一种液体火箭发动机试车启动过程故障预警方法*

高 创,陈立平,梅再武

1.华中科技大学机械科学与工程学院,武汉 430070 2.苏州同元软控信息技术有限公司,苏州 215000

0 引言

液体火箭发动机作为运载火箭系统飞行动力的核心,决定着运载火箭的整体性能,直接关系到航天任务的成败[1]。由于发动机的复杂耦合系统和极端工作环境,任何微小的异常都可能迅速发展为破坏性故障,导致发射任务失败,造成巨大的经济损失。因此,液体火箭发动机故障检测与诊断的研究受到广泛关注[2]。

从20世纪70年代起,美国开始研发各种发动机故障检测与诊断系统,如红线系统(RS)广泛应用于航天航空领域[3],后续研发了异常故障检测系统(SAFD),实时监测发动机的24个变量,并配套数据筛选和专家诊断系统,用于火箭发动机飞行和试车后的故障检测[4]。在几十年的发展中,我国的液体火箭发动机故障检测技术取得了瞩目的成绩,研制了基于信号的故障检测方法、基于专家知识的故障诊断方法、基于模糊理论的健康监测技术等[5],但传统的人工智能方法在实际应用中,往往取决于工作人员的专业知识和工程经验,与国外的智能检测发展存在一定的差距。

传统的智能检测方法由于其对系统复杂数据特征的学习能力差,限制了其对故障的预测及诊断,深度学习凭借其强大的特征学习和非线性表达能力,在图像处理、语音识别等领域得到广泛应用,逐渐成为智能故障检测与诊断的主要手段。火箭发动机故障检测的方法已经从单一算法检测转向多算法融合检测,从传统的基于传感器的诊断转向基于深度学习的故障检测。徐亮等[6]提出一种改进粒子群优化的小波神经网络模型,将其应用于火箭发动机的故障检测研究。邓晨等[7]针对大推力氢氧补燃循环发动机的主级工况,设计了基于ARMR模型的实时故障诊断算法,并改进了阈值求解方法以及故障判别准则。

目前相关的研究大多是基于发动机已有数据的故障诊断,缺少对发动机的预测性维护,即提前预测可能会发生故障的部件。因此,本文提出了一种基于注意力机制的CNN-LSTM的故障预警方法,用于发动机地面试车启动过程的故障检测及预警中。

1 发动机故障仿真模型

火箭发射前必须进行地面测试,以提高火箭发射成功率。由于地面试验过程复杂、费用昂贵,且地面试验数量的有限性[8],很难收集到系统在故障状态下的响应数据。

本文借助苏州同元软控信息技术有限公司开发的MWORKS软件,通过模块化建模仿真技术,采取参数故障注入方式获得系统对所注入的故障的反应信息和输出信号[9],探究可能的故障模式,扩充故障样本数据集,用于发动机的故障预警研究。

1.1 发动机故障及监测参数

根据液体火箭发动机启动过程中各典型部件的功能结构、性能特性及数学表达[10],建立了发动机典型部件模型。采用参数故障注入方式,设计了燃烧室故障(泄漏)、喷管故障(喉部烧蚀)、涡轮故障(叶片烧蚀、流道阻塞)和离心泵故障(叶轮损坏)的5个固有故障(F01-F05),以及正常状态(F06),具体如表1所示。

表1 故障部件及类型

本文只考虑与上述故障相关的监测参数,通过对关键参数的测量,模拟出发动机运行过程中的物理状态。通过特征选择,确定选取监测的参数(SF01-SF09),在表2中详细说明。在启动过程中,若能提前检测到发动机的异常行为,可以展开针对性预测维护,保护发动机和地面测试设施,最大限度地减少故障的潜在损害。

表2 故障监测参数

1.2 发动机部件故障模型

涡轮泵是液体火箭发动机内最复杂的组件之一,它的动态特性对发动机的动态特性具有重要影响。本文以涡轮泵故障仿真为例,燃气涡轮叶片烧蚀的故障表达公式如下:

(1)

(2)

式中:qmT为涡轮流量,CT为系数,CdT为涡轮喷嘴的流量系数,AT为涡轮喷嘴的最小流通面积,RgT为工质气体常数,TiT为涡轮入口温度,γT为涡轮氢比热比,peT和piT分别为涡轮出口和入口压力,FtA表示叶片烧蚀故障因子,正常时FtA=1,发生故障时0≤FtA<1。

2 算法介绍

2.1 长短时记忆网络

循环神经网络(RNN)是一种专用于处理序列信息的人工神经网络,通过存储过去输入的单元影响输出。长短时记忆网络(LSTM)是RNN的一种特殊类型,可以有效解决RNN梯度消失的问题。LSTM引入了输入门、输出门和遗忘门,有效地防止了各种顺序模型的长期依赖性。描述某时刻t的LSTM基本单元的方程为:

ft=σ(Wf[ht-1,xt]+bf)

(3)

it=σ(Wi[ht-1,xt]+bi)

(4)

(5)

ot=σ(Wo[ht-1,xt]+bo)

(6)

(7)

ht=ottanh(Ct)

(8)

2.2 注意力机制

利用卷积网络进行特征提取时往往会忽略非局部区域的信息,而注意力机制(Attention)可以有效地进行这些非局部区域的信息融合,以概率图或概率特征向量的形式表示[11]。注意力机制的工作过程分为3个阶段:1)对输入特征和标签进行相似度计算;2)将得到的权值进行归一化处理,对输入特征配以不同权重;3)进行加权求和输出结果。

(9)

式中:fAttention为Attention层输出的特征向量,V是表示输入的特征向量,Q和K是计算权重的特征向量,dk为缩放系数,softmax为非线性转换函数,输出为概率分布。

2.3 液体火箭发动机故障诊断模型

本文搭建的CNN-LSTM-Attention故障诊断模型结构如图1所示。模型进行训练前,首先预处理数据,设置采样步长和滑动窗口大小,将监测参数多维特征划分为多个时序样本,CNN层用于提取数据的局部特征。为避免CNN层对模型造成过拟合现象,将CNN输出的特征信息输入到LSTM层中,提取特征的时序信息。其次,通过Attention层对时序信息的权重进行重新分配,将模型的注意力集中在多维特征中更重要的特征信息上。最后,利用全连接网络输出故障概率,实现故障部件的定位。

图1 CNN-LSTM-Attention故障诊断模型结构

2.4 液体火箭发动机故障预警流程

本文将发动机启动阶段的故障预警分为故障预测和故障诊断。图2为液体火箭发动机故障预警流程,其步骤如下:

图2 液体火箭发动机故障预警流程

1)采取故障注入方法得到监测参数的正常样本和故障样本,用于故障预测和诊断模型的训练;

2)划分预测模型的训练集、验证集和测试集,探究不同长度的窗口组合对预测精度的影响,选取较优的组合,保存CNN-LSTM预测模型;

3)确定诊断性能评价标准,选取较优的诊断模型,保存故障诊断模型;

4)划分预警测试样本,选取1～3 s的监测数据作为预测模型的输入,得到3～4 s预测数据;

5)组合真实数据和预测数据,划分样本并打乱标签,输入到诊断模型中,得到部件故障概率,定位故障部件。

3 仿真校验

3.1 发动机早期故障预测

3.1.1 评价标准

选取均方根误差和决定系数作为模型评价标准,用来评价发动机故障预测模型的性能。

1)均方根误差

(10)

2)决定系数

(11)

(12)

3.1.2 故障预测结果

模型的输入为时间序列多维数据,采样步长为1,为探究滑动窗口大小对于预测性能的影响,本文选取5种组合:60×9、80×9、100×9、120×9和150×9,表3显示了不同窗口的均方根误差和决定系数,结果表明120×9相比于其他组合,测试集的均方根误差低于其他组合,决定系数更贴近1,能较好预测出参数变化趋势。

表3 不同组合窗口的性能评价

图3为120×9窗口下燃烧室压力值的前250个样本预测结果,从图3(a)和(b)可知模型拟合效果较好,训练集和测试集的预测结果与真实结果无明显差异,图3(c)表明模型经过迭代,不断趋于稳定并收敛,证明了模型的可行性。

图3 120×9窗口下的0～250个样本预测结果

3.2 发动机故障诊断

3.2.1 评价标准

本文采用准确率(A1)、精确率(P1)、召回率(R1)和F-score(F1)等指标来量化模型,评价诊断模型的性能,公式如下:

(13)

(14)

(15)

(16)

式中:TP为某一故障被正确分类的数量,TN为其他故障被正确分类的数量,FP为其他故障被错误分类的数量,FN为某一故障被错误分类的数量,β为相关参数。

3.2.2 故障诊断结果

为增强实验结果的可靠性,本文对提出的故障诊断模型进行10次实验,将其平均值作为性能的评估指标,计算得到测试集的准确率为97.58%,精确率为97.68%,召回率为97.58%,F-score为97.58%,其中燃烧室泄露准确率为90%、喷管烧蚀准确率为96%,涡轮叶片烧蚀、涡轮流道堵塞、离心泵叶轮损坏以及正常状态的准确率均为100%,图4为CNN-LSTM-Attention诊断模型训练过程中准确率的变化,从中可以看出准确率经过多次迭代后接近于1,并趋于稳定,说明本文的诊断模型能有效识别启动阶段故障特征,具有良好的分类效果。

图4 CNN-LSTM-Attention诊断模型准确率曲线

3.3 发动机故障预警

选取正常样本和5种故障样本,对启动阶段前1～3 s的数据采取滑动窗口划分,将其作为CNN-LSTM预测模型的输入,得到3～4 s的预测数据,CNN-LSTM-Attention诊断模型的输入为组合数据,模型输出结果为故障概率,图5为故障预警模型的混淆矩阵,图中对角线数值为故障预警的准确率,在测试样本上,发动机故障预警准确率为96.21%,在一定程度上可以对液体火箭发动机故障进行预测性诊断,实现了潜在故障部件的定位。

图5 故障预警模型混淆矩阵

4 结论

针对某液体火箭发动机地面试车启动过程的故障预警,提出了一种基于注意力机制的CNN-LSTM的预警方法。通过搭建发动机故障模型,批量仿真获取正常以及故障样本。建立故障预测模型,用于预测监测参数的变化趋势。利用故障诊断模型,实现对预测数据的诊断,定位故障部件。实验结果表明:本文提出的预警方法能较好地识别火箭发动机启动阶段的工作状态,技术人员可通过对故障概率较高的部件进行检修和维护,缩短维护周期,保障生命和财产安全。