數據驅動的液體火箭發動機健康監測算法研究

劉梓琰,吳毅偉,王冠,李璨,王姝淇,陳海寶

(1. 北京宇航系統工程研究所,100076,北京;2. 上海交通大學電子信息與電氣工程學院,200240,上海)

低溫液體火箭發動機渦輪泵具有工作轉速高、工作環境復雜惡劣的特點,其渦輪受高、低溫沖擊和高速旋轉時產生的離心力、熱應力、振動等共同作用,是發動機工程研制中容易出現問題的零部件。特別是在氧渦輪泵中,為減少渦輪端懸臂較長給轉子動力學設計帶來的影響,氧渦輪盤一般采用輕薄化設計,導致其故障概率進一步增加。因此,有必要開展針對氧渦輪泵故障檢測的相關研究,以實現故障的早發現、早定位。

基于數據驅動的故障檢測與識別方法與傳統的基于傳感器信號或物理模型的方法相比,既具備基于傳感器信號方法的簡單易實現,也具備基于物理模型方法深層次分析能力,并且更為泛化,能夠提煉出技術人員建模經驗之外的信息[1-3]。目前,數據驅動算法研究的關注越來越高,如支持向量機[4]、貝葉斯分類器[6-7]、極限學習機[8-9]、最近鄰分類器[10]、支持矩陣機[11]、隨機森林[12]以及最小二乘向量機[13-15]等機器學習算法都在故障檢測及診斷領域得到了應用。在發動機故障診斷與檢測領域,時域統計學特征、經驗模態分解[16]、全局譜分析[13]、快速傅里葉變換[17]、小波變換[4]和離散傅里葉變換[18]等都是常用的特征提取算法。此外,當可提供的數據樣本較少時,Li等[19]通過的時頻圖特征,然后用支持向量機的方法對故障樣本和正常樣本進行分類,取得了不錯的效果。針對振動信號,Harmouche等[16]提出了一種名為全局譜分析的特征提取方法,該方法在預處理階段對振動信時頻轉換,分析所有樣本號進行包絡分析以及快速傅里葉變換,接著利用主頻特征選擇和主成分分析來提取主特征,最后利用線性判別器完成了故障樣本分類。

Mathew等[20]在預處理階段對采集到的信號進行小波變換并從變換系數中提取故障特征,接著用貝葉斯分類器來對經過主成分分析后的降維特征分類,從而能準確識別故障樣本。Georgoulas等[21]提出了一種振動信號特征融合方法以構造新的故障特征。該方法將兩個加速器采集到的信號通過協方差矩陣進行特征融合,并將融合信號通過最近鄰分類器和主成分分類器進行故障診斷。該方法在對具有多個加速計傳感器的系統進行診斷時具有較好的性能。

文獻[22]通過階比分析研究了機動車變速箱齒輪的故障檢測技術,該技術融合了時域分析與頻域分析,有效提取了變速箱信號的特征,特別是在非均勻工況下,其效果優于單一的頻域分析方法。文獻[23]針對傳統電路故障檢測在波形圖診斷與實際波動存在偏差以及影響檢測準確性的問題,引入了一種結合小波變換和神經網絡的新檢測技術,此方法能夠精確地診斷各類故障狀態。文獻[24]針對時間序列數據中多元指標眾多、時間跨度大導致的特征提取難題,應用主成分分析(PCA)方法提取關鍵特征,并利用長短期記憶(LSTM)網絡減少數據維度,這不僅保持了數據間的相關性,同時也簡化了數據結構和模型的復雜度。

考慮大推力氫氧發動機復雜的物理機理與多次試車過程中產生的海量數據,借助機器學習方法實現發動機試車數據異常特征的深度挖掘,構建智能化、高精準的氫氧發動機故障檢測與識別工具,繞過物理機理探究異常數據特征,在實現故障發現與識別的基礎上反哺技術人員深化故障機理的理解,將是未來很長時間內的重要工程應用方向[25]。

液體火箭發動機的氧渦輪泵是其核心組件,改型發動機在歷次試車過程中積累了豐富的試驗數據,為數據驅動故障診斷方法的研究提供了有力支撐。本文開展氧渦輪泵試驗數據分析與挖掘技術研究,從數據層面出發,對氫氧發動機渦輪泵試驗數據進行分析與挖掘,繞過復雜的物理機理,基于速變與緩變數據建立故障檢測模型。在此基礎上提出一種故障模式判別方法,算法模型框架如圖1所示。該模型可以接受多種工況的數據輸入,并根據輸入類型執行相應算法。

圖1 算法模型框架圖Fig.1 Algorithm model frame diagram

1 數據描述

本文使用某型液體火箭發動機試車數據。該數據從火箭發動機傳感器收集得來,均為時序數據,同時包含高頻采樣樣本和低頻采樣樣本。全部試車數據覆蓋共計18臺發動機、56次試車試驗,即56個時間序列。每次試車提供一個包含大量測量參數的數據集,每個序列采樣長度為幾萬到幾十萬不等,在建模過程中進行數據重構以滿足輸入要求。參數可分類為緩變數據(如氧渦輪出口壓力、燃氣發生器室壓等)、速變數據(如氧渦輪軸向振動、氧泵軸向振動等)。各次試車的基本狀態統計如表1所示,其中試驗編號方式為發動機編號-該發動機試車次數,如9-1代表9號發動機第一次試車(后文對發動機統一表述為xx號發動機,對試車試驗統一表述為xx-yy次試車)。

表1 歷史試車發次狀態Table 1 Historical test run status

其中未特別標明狀況的氧轉子視為正常。第8號發動機試車數據較為特殊,由于8-1次試車出現R5裂紋,該發動機經過修理后繼續進行8-2以及8-3 次試車。燒蝕、R0.2、R1.2、R3、R4、R5裂紋為氧轉子不同的故障模式,表征裂紋在軸盤上的不同位置。值得指出,R1.2、R3、R4故障模式由于負樣本數量較少,因此本文后續故障模式判別算法中主要針對R0.2、R5兩種故障模式進行算法設計和實現。

發動機試車數據集中包含大量狀態參數,這些參數往往不是相互獨立,每個參數對于故障的表征能力也強弱不一,若向模型輸入全部參數,不但會導致運算效率低下,還會影響模型的準確性與魯棒性,影響最終算法效果。因此,在構建并訓練算法模型前,有必要對試車數據集中狀態參數進行篩選。采用信息熵分析、主成分分析等統計分析方法,分別對速變參數與緩變參數進行重要性排序。

與故障特征相關性較強的速變參數如表2所示,速變參數均為振動參數,采樣頻率高達50 kHz。整體呈現出劇烈波動以及非平穩性,因此在頻域中分析振動數據較為合適。與故障特征相關性較強的緩變參數如表3所示,均為燃氣路數據,包括溫度參數與壓力參數等。燃氣爐數據相對平穩,只在部分時間點會出現跳變。

表2 重要速變參數Table 2 Important fast-varying parameter

表3 重要緩變參數Table 3 Important slow-varying parameter

2 基于速變數據的橫向降噪圖像處理算法

速變參數的采樣頻率高達50 kHz,從頻域入手更易抓取故障現象的數據特征,而時域則可反應發動機工作狀態的變化情況,因此考慮構建時頻譜圖表征完整試車工況下的數據特征。在以60 ms窗口對氧泵以及氧渦輪進氣殼體組件的軸徑切向振動參數進行時域切片并經過短時傅立葉變換處理后進行拼接,可得振動參數的時頻譜圖,16-6次試車的氧渦輪進氣殼體組件軸向振動參數的時頻譜圖如圖2所示,16-1次試車的氧渦輪進氣殼體組件軸向振動參數的時頻譜圖如圖3所示。圖中橫坐標代表頻域,范圍為4.5～5.5 kHz,縱坐標代表時域,范圍為該發次試車的時間,亮度代表振動的能量。除上述兩次試車之外,觀察多個試車發次,發現在氧渦輪進氣殼體組件軸向振動參數的時頻譜圖中普遍存在以下情況:正常發次在5 kHz頻段附近存在高亮豎紋,而故障發次在該頻段區域額外出現高亮斜紋。因此,可以將該參數時頻譜圖中斜紋作的出現與否作為判斷發動機氧渦輪泵健康狀態的判據?；诖?本節提出一種基于圖像識別的發動機氧渦輪泵故障檢測方法。

圖2 16-6次試車氧渦輪進氣殼體組件軸向振動參數時頻譜圖Fig.2 Time-frequency spectrum diagram of axial vibration parameters of oxygen turbine intake housing assembly of 16-6

圖3 16-1次試車氧渦輪進氣殼體組件軸向振動參數時頻譜圖Fig.3 Time-frequency spectrum diagram of axial vibration parameters of oxygen turbine intake housing assembly of 16-1

2.1 算法模型

圖像識別的流程如圖4所示,首先聚焦斜紋出現區域,將時頻譜圖截取成為439×376=165 064像素大小,然后將時頻譜圖灰度化。此時圖中不僅存在明亮豎紋與斜紋,還存在背景噪聲。針對這一特點,本文提出一種橫向降噪方法,首先計算時頻譜圖每一時刻在所有頻率上的像素值均值,然后對每個像素值減去該像素值所在時刻的像素值均值,計算公式為

圖4 斜紋圖像識別流程圖Fig.4 Twill image recognition flow chart

式中:G(t,f)為橫向降噪后時刻t、頻率f上的像素值;g(t,f)為橫向降噪前時刻t、頻率f上的像素值;F為時刻t上所有頻率的像素點數。由圖4降噪效果可以看出,橫向降噪法可以在最小程度不影響譜線的情況下,有效減少由于傳感器故障造成的異常噪聲,減少對后續譜線分析的干擾。在緩解了由于傳感器故障所造成異常噪聲的影響,需要進一步增強譜線亮度,減少噪聲像素點的亮度。由于時頻譜圖在經過橫向降噪和邊緣分析等圖像處理過程后,圖像整體顯示較暗,圖像像素值均在0～60的范圍內,整體偏低,為了進一步放大明暗的差異,本文采用提亮法等比提高圖像的像素值,計算公式為

式中:G(t,f)為橫向提亮后時刻t、頻率f上的像素值;g(t,f)為橫向提亮前時刻t、頻率f上的像素值;min(g)為圖像中最暗像素點的像素值;max(g)為圖像中最亮像素點的像素值。另外,當時頻譜圖的譜線較粗時,經過邊緣檢測算法處理后的譜線在圖像上呈現是一圈細線,對于后續判斷區分噪聲點和譜線會造成干擾,因此采用中值濾波法來模糊圖像,填補較粗譜線應邊緣分析而導致中空的區域,為后續識別譜線提供助力。最后,經過橫向降噪、高斯模糊、邊緣分析、提亮、中值濾波等一系列圖像處理方法,完成時頻譜圖的預處理,實現時頻譜圖的降噪和譜線增強。

由于不同發次的斜紋偏斜角度不同,直接對斜紋進行識別較為困難,因此選擇對豎紋進行識別并剔除,再判斷剩余亮紋區域的大小,若剩余亮紋大小滿足設定閾值,則判定該譜圖存在斜紋,即該發次試車中,發動機存在故障。在這一環節中,豎紋判據為偏斜角度小于5°,剔除剩余亮紋為斜紋的判據為存在大于100像素點的亮紋。

2.2 算法步驟

具體算法流程如下:

(1)對時頻譜圖先后進行灰度化、邊緣分析、去噪、二值化處理;

(2)通過基于面積的區域劃分選出面積較大的白色區域,而將那些面積較小的區域認為是噪點并去除;

(3)做直紋檢測,檢測出方向較為豎直的直線并將這些直線經過區域看作正常譜線并去除,經過這些流程后若結果圖仍留有白色區域,則認為該時頻譜圖中存在傾斜的異常譜線。

2.3 測試結果

時頻圖譜圖像識別方法測試結果如表4所示。應用19個試車試驗的數據對算法進行了測試,其中6-1,6-2次試車判斷錯誤,而6-6次試車由于存在不明顯斜紋導致判斷錯誤,其他均判斷正確,總體故障診斷準確率為84.2%?？梢哉J為該算法能夠較為準確地檢測試車發動機故障。

表4 時頻圖譜圖像識別方法測試結果Table 4 Test results of time-frequency spectrum image recognition method

以往方法如文獻[2]中利用圖像數據來判別火箭設備壽命,例如利用深度學習方法訓練時間相對較久,而本文方法直接從圖像本身角度基于斜紋特征先驗理論完成故障檢測,在一定程度上減少了訓練損耗和推理時間,為航天發動機異常檢測領域提供了一種新的研究思路。

此外,該算法可計量斜紋的狀態特征,如亮度(對應頻譜強度),斜率(對應頻譜峰值漂移速度),對于不同程度、不同類型的故障,斜紋的表征存在差異,該方法可為技術人員提供更多維度的故障相關信息。

3 基于緩變數據的LSTM自適應閾值算法

基于緩變數據的故障檢測方法,往往通過考察數據變化趨勢并抓取異常的趨勢特征實現。

如表3所示,重要緩變數據均為溫度或壓力,因此通常二者存在關聯。假定在正常工況與故障工況,緩變參數之間的關系存在差異,且正常工況下的參數關系應該是一致的。因此,若找到正常工況下緩變參數間的映射關系,并把這一映射關系帶入到故障工況,那么計算值與實際值應該會出現明顯偏差,通過對偏差設置閾值的方式,即可判定發動機的健康狀態。

緩變數據通常在時域上進行分析,構建緩變數據間的映射關系即處理多變量時間序列數據,LSTM網絡常用于時間序列的預測,因此使用LSTM神經網絡模型構建參數間映射關系,實現故障檢測。

3.1 算法模型

基于LSTM網絡的故障檢測方法為每一次預測值yh(t)計算預測誤差e(t)=|y(t)-yh(t)|,所有的誤差形成一個一維向量e=[et-h, ,et-1,et],其中h是用于評估當前誤差的歷史誤差值個數,也可看作窗口長度。然后對誤差集e進行平滑處理,以抑制基于LSTM的預測經常出現的誤差峰值,使用指數加權平均(EWMA)產生平滑誤差。為了評估數值預測結果,需要為它們的平滑預測誤差設置一個閾值,閾值ε計算定義為

Δμ(es)=μ(es)-μ({es∈es∣es<ε})

式中:Δμ(es)為序列的整體均值減去該序列中所有非異常值的均值;Δσ(es)為序列標準差與序列中正常值標準差的差值;|ea|為序列中異常值的個數;|Eseq|為擁有連續異常值的異常序列的個數。平滑誤差高于閾值的值對應的試車發次被分類為異常。

3.2 算法步驟

算法的流程可以歸納如下:①LSTM網絡學習時序數據做預測;②收集每一步的誤差構成誤差向量;③對誤差做加權平均的平滑處理;④根據平滑后的數據計算閾值;⑤平滑誤差高于閾值的值對應的試車發次被分類為異常。

3.3 測試結果

下面將LSTM自適應閾值故障檢測應用在氧渦輪泵發動機燃氣路數據上。燃氣路參數分析如下:氧燃氣路參數包括燃氣發生器室壓、燃氣噴嘴壓力、氧渦輪入口壓力、氧渦輪出口壓力;網絡訓練輸入參數為燃氣發生器室壓、燃氣噴嘴壓力、氧渦輪入口壓力,網絡訓練輸出參數為氧渦輪出口壓力。

LSTM模型主要由3個LSTM單元以及一個全連接層構成。全連接層最終的輸出維度設定是1維。訓練過程優化器采用Adam,損失函數為均方誤差(MSE),學習率為0.001,訓練迭代次數為2個epoch,batch_size設置為32。32車次中6個發次的測試結果如圖5所示。

(a)32-1

對16號發動機6次試車數據進行量化分析,從16-1到16-6的幅值誤差均值依次為0.010 7、0.009、0.017 2、0.017 5、0.027 5、0.103 3,其中16-5和16-6在LSTM網絡預測過程中,就已經出現大量偏離預測值的樣本點,所以最終被判斷為故障發次,其誤差均值高于其他試車發次。緩變數據故障檢測方法測試結果如表5所示。

表5 緩變數據故障檢測方法測試結果Table 5 Test results of slow variable data fault detection method

測試共覆蓋了39次試車,其中6-2發次出現了誤判,同時沒有檢測出7-2發次的故障,故障識別準確率為94.9%。6-5、16-5次試車判斷結果與時頻譜圖圖像識別故障檢測算法結果一致,因此也可以認定這兩個發次雖然未經過拆機檢查,但出現故障的可能性非常大,其他發次均判斷正確或判斷結果合理。

4 基于滑動頻率窗口聚類算法的故障模式判別方法

如表1所示,整個、發動機試車數據集內已知的故障模式為燒蝕、R0.2裂紋、R1.2裂紋、R3裂紋、R4裂紋、R5裂紋,表征裂紋在氧渦輪泵軸盤上的不同位置。因此,可在故障檢測算法的基礎上進一步深入,構建故障模式判別算法。假定不同故障模式均可反應在振動數據的頻域特征中,并且不同的故障模式的特征理應有獨特的頻域區間。在此假設下,選定具備特定故障模式的正?；蚬收习l次數據作為輸入,通過頻域滑窗窮舉頻域區間,在每個頻域區間中進行聚類分析,找到每個可通過聚類分析區分該發次的故障或健康狀態的頻域區間,綜合頻域窗口信息與并針對每類故障模式訓練對應的故障模式識別算法。

4.1 算法模型

本算法使用氧渦輪泵軸、徑、切向振動數據,整體流程如圖6所示。首先選擇一組存在特定故障模式與正常工況的試車發次組合,例如6-1至6-4發次(健康)與6-6發次(R0.2裂紋),設定一個寬度為625 Hz的頻率窗口初始為0～625 Hz,在此窗口下窮舉一個可以區分正常與故障工況的聚類中心,若無法構造滿足要求的聚類中心,則滑窗向右滑動625 Hz繼續窮舉聚類中心,若找到符合要求的聚類中心,則保存該頻率窗口以及聚類中心并且滑窗滑動625 Hz,若無法找到符合要求的聚類中心,則直接平移滑窗,直到滑窗遍歷整個頻域(設置為0～6.25 kHz)。

圖6 基于頻率滑窗的故障模式判別方法流程圖Fig.6 Flow chart of fault mode discrimination method based on frequency sliding window

這個算法的流程類似于兩層循環嵌套,內循環窮舉聚類中心,外循環窮舉頻率窗口。針對每一類故障,找到所有能夠區分該系列試車的健康狀態的聚類中心以及其對應頻率窗口,保存成為檢測該類故障模式的模型。若新輸入一組發次的試車數據,其正常與故障工況可用某類故障模式識別模型區分,則可判定新輸入試車數據的故障類別含有該類故障。

4.2 算法步驟

滑動頻率窗口特征提取的運行步驟如下:①選擇第一個頻率窗口;②從試車數據中隨機選擇兩個作為初始聚類中心;③計算該頻率窗口中的特征數據到各個聚類中心的距離;④重新計算聚類中心;⑤計算測量函數至收斂,或計算到最大迭代次數,得到分類結果;⑥移動到下一個頻率窗口重復以上步驟。

4.3 測試結果

本次試車數據共有R0.2、R1.2、R3、R5裂紋這4種故障類型,考慮到故障樣本數量以及車次包含的參數等因素,對R0.2、R5進行訓練。在測試時根據訓練時得到的重點頻段進行故障特征聚類,不同的故障類型對應不同的頻段。經過訓練的故障模式判別模型的測試結果如表6所示,可知跨車次訓練得到的分類模型可以驗證某一試車數據是否具有相關故障。

表6 R0.2故障模式識別結果Table 6 R0.2 fault mode detection result table

R0.2故障模式識別模型采用的是試車發次6-1～6-5和16-6聯合訓練,異常區間為2.187 5～2.5 kHz。從分類結果來看,將存在R0.2故障的6-6與其他發次區分出來,其中16-5發次經過上文算法檢驗,存在較大的故障可能性。而16-1～16-4雖然沒經過拆機分解,但通過本節試驗測試暴露其存在安全隱患,值得相關人員開展后續研究。試驗一共涉及29次試車,R0.2故障模式識別準確率為86.2%。此次R5故障模式分類試驗結果采用8-1和12-1車次聯合訓練的模型,異常區間為0～0.312 5 kHz。R5故障模式識別結果如表7所示,可知存在R5故障的7-2、7-3均被識別出,同時2-5、2-6存在分類錯誤,R5故障模式識別準確率為95.5%。

表7 R5故障模式識別結果Table 7 R5 fault mode detection results

綜上,本文所提方法在負樣本數量較少的情況下表現出良好的準確率。同時,該方法在訓練模型的能夠給出不同裂紋模式對應的頻率異常區間,可為研究人員提供故障相關的線索,用于其他診斷方法。

5 總 結

隨著計算機技術、數據存儲技術和數據分析技術的快速發展,基于數據驅動的故障診斷技術將會成為未來很長時間內的重要研究與工程應用方向。本文基于某型液體火箭發動機試車歷史數據,構建了一種數據驅動的故障檢測算法模型,能夠處理不同工況下的火箭發動機數據,并在該型發動機歷次試車數據集上進行測試,取得了較好的效果?；诠收蠙z測算法的結果,本文構建了一種基于頻率滑窗與聚類的故障模式判別方法,可以實現R0.2、R5裂紋模式的識別,并提供不同裂紋模式對應的異常頻率區間。

經驗證,本文所提算法在發動機試車數據分析過程中可有效檢測、識別液體火箭發動機渦輪泵特定故障,能夠形成一套標準的分析工具,降低傳統發動機試車數據分析方式對于技術人員人力與經驗的依賴,并有效提升分析過程自動化程度,實現降本增效。