固体火箭发动机故障诊断技术现状及发展思考①

郭 宇，申志彬，孙翔宇，李海阳，周伟勇

(1.国防科技大学 空天科学学院，长沙 410073；2.空天任务智能规划与仿真湖南省重点实验室，长沙 410073；3.中国航天科工集团公司六院，呼和浩特 010010；4.解放军 96901 部队，北京 100095)

0 引言

固体火箭发动机(简称发动机)结构简单、可靠性高，是战略/战术导弹武器和航天运载系统的重要动力源，其健康状态是发射任务成败的重要影响因素之一。发动机故障诊断是采用各种监检测手段，鉴别发动机的工作状态是否正常，确定故障的性质与类型，发现故障的部位，寻找故障的起因，并为故障的处置和寿命预测提供指导和建议。发动机故障诊断技术的终极目标是对发动机进行健康监测、状态与寿命评估，提高可靠性，可分为基于机理模型、基于知识和基于数据驱动三类。目前，发动机故障诊断技术主要是采用离线检测或在线连续监测的方式，基于知识(主要是专家判断法)或基于机理模型进行故障诊断，而基于连续监测法数据驱动的故障诊断应用相对较少。

21世纪以来，随着计算机、微电子、人工智能等信息技术和监检测技术的飞速发展，越来越多的新方法出现在发动机故障诊断领域，故障诊断技术和寿命预测水平不断进步。在特定的应用场景和目标下，新方法有可能取得更好的故障诊断效果。如何提高发动机全寿命周期内的故障诊断能力和有效性，及时掌握发动机的健康状态和可靠性，不仅具有非常重要的工程、军事和经济意义，也一直都是发动机领域研究的热点课题之一。

为此，本文综述了发动机故障诊断技术领域研究现状，评述了当前发动机故障诊断技术特点，并展望了发动机故障诊断技术的未来重点发展方向。

1 基于知识的故障诊断方法

该方法是对检测获取的信息进行处理，并与历史故障信息数据进行对比，通过专家知识来判断发动机的健康状态。由于不依赖于过程机理模型，该方法适用于因信息不足等原因而无法获得精准机理模型的故障诊断。

发动机检测技术可分为有微损/破坏取样测试和无损检测两类。前者主要通过切割、挖取和采集等方法从发动机本体的关键或重要结构件(如推进剂等)上获取样品，并测试其物理化学性能。具体测试方法包括常规力学测试、动态热机械分析(DMA)、正电子湮灭分析方法、X射线光电子能谱、傅立叶红外光谱技术、压入测量、微型CT等。具体评价性能参数包含伸长率、强度和弹性模量等的宏观力学性能，以及动态模量、元素含量、内部缺陷特性、微观结构等。取样手段已由手工操作向车削、铣削(如图1)、锯割和复合切割等自动化方向转变。

图1 发动机取样方法[13]Fig.1 Dissection of SRM[13]

无损检测法是利用先进的无损检测设备，如高能X射线、大型工业CT(如图2)、超声波(如图3)等，在不破坏发动机结构的前提下探测产品内/外部质量状态，对界面脱粘、药柱变形、孔洞等缺陷进行识别。近年来，红外热波、超声相控阵、太赫兹等缺陷分辨率更高、检测速度更快的新型无损检测技术也逐步应用于发动机的缺陷检测，并向着基于机器学习和大数据驱动的数字化测试和缺陷智能化判读方向快速发展。

图2 发动机检测用工业CT[16]Fig.2 Industrial CT for SRM[16]

图3 发动机壳体检测用自动化超声设备[17]Fig.3 Automatic ultrasonic equipment for SRM inspection[17]

基于上述检测信息和发动机的初始设计参数，辅以一定的仿真分析，发动机诊断专家根据失效判据，可推断发动机产品的健康状态，进而给出半定性的故障诊断和寿命评估结论。由于检测时间的离散性，检测数据极其有限，且对发动机性能变化规律的判断严重依赖专家知识和经验积累，一旦出现未知故障，可能出现故障漏报和故障辨识准确度较低的问题。

随着信息处理技术的发展，专家个人诊断逐步发展为专家系统。专家系统法的基本思路是以专家个体经验知识和产品历史故障信息为基础，开发出可模拟人类专家进行判断的智能化软件系统，代替人类专家进行故障判断，这在机器人故障诊断领域已成功应用。另外，模糊推理法、粗糙集合法等其它基于知识的故障诊断技术也在不断发展。

2 基于机理模型的故障诊断方法

该方法主要是基于产品或系统失效机理，建立相对精准的数学模型，通过监测技术获得系统实际历程数据，并与模型比对，计算出两者的差距，以此为基础检查是否出现故障，并预测寿命。作为一种长期贮存、一次性使用的特殊产品，发动机的故障诊断包含贮存状态和工作过程故障监测，目前技术水平下该方面研究主要重点集中于前者。由于贮存失效机理清楚，发动机贮存过程诊断方法主要关注其典型部组件载荷或响应的监测技术，具体情况如下：

(1)药柱监测技术

固体推进剂药柱是非金属粘弹性材料，贮存时会发生化学老化和变形。化学老化监测对象主要是老化过程中释放的气氛。美国桑迪亚实验室采用光电传感器监测氮氧化合物(NO)浓度，以此推断NEPE推进剂的老化状态。国内研究机构采用自研或商业化传感器，对HTPB和NEPE推进剂老化过程中氮氧化合物和氧气的释放规律进行监测，建立了释放气体与推进剂老化程度的相关关系。该技术可通过监测发动机燃烧室的气氛，间接诊断推进剂药柱的健康情况。

药柱力学监测技术方案较多，例如文献[28]中的弓形传感器(见图4)，可将药柱表面的大应变转化为测试点的微应变，实现大应变监测；织物大应变传感器(见图5)中的导电金属纳米丝网，在载荷作用下接触电阻会发生变化，通过测试电阻就能反映药柱表面的应变。

图4 推进剂药柱表面弓形大应变传感器监测过程[28] 图5 发动机表面应变监测织物传感器[29]Fig.4 Monitoring process of arched large strain sensor on the surface of grain in SRM storage [28] Fig.5 Fabric sensor for SRM grain surface strain monitoring[29]

石墨烯传感器可实现大应变传感器的微小型化，其原理是利用石墨烯层间的电阻效应反映药柱表面的应变变化。为解决光纤监测药柱应变时的模量匹配问题，一些研究团队提出了塑料光纤的解决方案。为解决推进剂药柱内部应变测量难题，张焘等在光纤光栅(FBG)传感器两端增加与之刚性连接的增敏小球结构，有效解决了FBG应变传感器与固体推进剂的变形协调性问题，大幅提高了应变测量的敏感度和传递效率，实现了药柱内部应变的测量。

(2)推进剂药柱和壳体界面监测技术

推进剂药柱和壳体之间的界面应变量小，界面应力是最难监测的参数之一。美国的研究团队率先采用“纽扣式”DBST双参数传感器(如图6(a))，实现粘接界面正应力(拉和压)和温度的同步测量，该传感器的稳定性和测试精度经过长期的改进和适应性研究现已达到了可接受的范围。国内也开展了类似的研究工作，研制出了电阻式界面正应力传感器(如图6(b))，基本性能也达到了国外技术水平。

(a)USA (b)China图6 美国[42]和中国[45]研制的界面DBST传感器Fig.6 Interface DBST sensor developed in USA[42] and China[45]

国内还分别采用柔性压阻界面传感器和柔性电容界面传感器，开展了界面正应力/温度监测和界面剪应力监测试验，旨在为进一步减小上述传感器厚度，避免植入后对相邻结构的影响。石墨烯泡沫传感器可实现界面正应力和剪切应力的同步监测。此外，还可采用光纤传感器监测界面剪切应力。

(3)壳体监测技术

发动机壳体除了承受应力外,还可能受到各种外部损伤。美国Acellent公司的研究者采用在发动机壳体纤维缠绕制备过程中植入SMART Layer条的方法，实现了壳体应力-应变的监测(如图7(a))，并且达到了较高的技术成熟度。国内则主要采用光纤传感器(如图7(b))监测复合材料壳体应力-应变历程，从早期的单FBG传感器发展到F-B复合传感器，即利用FBG监测温度，利用EFPI测试应变，并根据测温结果实现应变测量结果的自补偿。

综上可知，通过内置或外设传感器，可实现发动机贮存过程中的多类型环境/载荷或一种材料劣化后性能的连续监测，如表1所示。其中，载荷(应力-强度干涉模型中的广义应力)监测的具体参数主要为应力和应变，材料劣化后的力学性能则是从推进剂老化过程释放的气体来间接推测。借助应力-强度干涉模型，综合上述实时监测结果，即可判断发动机的健康状态。

表1 监测技术+机理模型发动机健康诊断方法Table 1 Fault diagnosis method for SRM based on monitoring technology + mechanism model

该技术具有测试对象直接、测试效率高，结果可信度高等优点，代表了当前发动机故障诊断的最高水平。但是，该监测技术要求高，严重依赖监测传感器，受硬件工业基础制约。此外，发动机材料力学性能的直接监测难度大，导致基于失效机理模型的故障诊断方法难以发挥优势。

(a)USA

3 基于数据驱动的故障诊断方法

基于数据驱动的发动机故障诊断方法，通过对发动机测量数据的直接判断确定是否存在故障或确定故障性质与类型。与基于机理模型的故障诊断方法不同，数据驱动法避开了对产品性能退化过程的物理分析，直接通过各类统计方法和智能算法对监测数据进行统计分析和信息挖掘，得到产品退化过程中的某些特征，并将其用于个体产品的故障诊断和寿命预测。

张守城等利用粘贴于壳体外表面的压电主动激励传感器，基于高频机电阻抗法，实现了药柱/绝热层界面脱粘的结构健康状态监测。基本原理是界面结构损伤时会导致传感器机械阻抗发生变化，进而反映在耦合的机电阻抗上，通过对耦合的机电阻抗实时测量，与初始健康状态对比即可实现结构健康诊断。

总之，随着人工智能、深度学习、大数据、云计算等数据科学的蓬勃发展，基于数据驱动的故障诊断方法必将受到越来越广泛的关注。

图8 机电阻抗损伤监测传感器阵列[55]Fig.8 Electrical impedance damage monitoring sensor array[55]

4 技术评述

从以上技术发展可看出，目前发动机诊断技术具有如下特点：

(1)测试由检测技术向监测技术发展

当前发动机检测技术仍然是获得故障信息主要且可信的技术手段；无损检测技术不断发展，检测精度和效率不断提高；微损伤/破坏性测试技术也有新的突破。未来，监测技术将成为在线连续获取发动机状态变化的重要手段。

(2)诊断由专家认知向机理模型与数据驱动发展

随着监检测技术的发展，故障识别技术也由专家个人认知判断向机理模型、数据驱动以及两者混合方向的转变，并通过信息手段将专家经验认知和判断融入诊断中。

(3)贮存过程的故障诊断仍将是重点

发动机监测技术研究主要针对贮存过程，且监测对象也将从界面扩展到发动机主要零部件。同时，部分工作过程监测技术也逐步受到关注。

(4)监检测技术发展迅猛

在先进材料和信息技术的带动下，发动机监检测和诊断技术的发展非常迅速，可测参数越来越多、测试精度越来越高、传感器尺寸也越来越小，传感器的能耗越来越低，甚至开发出了无源、无线传感器。

(5)贮存监测参数以广义应力为主

监测参数以广义应力参数及发动机零部件承受的载荷居多，而发动机零部件材料广义强度的退化量监测较少，这是由于非破坏测试方法难以直接监测强度相关量。

(6)基于机理模型的故障诊断法仍不够成熟

基于机理模型的发动机状态监测方法具有直接、有效、结果可信度高的优点，但技术难度大。许多监测技术成熟度较低，还处于技术应用验证阶段。

(7)基于数据驱动的故障诊断法崭露头角

数据驱动法可以回避发动机故障机理建模，降低故障诊断的难度，是故障诊断的新途径。

(8)故障诊断技术定位不明确

国内故障诊断技术研究有明显的追随痕迹，尚未建立自主的技术发展体系。

5 结束语

固体发动机故障诊断技术发展的终极目标是实现健康监控和提高可靠性。虽然国内外发动机故障诊断的方法越来越多，但仍有必要进一步研究发动机故障诊断技术，提高不同应用场景、不同载荷环境下的发动机故障诊断能力和有效性：

(1)虽然监测和诊断技术有助于获取载荷历程、定位故障，分析失效原因和机理，但诊断本质上不能提高产品技术水平。提高发动机设计鲁棒性、开发抗老化材料、控制工艺一致性才是发动机长寿命、高可靠发展的根本和基础。

(2)明确定义故障诊断技术的应用场景，其应用对象是贮存和工作过程中高可靠、高风险和高价值的发动机。

(3)虽然光纤、石墨烯和微机电传感器的应用为监测技术发展提供了无限可能，但这些传感器本身的稳定性还未得到充分验证，用于发动机长期监测仍然需要时间检验。

(4)作为发动机的“多余物”，监测传感不仅会降低了发动机的质量比，还会影响发动机的整体结构，其中传感器的电源和信号引线还会削弱发动机的密封性。因此，无源无线微型传感器将成为发动机故障诊断领域研究的亟需。

(5)传感器预先植入的发动机监测技术，对发动机制造工艺提出了更加苛刻的要求。因此，需要加强发动机传感器植入工艺及其影响研究，或者发展免植入传感技术是工程化应用的必由之路。

(6)长期贮存过程中的材料性能劣化是引起发动机故障的主要原因，研究结构和功能一体化材料，实现发动机材料广义强度的自监测和损伤自修复是后续的重点发展方向。

(7)除了继续开发贮存过程监测技术外，还应大力发展过程监测技术，并接入现有导弹测控和自毁系统，集监控、测试、预测、诊断、隔离、定位、控制、保护、管理于一体，向综合化诊断系统方向迈进。

(8)基于机理模型和基于数据驱动的发动机故障诊断技术各有优势，可以发展混合模式，实现了多种诊断方法优势互补，从而提高诊断方法的敏感性、鲁棒性和准确性。