流體回路在軌泄漏檢測與定位技術研究

，，， ，

(1.中國運載火箭技術研究院研究發展中心, 北京 100191；2.北京遙測技術研究所, 北京 100191)

0 引言

流體回路技術是復雜環境條件下進行航天器熱控設計重要的技術途徑，可以大范圍進行能量交換，實時調節能力強，回路布局方便，并且具有熱源換熱器、空間熱輻射器布局條件限制小等特點，目前長期在軌運行的大型航天器均采用此技術[1]。

然而，航天器在軌運行要經受空間環境的長時間考驗，飛行任務復雜度高、運行環境惡劣，艙體和密封結構可能產生松動、變形、表面氧化、腐蝕、損傷甚至穿孔等現象進而引發泄漏事故[2]。 NASA 的國際空間站長久運行計劃曾指出微流星和空間碎片是影響國際空間站、航天飛機和其他航天器長久運行的首要問題[3]。2007年，奮進號航天飛機在執行STS-118號任務時，受到空間碎片撞擊?？臻g碎片徹底擊穿散熱器面板及其下面的熱控系統外殼，引起航天飛機的嚴重泄漏[4]。

泄漏檢測技術在燃氣管網和供水管網方面的研究比較多[5-8]，常用的方法包括：壓力下降法[9]、泄漏物質檢測法[10-11]、超聲法[12-13]等。其中壓力下降法能夠判斷出管路有泄漏發生，但很難對泄漏位置進行定位。而泄漏物質檢測法和超聲法一般需要人使用傳感器探頭對管路進行掃描，找出泄漏位置，盡管該兩種方法靈敏度高，但是效率低，而且對于無人航天器以及航天器的外回路管道很難使用。因此需要研究一種能夠用于長期在軌航天器管路泄漏實時監測、快速定位的技術?？臻g流體回路泄漏實時監測及故障定位方面的研究幾乎沒有，當航天器流體回路尤其是外回路管道遭受流星或空間碎片的撞擊而產生泄漏故障時，管道內工質的質量流量會發生變化，從而引起管道內工質的壓力、流速和溫度等熱工特性發生變化。在分析航天器流體外回路壓力、溫度等熱工特性的基礎上，采用基于RBF神經網絡溫度、壓力信號特征識別技術，能夠實現檢測泄漏并對泄漏孔進行定位。

1 流體回路泄漏熱工特性仿真

1.1 泄漏簡化模型

航天器常用單相流體回路由內外兩個回路組成[14-15]。其中內回路通過泵驅動工質循環流動，當工質流過冷板時將冷板上的熱吸收，流過與外回路的交叉換熱器時，將熱輸出給外回路。外回路工質從換熱器吸收熱后，在外回路泵的驅動下，流到輻射器，再輸出給外界環境。簡化模型如圖1所示。

圖1 泵驅動單相流體回路簡化圖

回路中流體工質的溫度變化較大時，會引起體積的變化，從而影響流速的穩定，最終影響到換熱效果?；芈啡舭l生泄漏故障也會影響到換熱效果，設置補償器隨時對回路工質進行必要的補償，保證正常的換熱效果。補償器在回路泄漏過程中，由于氣囊的存在，先提供恒定壓力和恒定溫度的流體補償，隨后由于氣囊體積的變化，只能提供恒定溫度而變壓力的流體補償，直至無法提供補償，補償器閥門自動關閉。

穩態泄漏過程中，由于補償器的存在，出口處管道中流體工質的壓力、溫度等參數恒定不變，即泄漏孔口的泄漏率不隨時間改變。當泄漏發生在管道上時，熱輻射器和換熱器處的能量計算式基本不變，可以通過連續性方程、動量方程和能量方程分析管路內流體的速度、壓力和溫度分布情況。而且，泄漏的存在將使得管道泄漏孔口上、下游的流體質量流量發生變化，從而影響整個回路的熱工特性，所以有必要對管道的泄漏區和非泄漏區分別進行研究，建立微分方程如式(1)-式(4)所示[16]。

1)非泄漏區：

(1)

(2)

2)泄漏區：

(3)

(4)

其中:T為流體工質溫度；P為流體工質壓力；x為管路長度；Ta為深冷空間溫度，f為摩擦阻力系數；D為管道內徑；ρ為工質密度；V為工質流速；h為對流換熱系數；cp為工質比熱容；A為管道橫截面積；Q0為泄漏孔口的質量泄漏率。

1.2 泄漏仿真計算

設流體回路為鋁合金管(LF10)，工質為全氟三乙胺，外回路管子為φ20 mm×1.5 mm，工質質量流量為0.233 kg/s，內外回路間換熱器的實際熱交換量為485 W。外回路管路各段長度如圖2。

圖2 外回路管路長度示意圖

設泄漏位置為2.5 m，泄漏孔徑為0.001 m，經計算，結果如圖3所示。

圖3 仿真計算結果(泄漏位置2.5 m，泄漏孔徑0.001 m)

從圖3(a)中可以看出，有泄漏情況下與無泄漏情況下壓力分布差異較大。其中泄漏點處，會有微小的壓力上升。而泵的壓力升高量比無泄漏時明顯減少，這是由于泄漏點在泵之前，導致進入泵的流量減少，則泵所提供的揚程降低，從而使得泵后的流體壓力值均減小。從圖3(b)中可以看出，泄漏處的溫度與非泄漏時幾乎沒有變化，但是在中間熱交換器之后，有泄漏的情況下管路溫度比無泄漏時高，這是由于流入泵的體積流量下降，在保證內回路換熱的情況下，泄漏時換熱器出口流體的溫度較無泄漏時的高些，而由于補償器的存在換熱器入口流體溫度基本不變。

圖4為泄漏位置11 m，泄漏孔徑為0.001 m的壓力和溫度分布曲線。

圖4 仿真計算結果(泄漏位置11 m，泄漏孔徑0.001 m)

從圖4可以看出，雖然泄漏位置不同，但是壓力分布規律與圖4相同，均是泄漏點之前的壓力分布與無泄漏相同，泄漏點處仍會有微小的壓力上升，而溫度變化差異。當泄漏位置位于中間熱交換器之后的區域時，泄漏位置處的溫度會有明顯下降，這是由于泄漏點處存在熱交換，同時，由于泄漏導致進入輻射器進行熱交換的流體流量減少。

通過上述分析可知，通過測量管路壓力和溫度的分布是可以反演出泄漏位置的。但是在實際情況下，由于功耗、重量等因素的限制，以現有技術很難將壓力和溫度分布精確測量出來，而只能將部分關鍵節點處的溫度和壓力值測量出來。壓力的關鍵點為參考點、換熱器前后、泵前后、輻射器前后等7個點，溫度關鍵點為換熱器前后、輻射器前后等4個點。由于數據量少，要反演出泄漏點位置和泄漏孔徑大小，需要采用人工神經網絡進行反演計算。

2 基于RBF神經網絡的泄漏特征反演

2.1 構造并訓練RBF神經網絡

RBF神經網絡，即徑向基神經網絡[17]。它由三層構成：輸入層、隱含層和輸出層。采用徑向基函數作為隱含層單元。隱含層對輸入矢量進行變換，將低維的輸入數據變換到高維空間內，使得在低維空間內的線性不可分問題在高維空間內線性可分。結構簡單、訓練簡潔、學習收斂速度快、能夠逼近任意非線性函數，克服局部極小值問題[18]。因此RBF神經網絡特別適合于參數反演和模型預測[19]。圖5是徑向基神經元模型。

圖5 徑向基神經元模型

基函數最常用的是高斯函數：

(5)

RBF神經網絡的輸出是Ri(Χ)到yi的線性映射，即：

(6)

i=1,2,...,m，其中Wi為輸出層權值。

為建立神經網絡學習的樣本數據，通過仿真計算出不同泄漏位置孔徑的壓力和溫度分布曲線，選擇前文所述的壓力和溫度關鍵點處的參數值為輸入層數據(11維向量)，泄漏位置和泄漏孔徑作為輸出層數據(2維向量)，不同泄漏位置與泄漏孔徑組合共生成2540組樣本數據?？紤]到實際情況下的壓力和溫度精度，對仿真生成的樣本數據精度進行處理，使得壓力的精度為10 Pa，溫度的精度為0.01 K。訓練結果如圖6所示。

圖6 訓練收斂曲線

2.2 反演結果分析

圖8 泄漏位置反演誤差分布

將仿真數據輸入訓練結束后的神經網絡，得到反演的泄漏孔徑和泄漏位置。經計算，其誤差大小隨泄漏孔徑和泄漏位置分布以及誤差概率分布曲線如圖7和圖8所示。從圖7(a)可以看出，當泄漏孔徑小于1.5 mm且泄漏位置在中間換熱器(6 m)附近時，孔徑反演誤差較大，最大誤差為0.25 mm。這是由于影響泄漏孔徑的反演的主要因素是溫度。而在換熱器附近其溫升較高，泄漏導致的溫度變化相對于換熱器影響非常微弱，因而使泄漏孔徑反演誤差增大。從圖7(b)可以看出95%以上的泄漏孔徑反演誤差小于0.05 mm，表明通過本文訓練的RBF神經網絡可以有效反演泄漏孔徑。從圖8(a)可以看出，當泄漏孔徑小于0.5 mm時，泄漏定位誤差均比較大；而當泄漏孔徑大于0.5 mm時，泄漏定位誤差均比較小。這是由于，壓力是影響泄漏位置反演的主要因素，而當泄漏孔徑很小時，泄漏流量小，對壓力分布的影響也很小，進而使得對泄漏位置的定位誤差較大。從圖8(b)中可以看出對于0.5 mm以下得漏孔，僅有45%以上的泄漏位置反演誤差小于0.3 m，而對于漏孔直徑大于0.5 mm時，95%以上的泄漏位置反演誤差小于0.3 m。綜上所述，工程應用時，需要先根據反演的泄漏孔徑大小進行分析，若漏孔直徑小于0.5 mm，則對于泄漏位置的定位結果可靠性是比較低的。而對于漏孔直徑大于0.5 mm時，對于泄漏位置的定位結果可靠性比較高。

3 結論

本文對航天器熱控系統流體回路管路泄漏的壓力和溫度分布進行理論和仿真分析，獲得了不同泄漏位置和泄漏孔徑情況下的壓力和溫度分布數據。以其中部分關鍵點的壓力和溫度值為輸入參數，以泄漏位置和泄漏孔徑為輸出參數，建立了RBF神經網絡，可以有效反演出泄漏孔徑的大小。通過分析可以得到，對于泄漏孔徑小于0.5 mm的微小泄漏，其位置的反演誤差較大，還需要補充其他手段輔助進行泄漏定位；當泄漏孔徑大于0.5 mm時，以95%的概率定位誤差小于0.3 m。

[1] 邵興國，張加迅，向艷超.熱管及流體回路技術在航天器上的應用分析[C]. 第十一屆全國熱管會議論文集，2008.

[2] Makel D B，Jansa E D, Bickmore T W．Automated Propellant Leak Detection[J]．AIAA 93-2590．

[3] NASA, NASA’s Implementation Plan for International Space Station Continuing Flight[R]. February 15, 2005.

[4] Inter-Agency Space Debris Coordination Committee, Sensor System to Detect Impacts on Spacecraft[R]. April,2013.

[5] 鄧松圣, 聶 平, 蔚曉磊, 等. 大孔徑泄漏水力瞬變模擬研究[J]. 后勤工程學院學報，2005,(4):19-23.

[6] 藺躍武, 劉典明. 天然氣輸送管道破裂泄漏量計算[J]. 化工設備與管道,2003,40(5):44-47.

[7] 霍春勇, 董玉華, 余大濤, 等. 長輸管線氣體泄漏率的計算方法研究[J]. 石油學報，2004,25(1):101-105.

[8] 楊 昭, 張甫仁, 賴建波. 非等溫長輸管線穩態泄漏計算模型[J]. 天津大學學報,2005,38(12):1115-1121.

[9] 喻新發，閆榮鑫，邵容平,等.空間站在軌密封檢漏技術研究[J].航天器環境工程，2008,25(2).

[10] Bickford R L, Gould J L, Makel D B. X-33 on-board hydrogen detection system[R]. AIAA99-2132.

[11] John E.Sinko, Valentin Korman,etc. A Fiber-Optic Sensor for Leak Detection in a Space Environment[A]. 45thAIAA/ASME/SAE/ASEE Joint Propulsion Conference[C].2009.

[12] 馬永成，陳青松,等. 基于超聲的氣體泄漏檢測與定位技術在載人航天器中的應用[J]. 儀表技術與傳感器,2009.

[13] Jialin Tian and Eric I. Madaras, An Amplitude-Based Estimation Method for International Space Station (ISS) Leak Detection and Localization Using Acoustic Sensor Networks[Z]. NASA’s Report, Langley Research Center, Hampton, Virginia, Nov, 2009.

[14] 張 立. 單相流體回路性能分析與研究[D]. 北京：中國空間技術研究院,2004.

[15] 張 立, 范含林. 單相流體回路系統的性能集成分析[J]. 中國空間科學技術,2004(4):47-53.

[16] 雷 娜. 空間站流體回路因故障失效后熱工特性的演變規律[D]. 哈爾濱: 哈爾濱工業大學, 2007.

[17] Moody J, Darken C J. Fast learning in networks of locally tuned processing units[J]. Neural Computation, 1989,1:281-294.

[18] Poggio T, Girosi F. Networks for approximation and learning[J]. Proc. IEEE,1990,78(9):1484-1487.

[19] Park J, Sandberg I W. Universal Approximation Using Radial-Basis-Function Networks[J].Neural Computation. 1991,3(2): 246-257.