高空台液压加载系统试验智能运行技术研究

2024-01-31赵万里郭迎清郭鹏飞刁昕宇

测控技术 2024年1期

赵万里,郭迎清,彭晋,郭鹏飞,刁昕宇

(1.西北工业大学动力与能源学院,陕西西安 710129; 2.中国航发四川燃气涡轮研究院,四川绵阳 621700)

航空发动机高空模拟试车台已经成为航空发动机研发的关键实验设备,对高空模拟试车台的实验能力和健康管理方面的研究具有战略意义[1-3]。液压加载系统作为高空台最典型的工艺系统之一,用于模拟飞机液压泵的工作,提取发动机的功率后对发动机的各项参数进行测量,并评估发动机在飞机上运转的影响,其工作状况的健康稳定对高空台顺利完成多种要求下的试验至关重要。液压加载系统为发动机机载液压泵提供所需压力、流量的液压油,主要通过调节液压泵出口阀门开度在泵后造成一定节流阻力,使液压泵在一定的负载状态下运行,达到模拟发动机飞行状态所需的液压泵载荷的目的。液压加载系统在高空试车台的作用是在地面模拟发动机的抽功,提取发动机的功率,同时为液压泵提供满足条件的液压油。随着我国航空发动机技术的不断发展,对发动机试验条件的要求越来越高,高空台液压加载系统面临着试验过程智能化程度低、故障频繁发生、故障无法自动识别和历史数据应用不足等问题,对高空台液压加载系统进行智能化控制、故障诊断和健康管理具有重要的意义[4-5]。

现如今,高空台液压加载系统采集的原始数据仅用于人机交互界面实时显示系统的各类压力、温度、流量和阀门的基本状态等,以为操作人员操作和判断提供参考,其深层利用价值并没有被开发出来[6]。具体来说其数据价值利用瓶颈主要体现在以下3个方面:① 对数据的挖掘研究不够深入,并未对数据本身或各类数据关联集之间所隐藏的各类信息进行充分挖掘,发现其所包含的深层联系和规律;② 对智能化新技术与数据挖掘的结合应用探索尚未开展,无法在典型故障诊断、设备信息管理和虚拟现实方面形成有效的应用管理机制,无法充分体现高空台设备智能系统的智能化水平,展示其先进性;③ 数据在综合管控平台中的显性化表达处于初级阶段,在人机交互界面中只简单地展现了系统测得的有限原始数据,操作人员获取的数据价值有限且形式简单,在数据价值与数据展示直观性上有待改进。

当前,全世界各国政府高度重视大数据技术研究与应用,不少发达国家颁布了关于大数据战略纲领性文件,以推动大数据在社会治理、经济发展和政府服务等方面的应用[7]。美国阿诺德工程开发中心(Arnold Engineering Development Center,AEDC)也极为重视先进高空台在数据库方面的建设[8]。20世纪七八十年代便完成了对高空台智能化等筹划与体系建设,其中就提到多个测试数据库的建立。例如AEDC用于发动机高空模拟试验的测试仪器系统(Test Instrumentation System,TIS)是AEDC试验设备的一个组成部分,该系统允许试验人员实时监测试验过程中关键的设备参数;系统会在试验的特定阶段自动向试验人员提供设备状态分析报表,同时允许试验人员使用系统内部的控制子系统对试验进程进行管控,这大幅减少了高空模拟试验所需的时间,提高了试验效率和试验自动化水平[9]。

近年来又提出一个重要内容即建设综合调度系统(Integrated Scheduling System,ISS)。ISS是一套数据库,可以收集试验、维修和投资项目的管理信息,并开展最优化的规划和分析来推进和完成这些项目;它将改善短期和长期规划、决策、效率和效力,并提升系统的自动化和智能化能力。可以看出美国对先进高空台在大数据平台搭建、数据挖掘与分析运用方面给予了足够的重视,并以此作为推动高空台智能化发展的核心手段[10]。在国内,也对相应的试验数据管理系统开发开展了诸多研究。李灵巧[11]对某研究所高空台试验数据信息管理系统进行了设计和开发;中国航发四川燃气涡轮研究院的师伟等[12]对高空台试验数据信息平台数据交换技术进行了研究;文维阳等[13]采用现代测控技术、通信技术、数据管理和分析技术等先进手段建立了基于以太网的航空发动机试验数据管理系统。

随着数据挖掘技术的广泛应用,传感器设备数据、非结构化文档数据等大数据环境下的数据组成无法通过传统关系型数据模型进行建模和存储。研究逐渐转向通过研究大数据技术来满足设备数据综合管理的需要,可以采用数据融合技术开展相关研究。在国内,对高空台传统数据库的改进一直在推进中,对试验数据库的研究与利用从未停止,特别是在在线显示与数据分析、设备信息库建立和数据回放等多方面的研究中获得了不少成果[14-16]。但是数据资源的应用仍停留在初步利用阶段,信息世界与物理世界的有机集成和深度融合不足、实物信息和电子数据存在信息孤岛。基于多传感器的数据融合技术、设备信息故障与健康管理技术、数据可视化技术等智能化技术尚在探索之中。

本文围绕航空发动机高空模拟试车台液压加载系统试验数据的深层次挖掘与预处理等科学问题,针对高空台智能化试验功能需求,利用当前大数据挖掘分析与信息融合技术原理,开展高空台液压加载系统智能运行技术研究。

1 液压加载系统组成

高空模拟台液压加载系统可划分为两大部分:液压系统和测控系统。液压系统主要由液压油源、地面液压泵、电磁溢流阀、管路、机载液压泵和电液比例阀等设备元件组成,测控系统则包括PLC控制器、比例放大器、压力传感器和涡轮流量计等测控单元。系统以压力、流量作为测控对象,形成一个具有反馈调节的闭环控制系统,最终实现液压加载系统精度提高、操作简化的目的。其系统工作原理图如图1所示。

图1 高空台液压加载系统原理图

由于飞机上的发动机液压泵一般是恒压变量泵,其输出功率主要用于泵出液压油供飞机起落架和机翼动作的消耗。根据高空试车台模拟机载泵的工作原理,加入电液比例阀作为耗能元件,设计液压加载控制系统对系统实现功率提取。

比例阀必须和电子放大器配合使用,放大器根据输入信号向比例阀电磁铁提供一个适当电流。利用比例阀实现加载的基本原理是:比例电磁铁将电流转换成作用在阀芯上的机械力并克服复位弹簧,随着电流增大,电磁铁输出力增大,复位弹簧被压缩,于是阀芯开始移动,进而改变主阀芯的开口面积大小,在压差一定的前提下,比例阀开口面积的变化直接引起阀进出口前后流量的变化,实现了对液压泵进行加载的目的。

2 高空台液压加载系统试验智能运行需求及关键问题

2.1 高空台液压加载系统试验智能运行需求分析

(1) 高空台液压加载载荷试验的高精度化和智能化需求。

液压加载系统是为了模拟飞机液压泵工作,提取发动机功率并对液压系统内各参数进行测量,测评液压泵在提取发动机部分功率后对发动机运转的影响。在高空台模拟试验中,液压加载系统主要完成固定加载试验和功率谱加载试验,固定加载试验时只需将阀门调到设定好的开度即可,而功率谱加载试验需要加载不同的功率并且调节时间要尽可能缩短,目前主要采用手工调节和开环控制的方法,存在控制灵活度不高且精度较低的问题。因此需要设计智能化控制系统来使液压加载系统达到高精度化和智能化,从而保证试验安全、高效地进行。

(2) 高空台液压加载系统多传感器数据的深入挖掘。

高空台液压加载系统传感器众多,主要有温度、压力和流量传感器。目前液压加载系统的传感器数据的利用还停留在简单的展示阶段,数据潜在的特征信息并没有被完全挖掘出来,导致数据利用率低,数据分析难。对高空台液压加载系统多传感器数据的深入挖掘开发可将数据关联集中的内涵联系和规律挖掘出来,可以为系统智能运行平台的改进提供数据支持。

(3) 高空台液压加载系统故障诊断、健康管理和智能化控制。

目前,高空台液压加载系统只是根据试验需求提前设定好程序,当试验设备或耗能元件故障时对其进行维修或更换,系统的智能化程度不高。由于对设备的状态、故障和健康状况等各类信息不了解,导致试验效率低、维修费用高并且存在安全隐患。子设备处于高温高压环境中,很容易发生性能退化和故障,可以通过智能算法对液压加载系统进行故障诊断和健康管理,根据输出结果来对液压加载系统进行条件控制,使液压加载系统能够智能运行。

(4) 液压加载系统数据可视化与人机交互系统改进。

高空台液压加载系统的数据展示目前只停留在原始数据的简单展示,操作人员获取的信息混乱且价值不高。通过对数据可视化与人机交互系统的改进研究,设计出液压加载系统的三维可视化虚拟运行场景,挖掘表征故障和健康信息的传感器特征值并对其显示方式进行改进,结合设备信息管理、实时状态监控、关键设备故障判别、工作日志和报表分析等业务需求,全面改进人机交互系统。

2.2 液压加载系统试验智能运行的关键问题

(1) 高空台液压加载系统多传感器数据预处理问题。

高空台液压加载系统作为复杂液压工艺系统,由于工作特性和外界环境的影响使得测试信号(压力、流量、油温、转速等)存在异常值和不同程度的噪声、脉冲等干扰信号,这些干扰不利于对数据进行融合与深入挖掘等工作,并且会对基于数据的液压加载系统故障诊断效果产生较大影响。基于数据的故障诊断技术在数据融合前需要保证数据的可信度,即必须进行数据的预处理。而对液压加载系统复杂的干扰因素消除,需要有序地采用不同方法进行处理,以满足信号融合所需要的数据属性。首先分析高空台液压加载系统的历史试验数据特征,有针对性地选择有效的数据预处理方式;再将数据预处理流程打包,形成数据预处理模块;实现对原始数据的预处理,使数据能够更好地应用于液压加载系统的健康监控和故障诊断。

(2) 高空台液压加载系统多传感器数据融合问题。

高空台液压加载系统子设备众多,长期处于高压高温状态条件下会出现磨损、卡滞和汽蚀等故障或者性能发生退化,因此对液压加载系统进行故障诊断和健康预测尤为重要。长时间的模拟试车试验积攒了规模庞大的传感器数据,但这些数据是不同形式、不同维度和不同层面的、数据信号差异大、采样形式多、数据价值密度低等导致数据质量参差不齐。通过高空台液压加载系统多传感器数据融合研究,采用融合算法实现对数据的深入挖掘,并将各传感器关于故障诊断与健康预测的说明数据按同一目标进行分组关联,进而实现液压加载系统的故障诊断和健康预测。

(3) 高空台液压加载系统综合智能控制平台。

高空台液压加载系统在工作过程中,机载泵后流量会因控制系统的作用而跟踪加载谱的目标流量,由于泵前后有较大的定压差(通常约为28.4 MPa),使航空发动机在对应流量谱的功率负载下运行,所以高空台液压加载系统的控制过程是一个流量控制过程。高空台液压加载系统需要完成固定加载试验和功率谱加载试验,目前功率谱加载试验中是采用试验前人工大量摸索不同载荷需求下阀门控制位置,离线分析总结、得到阀门控制规律,在实际试验中由提前输入的阀门控制规律来完成控制,但每次试验差异性(包括机载液压泵的不同、载荷谱的不同等)都难以达到既快速又准确的目的。为了提高控制精度,应该采用闭环控制,但是由于加载谱瞬间变化,要求响应速度极快,通过人手动调节阀门、监视被控制量机载液压泵出口流量(或压力)的方式,控制速度远远跟不上,采用一般闭环控制算法通过计算机或PLC自动控制也无法满足要求。所以需要设计新的控制方法以满足载荷需求变化时又快又准的控制效果。

为实现上述控制效果,应采用分层结构,根据高空台液压加载系统的工艺流程和多传感器数据融合的结果,统筹管理高空台液压加载系统各子设备间的协调与联合工作,实现设备之间的条件控制。根据故障诊断结果和设备健康状况对底层控制器的控制规律或控制参数进行调整,使各子设备能够实现自适应控制,进而提高控制精度,保证试验安全高效地进行。

(4) 建立高空台液压加载系统可视化展示平台。

目前液压加载系统只是进行输入输出展示,例如查看当前工作条件下的阀位、流量、压力和温度等传感器的数据,无法展示系统内设备运作情况等信息,也不能直观地展示其工艺流程和设备当前状况,因此需要对二维数据展示界面进行改进。为了使操作人员能够在试验过程中直观地查看各子设备的运行情况,采用前端构架与后端管理相结合的方法,基于轻量化BIM(Building Information Modeling,建筑信息模型),建立液压加载系统三维运行场景,展示高空台液压加载系统的数据流,模拟真实设备场景,提取并展示相关特征和规律,实时监控模拟状态,并可查看设备健康状况,可通过动画效果直观地展示整个系统运作流程,实现局部到整体的分析展示。

3 关键技术

3.1 高空台液压加载系统智能运行技术总体框架

高空台液压加载系统智能运行技术总体框架如图2所示,主要包含对试验设备传感器数据进行预处理并进行3层融合,根据故障诊断与健康预测的需求对数据进行分组关联,分析液压加载系统典型故障,设计基于专家系统的开环控制与PID闭环控制提高试验灵活度和精度。采用基于数据驱动的方法,结合数据预处理与融合的结果、数据分组关联的结果,对液压加载系统进行故障诊断与健康预测,最终搭建基于轻量化BIM的液压加载系统可视化展示平台。

图2 高空台液压加载系统智能运行技术总体框架

3.2 基于层次分析法的数据分组关联架构

通过分析高空台液压加载系统原理,结合历史试验数据,分析液压加载系统的常见故障及其故障机理,主要包括阀门故障、泵故障和管路故障等。采用基于物理机理和数据驱动相结合的方法建立整个高空台液压加载系统的故障模型。采用故障因子注入法来模拟典型故障,通过循环模拟液压加载系统故障;采用单因素敏感性分析方法输出局部敏感度矩阵;采用基于方差分解方法的多因素敏感性分析,在多故障共同发生时,分析状态参数对各个故障的敏感性;采用数据信息熵公式,通过稳定行为量来衡量液压加载系统状态参数序列的稳定性。计算各传感器之间的Pearson相关系数来度量两个随机变量间的线性相关程度,包括相关的强度和方向。

采用层次分析法建立高空台液压加载系统的数据分组关联架构如图3所示,分为目标层、准则层和方案层。目标层只有一个元素,是分析问题的预定目标。准则层包含为了实现目标所涉及的中间环节,主要是一些指标或准则,主要包含敏感性、稳定性和相关性等指标。方案层包含为了实现目标可供选择的各种方案,子设备主要包括液压泵、机载泵、管路、比例阀和电磁溢流阀等。以高空台液压加载系统故障诊断和健康预测数据分组关联为目标,针对不同液压加载系统子设备,分析其敏感性、稳定性和相关性,得到各自的传感器集合,然后通过决策树分析方法对其进行分组关联。

图3 高空台液压加载系统的分组关联架构

3.3 液压加载系统数据预处理

高空台液压加载系统的数据预处理过程需要经过滤波、缺失值填充、离群点处理、数据归一化和特征提取5个步骤[17-18],其流程图如图4所示。针对原始数据中夹杂的噪声信号,采用滑动平均法进行处理,把前后时刻的共2n+1个观测值做平均,得到当前时刻的滤波结果。缺失值填充采用统计量填充的方法,即将缺失值填充为统一参数数据的平均值或中位数。离群点处理的过程可分为离群点检测与离群点消除。离群点检测采用基于聚类的方法。离群点数据分为随机离群点和机理性离群点,检测出离群点后,将随机性离群点剔除,保留机理性离群点并分析其机理。数据预处理模块主要包含异常值剔除、噪声剔除、数据整合和数据存储,对数据进行归一化,将各数据元素投影到[0,1]空间当中。最后采用基于数据驱动的深度置信网络进行特征提取,提取出数据中与故障诊断及预测相关的参数与维度,使数据更好地用于模型与网络的训练过程。

图4 液压加载系统传感器数据预处理流程

3.4 液压加载系统数据融合

对试验数据预处理完之后需要进行数据融合,图5为液压加载系统多传感器数据融合架构图,主要包含数据层、特征层和决策层融合。首先对液压加载系统多传感器数据进行处理,然后对数据融合层的输出结果进行特征提取,可得到在给定状态下高空台液压加载系统传感器测量参数的变化趋势。数据层融合可采用基于模型的方法(如基于卡尔曼滤波器的方法和加权平均法);特征层融合可以采用基于数据驱动的方法或融合方法进行特征提取,提取的参数特征首先进行设备级的故障特征融合,可以采用模糊逻辑推理和神经网络方法。分析各子设备的工作是否异常,得到各子设备的故障检测结果,然后进行全系统级的故障特征融合,即综合考虑各子设备的故障情形,确定全系统的工作状态,决策级融合可以采用D-S证据理论和贝叶斯方法。

图5 液压加载系统多传感器数据融合架构图

3.5 基于设备特性与加载谱的液压加载系统智能复合控制

高空台液压加载系统主要用于模拟飞机机载液压泵的工作,在其工作过程中,机载泵后流量会因控制系统的作用而跟踪加载谱的目标流量。在进行加载谱试验时,需要在很短时间内调节流量大小[19],其具体试验需求如图6所示,因此目前采用了开环控制使响应时间更快,但是需要提前试车来手动摸索所需功率谱要求下阀门开度与流量之间的关系,再将其写入程序进行实现。

图6 加载谱试验中时间与流量关系图

为了解决加载谱试验灵活度不高和精度较低的问题,设计了图7所示的基于设备特性与加载谱的液压加载系统智能复合控制方案。

图7 基于设备特性与加载谱的液压加载系统智能复合控制方案

该方案根据设备特性和加载谱试验需求,结合历史试验数据建立专家系统来提高控制灵活度,通过流量传感器反馈建立闭环控制系统来提高控制精度[20-21]。专家系统由液压加载的特性和加载谱的试验需求组成,根据传感器测点数据,建立液压加载系统中阀门的模型,进而得到流量与阀门开度之间的关系,进而建立开环模糊系统。液压加载系统的控制系统主要由一个PID控制器组成,该控制器在专家系统指令执行完之后运行,主要负责加载谱试验到达流量需求之后的稳态控制过程。

3.6 液压加载系统故障诊断与健康预测

通过数据融合的结果,分析液压加载系统的子设备的健康状况,给出子设备控制指令(如条件控制、连锁控制和逻辑控制等),进而实现设备之间更好的协同工作,提高试验效率,保障试验的安全进行。对高空台液压加载系统传感器数据进行预处理并进行特征提取,然后设计诊断模型进行故障诊断,结合诊断模块的输出信息,设计退化模型对液压加载系统子设备性能退化预测进行研究,估计剩余使用寿命并指定决策,以此来重新规划任务或进行系统重构,将结果输出给液压加载系统,进而形成闭环,从而实现对液压加载系统运行过程完全的监视、诊断与预测。

由于高空台液压加载系统设备复杂,精确建模难度很大,不适合使用基于模型的故障诊断方法,同时其积累了大量的可以深层次利用的历史试验数据,有利于使用数据开发故障诊断模型并同时进行验证。因此,采用基于数据驱动的方法进行液压加载系统故障诊断,这样可以充分利用其历史试验数据,挖掘数据的潜在价值,当数据全面且充足时,可以有效提高故障诊断的精度,从而减少误判[22]。深度学习理论指出具有多个隐藏层的神经网络具有强大的学习能力,并且随着深度的增加,隐藏层数量可逐渐增加。高空台液压加载系统多传感器与故障模式之间存在较为复杂的非线性关系,如果使用表征能力不强的模型学习这一关系则会出现欠拟合现象,即模型学习能力不强,无法准确拟合数据与故障之间的关系,所以本小节使用基于深度神经网络的故障诊断算法以提高对不同故障的识别率。深度神经网络的故障诊断算法基于大量带标签的试验数据进行神经网络训练,得到最优的网络权值和偏置项参数,整个训练过程以最小化交叉熵损失函数为目标,迭代更新网络参数,当训练误差小于预设值或总迭代次数达到预设次数时,训练过程结束并完成神经网络建立过程。

当进行高空台液压加载系统故障诊断时,只需将经数据处理后的特征向量作为输入向量,借助训练好的神经网络参数进行前向计算,进而得到输出层参数值,选取输出层神经元值最大时对应的故障模式作为最终的故障诊断结果。基于深度神经网络的液压加载系统故障诊断算法结构图如图8所示。

图8 基于深度神经网络的液压加载系统故障诊断算法结构图

对高空台液压加载系统的性能衰退形式和特点进行研究。液压加载系统的子设备众多,长期处于高温高压环境中很容易发生性能退化,以液压加载系统实效性为目标设计合适的健康指标选取方案,检测液压加载系统的性能衰退并表征其健康状况。使用支持向量机的方法对其性能衰退进行预测,以提高预测精度和完整性[23]。基于液压加载系统故障分析与故障数据,将故障特征映射到健康指标上,基于性能衰退预测对故障时间和故障程度进行预测,提出有效的维修节点以延长高空台液压加载系统的使用寿命并降低其故障风险。基于支持向量机的健康预测结构图如图9所示。

图9 基于支持向量机的液压加载系统健康预测结构图

3.7 基于WebGL液压加载系统工艺流程三维可视化

高空台液压加载系统的硬件部分可划分为两大部分:液压系统和测控系统。液压系统主要由液压油源、地面液压泵、电磁溢流阀、管路、机载液压泵和电液比例阀等设备元件组成。测控系统则包括PLC控制器、比例放大器、压力传感器和涡轮流量计等测控单元。WebGL技术可为HTML5 Canvas提供硬件3D加速渲染,可搭建液压加载系统三维可视化场景[24-25]。液压加载系统BIM整体技术架构如图10所示,硬件系统通过Modbus协议将传感器数据传输给软件系统。软件系统中,Python程序负责将收到的数据进行解析,实现数据处理、智能控制、故障诊断等功能并将各功能模块的输出通过WebSocket协议传输给Web展示界面。Web端展示界面根据需求规则,对液压加载系统中的试验设备、试验部件、设备工艺流程进行可视化展示,生成可视化界面并接收操作人员的操作指令,对指令进行解析并通过WebSocket协议驱动Python程序的运行。界面前端对接液压系统后台系统数据进行多维度的监控,实现液压加载系统设备可视化、管道可视化、工作过程可视化、功能可视化,最终进行液压加载系统实时数据展示、设备预警和实时监控,以达到提高系统效率的目标。

图10 高空台液压加载系统BIM整体技术架构

基于液压加载系统原理图,采用3DS MAX软件对其子系统元件进行标注,然后根据网络模型对建模部件进行适当修改并进行组装,得到液压加载系统的三维模型并将其导出为.obj三维模型文件和.mtl材质文件。Web端通过本地HTTP协议读取该文件,基于WebGL技术将三维模型导入HTML5框架中,并将其与服务器相连接,服务器为其提供展示的数据与报表,使试验智能化,图11显示了建立的高空台液压加载系统三维可视化界面,其功能包括液压加载系统模型、传感器实时数据显示、试验设置与人工操作界面、数据综合管理、试验过程分析和故障诊断分析。