

(发生器,96

%

)]=[0.136,0.039]，[

φ

(氧化剂路),

η

(氧化剂路,96

%

)]=[0.147,0.021]，[

φ

(燃料路),

η

(燃料路,96

%

)]=[0.127,0.018]。

测试集各机组结果如表2所示，基于该结果可以进一步确定发动机具体的异常部件。结果显示整体识别未异常的机组，其某些部件仍为健康状态。

表2 测试集结果统计和评估

综合以上结果表明，本文提出方法能够以较高的准确率对液体火箭发动机的健康状态进行检测和识别，并可以进一步确定造成发动机异常的具体部件。

4 结论

本文提出的基于卷积自编码器的液体火箭发动机健康检测方法，能够对液体火箭发动机的健康状态进行准确的检测和识别，并可以进一步确定造成发动机异常的具体部件。基于热试车数据和实验验证了提出方法的有效性，结果表明该方法具有较高的准确率、较低的误报率和漏报率，可以满足液体火箭发动机的健康状态检测的需求，且具有一定的应用潜力。在未来的工作中，需要对发动机状态的实时监测开展进一步研究。