高 創,陳立平,梅再武
1.華中科技大學機械科學與工程學院,武漢 430070 2.蘇州同元軟控信息技術有限公司,蘇州 215000
液體火箭發動機作為運載火箭系統飛行動力的核心,決定著運載火箭的整體性能,直接關系到航天任務的成敗[1]。由于發動機的復雜耦合系統和極端工作環境,任何微小的異常都可能迅速發展為破壞性故障,導致發射任務失敗,造成巨大的經濟損失。因此,液體火箭發動機故障檢測與診斷的研究受到廣泛關注[2]。
從20世紀70年代起,美國開始研發各種發動機故障檢測與診斷系統,如紅線系統(RS)廣泛應用于航天航空領域[3],后續研發了異常故障檢測系統(SAFD),實時監測發動機的24個變量,并配套數據篩選和專家診斷系統,用于火箭發動機飛行和試車后的故障檢測[4]。在幾十年的發展中,我國的液體火箭發動機故障檢測技術取得了矚目的成績,研制了基于信號的故障檢測方法、基于專家知識的故障診斷方法、基于模糊理論的健康監測技術等[5],但傳統的人工智能方法在實際應用中,往往取決于工作人員的專業知識和工程經驗,與國外的智能檢測發展存在一定的差距。
傳統的智能檢測方法由于其對系統復雜數據特征的學習能力差,限制了其對故障的預測及診斷,深度學習憑借其強大的特征學習和非線性表達能力,在圖像處理、語音識別等領域得到廣泛應用,逐漸成為智能故障檢測與診斷的主要手段?;鸺l動機故障檢測的方法已經從單一算法檢測轉向多算法融合檢測,從傳統的基于傳感器的診斷轉向基于深度學習的故障檢測。徐亮等[6]提出一種改進粒子群優化的小波神經網絡模型,將其應用于火箭發動機的故障檢測研究。鄧晨等[7]針對大推力氫氧補燃循環發動機的主級工況,設計了基于ARMR模型的實時故障診斷算法,并改進了閾值求解方法以及故障判別準則。
目前相關的研究大多是基于發動機已有數據的故障診斷,缺少對發動機的預測性維護,即提前預測可能會發生故障的部件。因此,本文提出了一種基于注意力機制的CNN-LSTM的故障預警方法,用于發動機地面試車啟動過程的故障檢測及預警中。
火箭發射前必須進行地面測試,以提高火箭發射成功率。由于地面試驗過程復雜、費用昂貴,且地面試驗數量的有限性[8],很難收集到系統在故障狀態下的響應數據。
本文借助蘇州同元軟控信息技術有限公司開發的MWORKS軟件,通過模塊化建模仿真技術,采取參數故障注入方式獲得系統對所注入的故障的反應信息和輸出信號[9],探究可能的故障模式,擴充故障樣本數據集,用于發動機的故障預警研究。
根據液體火箭發動機啟動過程中各典型部件的功能結構、性能特性及數學表達[10],建立了發動機典型部件模型。采用參數故障注入方式,設計了燃燒室故障(泄漏)、噴管故障(喉部燒蝕)、渦輪故障(葉片燒蝕、流道阻塞)和離心泵故障(葉輪損壞)的5個固有故障(F01-F05),以及正常狀態(F06),具體如表1所示。
表1 故障部件及類型
本文只考慮與上述故障相關的監測參數,通過對關鍵參數的測量,模擬出發動機運行過程中的物理狀態。通過特征選擇,確定選取監測的參數(SF01-SF09),在表2中詳細說明。在啟動過程中,若能提前檢測到發動機的異常行為,可以展開針對性預測維護,保護發動機和地面測試設施,最大限度地減少故障的潛在損害。
表2 故障監測參數
渦輪泵是液體火箭發動機內最復雜的組件之一,它的動態特性對發動機的動態特性具有重要影響。本文以渦輪泵故障仿真為例,燃氣渦輪葉片燒蝕的故障表達公式如下:
(1)
(2)
式中:qmT為渦輪流量,CT為系數,CdT為渦輪噴嘴的流量系數,AT為渦輪噴嘴的最小流通面積,RgT為工質氣體常數,TiT為渦輪入口溫度,γT為渦輪氫比熱比,peT和piT分別為渦輪出口和入口壓力,FtA表示葉片燒蝕故障因子,正常時FtA=1,發生故障時0≤FtA<1。
循環神經網絡(RNN)是一種專用于處理序列信息的人工神經網絡,通過存儲過去輸入的單元影響輸出。長短時記憶網絡(LSTM)是RNN的一種特殊類型,可以有效解決RNN梯度消失的問題。LSTM引入了輸入門、輸出門和遺忘門,有效地防止了各種順序模型的長期依賴性。描述某時刻t的LSTM基本單元的方程為:
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)
利用卷積網絡進行特征提取時往往會忽略非局部區域的信息,而注意力機制(Attention)可以有效地進行這些非局部區域的信息融合,以概率圖或概率特征向量的形式表示[11]。注意力機制的工作過程分為3個階段:1)對輸入特征和標簽進行相似度計算;2)將得到的權值進行歸一化處理,對輸入特征配以不同權重;3)進行加權求和輸出結果。
(9)
式中:fAttention為Attention層輸出的特征向量,V是表示輸入的特征向量,Q和K是計算權重的特征向量,dk為縮放系數,softmax為非線性轉換函數,輸出為概率分布。
本文搭建的CNN-LSTM-Attention故障診斷模型結構如圖1所示。模型進行訓練前,首先預處理數據,設置采樣步長和滑動窗口大小,將監測參數多維特征劃分為多個時序樣本,CNN層用于提取數據的局部特征。為避免CNN層對模型造成過擬合現象,將CNN輸出的特征信息輸入到LSTM層中,提取特征的時序信息。其次,通過Attention層對時序信息的權重進行重新分配,將模型的注意力集中在多維特征中更重要的特征信息上。最后,利用全連接網絡輸出故障概率,實現故障部件的定位。
圖1 CNN-LSTM-Attention故障診斷模型結構
本文將發動機啟動階段的故障預警分為故障預測和故障診斷。圖2為液體火箭發動機故障預警流程,其步驟如下:
圖2 液體火箭發動機故障預警流程
1)采取故障注入方法得到監測參數的正常樣本和故障樣本,用于故障預測和診斷模型的訓練;
2)劃分預測模型的訓練集、驗證集和測試集,探究不同長度的窗口組合對預測精度的影響,選取較優的組合,保存CNN-LSTM預測模型;
3)確定診斷性能評價標準,選取較優的診斷模型,保存故障診斷模型;
4)劃分預警測試樣本,選取1~3 s的監測數據作為預測模型的輸入,得到3~4 s預測數據;
5)組合真實數據和預測數據,劃分樣本并打亂標簽,輸入到診斷模型中,得到部件故障概率,定位故障部件。
3.1.1 評價標準
選取均方根誤差和決定系數作為模型評價標準,用來評價發動機故障預測模型的性能。
1)均方根誤差
(10)
2)決定系數
(11)
(12)
3.1.2 故障預測結果
模型的輸入為時間序列多維數據,采樣步長為1,為探究滑動窗口大小對于預測性能的影響,本文選取5種組合:60×9、80×9、100×9、120×9和150×9,表3顯示了不同窗口的均方根誤差和決定系數,結果表明120×9相比于其他組合,測試集的均方根誤差低于其他組合,決定系數更貼近1,能較好預測出參數變化趨勢。
表3 不同組合窗口的性能評價
圖3為120×9窗口下燃燒室壓力值的前250個樣本預測結果,從圖3(a)和(b)可知模型擬合效果較好,訓練集和測試集的預測結果與真實結果無明顯差異,圖3(c)表明模型經過迭代,不斷趨于穩定并收斂,證明了模型的可行性。
圖3 120×9窗口下的0~250個樣本預測結果
3.2.1 評價標準
本文采用準確率(A1)、精確率(P1)、召回率(R1)和F-score(F1)等指標來量化模型,評價診斷模型的性能,公式如下:
(13)
(14)
(15)
(16)
式中:TP為某一故障被正確分類的數量,TN為其他故障被正確分類的數量,FP為其他故障被錯誤分類的數量,FN為某一故障被錯誤分類的數量,β為相關參數。
3.2.2 故障診斷結果
為增強實驗結果的可靠性,本文對提出的故障診斷模型進行10次實驗,將其平均值作為性能的評估指標,計算得到測試集的準確率為97.58%,精確率為97.68%,召回率為97.58%,F-score為97.58%,其中燃燒室泄露準確率為90%、噴管燒蝕準確率為96%,渦輪葉片燒蝕、渦輪流道堵塞、離心泵葉輪損壞以及正常狀態的準確率均為100%,圖4為CNN-LSTM-Attention診斷模型訓練過程中準確率的變化,從中可以看出準確率經過多次迭代后接近于1,并趨于穩定,說明本文的診斷模型能有效識別啟動階段故障特征,具有良好的分類效果。
圖4 CNN-LSTM-Attention診斷模型準確率曲線
選取正常樣本和5種故障樣本,對啟動階段前1~3 s的數據采取滑動窗口劃分,將其作為CNN-LSTM預測模型的輸入,得到3~4 s的預測數據,CNN-LSTM-Attention診斷模型的輸入為組合數據,模型輸出結果為故障概率,圖5為故障預警模型的混淆矩陣,圖中對角線數值為故障預警的準確率,在測試樣本上,發動機故障預警準確率為96.21%,在一定程度上可以對液體火箭發動機故障進行預測性診斷,實現了潛在故障部件的定位。
圖5 故障預警模型混淆矩陣
針對某液體火箭發動機地面試車啟動過程的故障預警,提出了一種基于注意力機制的CNN-LSTM的預警方法。通過搭建發動機故障模型,批量仿真獲取正常以及故障樣本。建立故障預測模型,用于預測監測參數的變化趨勢。利用故障診斷模型,實現對預測數據的診斷,定位故障部件。實驗結果表明:本文提出的預警方法能較好地識別火箭發動機啟動階段的工作狀態,技術人員可通過對故障概率較高的部件進行檢修和維護,縮短維護周期,保障生命和財產安全。