胡海峰

1.北京航天自動控制研究所，北京 100854 2.航天智能控制國家重點實驗室，北京 100854

0 引言

液體火箭發(fā)動機(jī)工作在惡劣物理條件下，作為火箭的動力核心，運行過程中一旦發(fā)生故障，會造成巨大災(zāi)難[1,2]。自1967年1月阿波羅4A號發(fā)生嚴(yán)重事故、到2006年為止，在美國等國家進(jìn)行的共249次載人航天發(fā)射飛行中，出現(xiàn)故障166起[3]，其中動力系統(tǒng)故障占航天系統(tǒng)總故障的60%以上[4]。因此，及時準(zhǔn)確發(fā)現(xiàn)發(fā)動機(jī)運行過程中的異常，對于及時補(bǔ)救和完善操作規(guī)程[5]、進(jìn)行飛行控制重構(gòu)，以盡可能挽救任務(wù)具有重要意義[6-7]。

液體火箭發(fā)動機(jī)的結(jié)構(gòu)極其復(fù)雜，是包含多個樹形分支子系統(tǒng)的復(fù)雜系統(tǒng)，可分為管路系統(tǒng)、渦輪泵系統(tǒng)以及推力室系統(tǒng)，每個系統(tǒng)又由多個部件耦合連接[8-9]。當(dāng)故障發(fā)生時，環(huán)境干擾及故障多樣性、故障信息耦合的復(fù)雜性，給液體火箭發(fā)動機(jī)故障診斷及預(yù)測帶來了極大挑戰(zhàn)[5，8]。

液體火箭發(fā)動機(jī)的健康監(jiān)控包括故障檢測、故障診斷和故障控制等。故障檢測是利用各類傳感器測量和提取得到的發(fā)動機(jī)運行過程數(shù)據(jù)，對發(fā)動機(jī)的工作狀態(tài)有無異常做出可靠判斷；故障診斷是根據(jù)經(jīng)驗和推測所獲得的異常狀態(tài)信息，對發(fā)生故障的類型、程度和部位進(jìn)行分類診斷，從而確定故障時間、估計故障程度并實現(xiàn)故障模式的分離[4]。已有文獻(xiàn)[10]對故障檢測和監(jiān)控進(jìn)行了詳細(xì)的綜述。近年來基于人工智能的液體火箭發(fā)動機(jī)得到了應(yīng)用和廣泛重視[4]。

本文目的是匯總分析故障模式及監(jiān)控信號，總結(jié)分析液體火箭發(fā)動機(jī)故障診斷研究的進(jìn)展。

1 液體火箭發(fā)動機(jī)的故障模式研究

液體火箭發(fā)動機(jī)發(fā)生故障的機(jī)理復(fù)雜，包括單一機(jī)理和耦合機(jī)理。文獻(xiàn)[5]基于泵壓式液體火箭發(fā)動機(jī)的故障統(tǒng)計數(shù)據(jù)和故障事件等，總結(jié)了發(fā)動機(jī)故障的模式；文獻(xiàn)[11]以國內(nèi)4種泵壓式液體火箭發(fā)動機(jī)研制歷史為基礎(chǔ)，提出發(fā)動機(jī)常見的故障模式；文獻(xiàn)[12]對YF-75液體火箭發(fā)動機(jī)故障模式進(jìn)行分析；文獻(xiàn)[13]針對某定型大型液體火箭發(fā)動機(jī)，論述了可能出現(xiàn)或已發(fā)生的故障模式；文獻(xiàn)[14]總結(jié)了發(fā)動機(jī)常見故障模式；文獻(xiàn)[15]收集了各種發(fā)動機(jī)試車故障情況，把故障類型分為6大類；基于已有文獻(xiàn)研究成果，歸納液體火箭發(fā)動機(jī)主要故障模式如表1所示，其中大部分故障與渦輪泵有關(guān)[16],渦輪泵故障率最高[11,14]。

表1 泵壓式液體火箭發(fā)動機(jī)主要故障模式

在對液體火箭發(fā)動機(jī)進(jìn)行故障診斷之前，需要提取發(fā)動機(jī)運行過程中的信號。由于液體火箭發(fā)動機(jī)結(jié)構(gòu)緊湊，傳感器布置位置和數(shù)量受到限制，導(dǎo)致液體火箭發(fā)動機(jī)信號表征不強(qiáng)，給其物理信息的獲取帶來困難，常見的傳感器監(jiān)控信號如表2所示。

表2 常見液體火箭發(fā)動機(jī)監(jiān)控信號

根據(jù)采集信號方式可將傳感器數(shù)據(jù)分成運行中的連續(xù)時序數(shù)據(jù)和狀態(tài)參數(shù)的離散數(shù)據(jù)兩大類[4]，可以根據(jù)傳感器采集到的數(shù)據(jù)進(jìn)行故障診斷。針對不同的信號選取種類和處理方法，現(xiàn)有的故障診斷方法包括基于模型、基于信號分析和基于人工智能的故障診斷[5,17]。

2 基于模型的故障診斷

2.1 基于時間序列算法的故障診斷方法

時間序列算法(ARMA)是用較早的信號來評估目前的信號，以信號結(jié)構(gòu)模型實現(xiàn)對故障的檢測[5,17]?；贏RMA的模型已被用于穩(wěn)態(tài)工況下快速性和振蕩性故障的檢測。該方法具有良好的魯棒性、實時性和實用性，國內(nèi)外對此做了大量的研究。

2000年，王建波[18]介紹了用ARMA模型對YF-75發(fā)動機(jī)中出現(xiàn)的的泄漏故障進(jìn)行分析檢測的方法?；诓煌臋z測參數(shù)時間序列構(gòu)建自回歸模型，模型的判別函數(shù)為Kullback-Leibler信息測度。該方法具有預(yù)警及預(yù)測能力，能實現(xiàn)泄漏故障的實時預(yù)測。針對重復(fù)使用火箭發(fā)動機(jī)，基于ARMA模型的實時故障診斷系統(tǒng)[19]仿真分析表明該算法能成功診斷出發(fā)動機(jī)的常見故障，并進(jìn)行報警。2020年，鄧晨等[20]針對新一代大推力氫氧補(bǔ)燃循環(huán)液體火箭發(fā)動機(jī)主級工況，開發(fā)了基于ARMA模型的實時故障診斷算法、故障閾值求解方法及判別準(zhǔn)則，證明了改進(jìn)算法的高效性及有效性。此外，劉冰[21]、劉英元[22]等先后利用故障信號提取的方式對檢驗?zāi)Ｐ瓦M(jìn)行了驗證。

還有學(xué)者使用AR-CGARCH模型進(jìn)行故障檢測，避免了傳統(tǒng)自適應(yīng)閾值算法對時間序列方差跟蹤能力不足，以及故障階段帶寬自動放大的問題[23]，證明時間序列分析的診斷方法在液體火箭發(fā)動機(jī)故障診斷領(lǐng)域有極大的發(fā)展?jié)摿Γ?/p>

2.2 基于數(shù)學(xué)模型的故障診斷

1994年，張育林[24]等針對泵壓式供應(yīng)系統(tǒng)液體火箭發(fā)動機(jī)提出了故障檢測與故障診斷的基本框架，如圖1所示。建立了基于發(fā)動機(jī)系統(tǒng)燃燒室壓力、燃燒室組元比、燃?xì)獍l(fā)生器室壓等11個狀態(tài)變量的非線性數(shù)學(xué)模型，研究了推廣的卡爾曼濾波的故障檢測方法和基于低階線性模型的故障診斷方法。

圖1 故障診斷系統(tǒng)與研究框架[24]

1997年，吳建軍等[25]基于液體火箭發(fā)動機(jī)故障診斷方法實時驗證的需求，將發(fā)動機(jī)全階非線性數(shù)學(xué)模型進(jìn)行針對性優(yōu)化，建立起發(fā)動機(jī)降階非線性動態(tài)模型，可以用來模擬發(fā)動機(jī)隨機(jī)動態(tài)特性。該模型在精確性、實時性等方面可以滿足實時性驗證的要求。朱恒偉[26]提出基于靜態(tài)方程形式的故障診斷策略，但該策略存在測量參數(shù)不足與反饋回路的問題，導(dǎo)致故障影響參數(shù)傳播、故障診斷有效性受到影響。針對以上問題，提出了反映部件特性的故障診斷策略，能夠?qū)崿F(xiàn)與已有基于系統(tǒng)方程的診斷系統(tǒng)相一致的診斷效果。王碩等[27]基于運載火箭的動力學(xué)與運動學(xué)模型提出一種帶遺忘因子的多信息融合最小二乘算法，僅利用導(dǎo)航敏感器件的慣性測量信息，就實現(xiàn)了發(fā)動機(jī)的在線故障診斷，并通過仿真驗證了該方法的適應(yīng)性和準(zhǔn)確性。

根據(jù)模型的故障診斷方法，能夠反映大量發(fā)動機(jī)實際系統(tǒng)特性，雖已具備理論依據(jù)，但仍需要實際試車檢驗[28]。液體火箭發(fā)動機(jī)系統(tǒng)非常復(fù)雜，特別是其強(qiáng)非線性特性導(dǎo)致難以構(gòu)建精準(zhǔn)的數(shù)學(xué)模型，限制了基于模型故障診斷方法的應(yīng)用。

基于系統(tǒng)辨識的模型能夠捕獲復(fù)雜物理過程，這種非線性數(shù)學(xué)模型更為簡單、明確[29]。Kyelim Lee等[30]針對開式循環(huán)液體火箭發(fā)動機(jī)穩(wěn)態(tài)故障診斷，提出了基于卡爾曼濾波和故障因子法的故障檢測與診斷算法，該算法由閾值法、白度法、GLRT法和MM法組成。通過對開式循環(huán)全推理液體推進(jìn)劑火箭發(fā)動機(jī)進(jìn)行數(shù)值模擬，驗證了卡爾曼濾波算法在識別傳感器或內(nèi)部元件故障發(fā)生位置方面的有效性，以及故障因子法在快速檢測內(nèi)部元件故障發(fā)生的時間和位置方面的有效性。薛薇等[31]針對氫氧發(fā)動機(jī)的故障診斷，設(shè)計并構(gòu)建了遞歸結(jié)構(gòu)識別(RESID)模型，該模型以遞歸方式建立不同特征之間的相互關(guān)系，構(gòu)建一個更高階的非線性回歸方程作為判別函數(shù)，并且通過半實物仿真驗證了該方法的有效性。

基于模型的故障診斷在原理上具有最高的精度，但由于液體火箭發(fā)動機(jī)中各部件強(qiáng)耦合，故障的結(jié)構(gòu)參數(shù)維度通常遠(yuǎn)大于傳感器能提供的參數(shù)維度，導(dǎo)致模型無法求解、建模難度及成本過高；另外基于模型的故障診斷的前提是有大量的發(fā)動機(jī)故障先驗知識，診斷結(jié)果的準(zhǔn)確性直接依賴于所建立的數(shù)學(xué)模型與實際系統(tǒng)的相符程度。因此，僅從模型的角度出發(fā)難以滿足液體火箭發(fā)動機(jī)故障診斷的精度和速度要求，需要借助傳感器信號等具有結(jié)構(gòu)和故障表征能力的數(shù)據(jù)進(jìn)行分析。

3 基于信號分析的故障診斷方法

3.1 基于振動信號的故障診斷

液體火箭發(fā)動機(jī)在運行過程中會產(chǎn)生振動，這些振動可以引起系統(tǒng)故障，進(jìn)而影響到整機(jī)性能。液體火箭發(fā)動機(jī)的振動包含了發(fā)動機(jī)的運行狀態(tài)和發(fā)動機(jī)結(jié)構(gòu)等信息，其變化范圍在幾赫茲到幾十赫茲變化。利用動態(tài)測試儀對振動信號進(jìn)行捕捉、處理、分析，能夠得到液體火箭發(fā)動機(jī)的運轉(zhuǎn)信息，進(jìn)而對發(fā)動機(jī)的健康情況和系統(tǒng)性能作出評估，并進(jìn)一步診斷故障[5]。

振動信號可以采用時域、頻域、時頻域的方法進(jìn)行分析。在時域內(nèi)，其分析指標(biāo)包括幅值、周期、上升時間和下降時間等。在頻域內(nèi)，其分析方法包括FFT、高頻譜分析、STFT、倒頻譜分析等。在時頻域內(nèi)，分析方法主要包括小波分析、WD分布等[5]。

截至1990年，用于航天飛機(jī)主發(fā)動機(jī)振動監(jiān)測的飛行加速度安全關(guān)機(jī)系統(tǒng)FASCOS，參加了多次地面試車[32]，但由于儀器設(shè)備可靠性低，該系統(tǒng)未被用于飛行試車。1997年，針對YF-75發(fā)動機(jī)渦輪泵振動信號，朱恒偉[26]開發(fā)簡單實用的振動信號實時檢測方法；開發(fā)了基于比較細(xì)致的信號頻域特征和神經(jīng)網(wǎng)絡(luò)的振動故障方法，計算復(fù)雜度較高，可進(jìn)一步擴(kuò)展為故障診斷方法[33]。

1996年，馬歇爾空間飛行中心開發(fā)了針對渦輪泵振動分析的航天發(fā)飛機(jī)主動機(jī)實時振動監(jiān)測系統(tǒng)(RTVMS)[34]，提高了渦輪泵設(shè)備的安全可靠性。1999年，RTVMS縮減版被引入?yún)⑴c了實際飛行試驗，該系統(tǒng)至今已為150臺次高壓渦輪泵靜態(tài)試驗提供主動振動監(jiān)測，且從未出現(xiàn)系統(tǒng)故障。

2008年，夏魯瑞等[35]分析了汽輪泵轉(zhuǎn)子葉片斷裂脫落的典型故障原因，并采用動態(tài)分析的方法，研究了故障的振動特征，選擇了能有效揭示渦輪泵轉(zhuǎn)子葉片斷裂脫落典型故障的頻率特征；通過變換處理找出了速度變化對振動頻率的影響，提取出穩(wěn)定的頻率特征。結(jié)合汽輪泵歷史試驗中的故障數(shù)據(jù)，通過跟蹤特征頻率的幅值變化，可以有效地檢測和診斷汽輪泵轉(zhuǎn)子葉片的斷裂和脫落故障，頻率特征提取的原理框圖如圖2所示。

圖2 頻率特征提取原理圖[35]

3.2 基于羽流光譜技術(shù)的故障診斷

液體火箭發(fā)動機(jī)部件發(fā)生故障時，如渦輪泵、閥門和噴注器發(fā)生老化、磨損或燒蝕時，一些金屬雜質(zhì)會從燃燒室進(jìn)入羽流[36]。高溫時這些金屬雜質(zhì)能發(fā)射出足夠強(qiáng)的可見輻射和紫外光譜用于檢測。羽流光譜技術(shù)具有誤診率低、算力要求較低、非侵入式、覆蓋信息廣等優(yōu)點，自1986年至今，取得了很大的發(fā)展。美國研制的羽流光譜故障檢測與診斷系統(tǒng)，成功應(yīng)用于航天飛機(jī)主發(fā)動機(jī)的地面試車健康監(jiān)測。2001年，趙永學(xué)[36]通過仿真及實驗，研究了YF-75發(fā)動機(jī)故障的羽流光譜和氣氧/煤油火焰輻射光譜、模型發(fā)動機(jī)羽流輻射光譜，表明基于羽流輻射光譜的故障檢測技術(shù)非常適合發(fā)展為發(fā)動機(jī)健康監(jiān)控及故障診斷技術(shù)。

相對基于模型的方法，信號分析的診斷方法擁有更佳的實時性，并已經(jīng)實際應(yīng)用在多種型號液體火箭發(fā)動機(jī)中。然而，該種方法對信號質(zhì)量要求較高，由于液體火箭發(fā)動機(jī)實際運行工況變化劇烈，采集信號包含大量噪聲；并且發(fā)動機(jī)傳感器本身存在高漂、通道丟失等故障，所以依賴單一傳感器信號故障診斷的誤診率較高，而信號之間的耦合問題又給多信號綜合分析帶來了極大挑戰(zhàn)，實際過程中收集到的數(shù)據(jù)往往不能達(dá)到精度要求，這在一定程度上限制了基于信號分析的故障診斷方法的應(yīng)用。

4 基于人工智能的故障診斷

4.1 基于專家系統(tǒng)的故障診斷

基于專家系統(tǒng)的故障診斷方法，是在大量的專家系統(tǒng)知識庫基礎(chǔ)上，推理機(jī)在一定的推理機(jī)制下，運用知識進(jìn)行診斷推理。目前已研發(fā)的發(fā)動機(jī)故障檢測與診斷的專家系統(tǒng)包括AEROJETT公司研制的基于規(guī)則的Titan健康評估專家系統(tǒng)、LeRC開發(fā)的試車后數(shù)據(jù)自動評估系統(tǒng)、MSFC聯(lián)合Alabama大學(xué)開發(fā)的發(fā)動機(jī)數(shù)據(jù)解釋系統(tǒng)等[10]。專家系統(tǒng)還可以與發(fā)動機(jī)靜態(tài)數(shù)學(xué)模型相結(jié)合，在參數(shù)估計方法中引入專家系統(tǒng)推理過程的故障診斷策略[26]。

4.2 基于模糊理論的故障診斷

液體火箭發(fā)動機(jī)故障診斷過程存在各種不確定性，包括設(shè)備測量精度誤差、系統(tǒng)環(huán)境干擾噪聲、模型及故障描述的不精確性等?；谀：碚摰姆椒▋H基于數(shù)據(jù)特征，因此在處理系統(tǒng)復(fù)雜性和不確定性方面具備一定的優(yōu)勢[37]；該類方法主要為基于模型聚類、基于模糊模型、基于模糊理論與其他方法相結(jié)合的方法?；谀：Ｐ偷墓收显\斷方法，基于黑箱模型、歷史數(shù)據(jù)或其他知識，建立模糊模型模擬輸入輸出對象的對應(yīng)關(guān)系，通過模型輸出與實際輸出的比較結(jié)果實現(xiàn)故障檢測與診斷[10]。

謝濤等[38]基于最大隸屬度原則的模糊聚類方法識別火箭發(fā)動機(jī)故障模式，基于模糊熵與方向相似度的液體火箭發(fā)動機(jī)故障檢測方法[39]，采用基于廣義模糊熵的模糊Kohonen聚類網(wǎng)絡(luò)作為滑動數(shù)據(jù)窗口的聚類算法，對強(qiáng)干擾噪聲工況的魯棒性和適應(yīng)性得到顯著提升[40]。周宵鵬等[41]提出了基于改進(jìn)型可能性C-均質(zhì)聚類和故障向量理論的故障診斷方法。董周杰等[42]利用提出一種基于數(shù)據(jù)驅(qū)動的綜合模糊聚類算法用于故障診斷，只需要少量先驗正常樣本數(shù)據(jù)就可以快速、準(zhǔn)確檢測出故障的發(fā)生。王冠等[43]基于模糊聚類和LSTM網(wǎng)絡(luò)，提出了一種數(shù)據(jù)驅(qū)動的運載火箭發(fā)動機(jī)氧渦輪泵數(shù)據(jù)異常分析方法，通過模糊聚類對標(biāo)簽不完整的數(shù)據(jù)樣本進(jìn)行預(yù)分類，得到完整的標(biāo)簽并且分析特征貢獻(xiàn)度，顯著增強(qiáng)了系統(tǒng)故障檢測的能力。

模糊理論可以與專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)等相結(jié)合，實現(xiàn)更有效的故障診斷[43-47]。

4.3 基于遺傳算法模型的故障診斷

遺傳算法已經(jīng)廣泛運用在機(jī)器學(xué)習(xí)、信號處理、組合優(yōu)化等領(lǐng)域。2008年，楊晉朝[3]將液體火箭發(fā)動機(jī)故障檢測與診斷中的關(guān)鍵技術(shù)問題轉(zhuǎn)化為相應(yīng)的優(yōu)化問題，并用遺傳算法和量子遺傳算法加以解決，提出了將遺傳算法與BP神經(jīng)網(wǎng)絡(luò)深度交叉混合的遺傳神經(jīng)網(wǎng)絡(luò)。性能分析表明，該算法相比于BP算法更易于找到全局最優(yōu)解，同時克服了遺傳算法搜索性能相對較低的問題；該算法還能夠避免通過經(jīng)驗數(shù)據(jù)方法選用權(quán)值和閾值的弊端，能夠較全面、充分地表達(dá)診斷故障的特征信息，提高神經(jīng)網(wǎng)絡(luò)非線性映射的能力。Yu等[44]提出了一種自適應(yīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的液體火箭發(fā)動機(jī)實時故障檢測方法，仿真分析結(jié)果表明，該方法檢測結(jié)果比BP神經(jīng)網(wǎng)絡(luò)模型更接近實際，效果更快。在遺傳神經(jīng)網(wǎng)絡(luò)模型中，采用遺傳模糊C均質(zhì)算法，使聚類算法具有更好的搜索結(jié)果和較優(yōu)的目標(biāo)函數(shù)值，分類錯誤率更低，能夠全部準(zhǔn)確監(jiān)控正常試車數(shù)據(jù)，并準(zhǔn)確診斷出兩次發(fā)動機(jī)故障[1]。李寧寧等[48]針對BP神經(jīng)網(wǎng)絡(luò)容易受到局部極小點的缺點，用遺傳算法來優(yōu)化BP網(wǎng)絡(luò)，構(gòu)建了發(fā)動機(jī)工作過程的非線性辨識模型，并使用歷史數(shù)據(jù)與BP神經(jīng)網(wǎng)絡(luò)故障檢測模型進(jìn)行對比，驗證了該方法可靠性和精確性。

4.4 基于決策樹模型的故障診斷

決策樹是一個類似于流程圖的樹狀結(jié)構(gòu)，將分類和決策作為目的，以實例為基礎(chǔ)進(jìn)行歸納學(xué)習(xí)。決策樹方法將專家診斷知識隱含在整個決策樹的各個葉節(jié)點和內(nèi)部節(jié)點上，根據(jù)節(jié)點屬性及取值體現(xiàn)診斷知識的條件部分，葉節(jié)點指向知識結(jié)論部分[49]。

2007年，韓泉東等[49]以泵壓式液體火箭發(fā)動機(jī)為研究對象，針對故障特征難以提取的問題，提出了在大量試車數(shù)據(jù)的基礎(chǔ)上，應(yīng)用決策樹方法提取故障特征并進(jìn)行穩(wěn)態(tài)段故障檢測與診斷的思路，對某型發(fā)動機(jī)大量熱試車數(shù)據(jù)進(jìn)行了實例分析，將得到的故障檢測和診斷結(jié)果與神經(jīng)網(wǎng)絡(luò)等方法所得結(jié)果進(jìn)行了比較，并利用仿真數(shù)據(jù)對該方法的性能進(jìn)行了進(jìn)一步驗證，結(jié)果表明，決策樹方法是一種有效、可靠的火箭發(fā)動機(jī)故障檢測與診斷的新途徑。

4.5 基于神經(jīng)網(wǎng)絡(luò)模型的故障診斷

神經(jīng)網(wǎng)絡(luò)憑借其具有的高度自適應(yīng)能力和極強(qiáng)的容錯性等特點，在火箭發(fā)動機(jī)故障診斷領(lǐng)域得到了極大的發(fā)展[50-52]。主要的神經(jīng)網(wǎng)絡(luò)模型有自適應(yīng)共振理論ART神經(jīng)網(wǎng)絡(luò)、反傳BP神經(jīng)網(wǎng)絡(luò)、動態(tài)神經(jīng)網(wǎng)絡(luò)等[5]。

ART屬于無監(jiān)督自適應(yīng)神經(jīng)網(wǎng)絡(luò)，可以對二維模式進(jìn)行自組織和大規(guī)模并行處理。ART-2模型對于非平衡、不可預(yù)測的故障檢測環(huán)境，具有自穩(wěn)定、自組織和彈性應(yīng)變等特點。該類神經(jīng)網(wǎng)絡(luò)的主要原理為：將測量數(shù)據(jù)經(jīng)快速傅里葉變換后，得出功率譜密度分布，再根據(jù)該功率譜密度與通過學(xué)習(xí)算法獲得的權(quán)值數(shù)據(jù)計算其歐氏距離，通過檢驗獲得其具有最小值的點，從而實現(xiàn)故障的分類檢測。經(jīng)過訓(xùn)練的ART-2神經(jīng)網(wǎng)絡(luò)，可形成分別表征正常狀態(tài)和故障狀態(tài)的權(quán)值數(shù)據(jù)，試驗輸入輸出故障檢測與診斷系統(tǒng)經(jīng)對比分類，得到正常狀態(tài)或有故障特征的輸出結(jié)果[11]。

反傳BP神經(jīng)網(wǎng)絡(luò)可將傳統(tǒng)的故障模式識別及分類方法中的三步，即測量、特征提取、分類，融合在一起，自動提取故障特征。

動態(tài)神經(jīng)網(wǎng)絡(luò)用于發(fā)動機(jī)故障檢測時，不需要發(fā)動機(jī)系統(tǒng)的工作特性模型，僅通過基于傳感器測量數(shù)據(jù)，即可根據(jù)狀態(tài)特征辨識產(chǎn)生的殘差值來檢測故障，并通過辨識殘差相關(guān)函數(shù)對故障類型實現(xiàn)分類，滿足對故障檢測與分離的實時性工程要求[5]。

1998年，王建波等[53]提出了基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的液體火箭發(fā)動機(jī)動態(tài)過程建模，仿真結(jié)果表明可以達(dá)到很好的逼近精度；2000年，于達(dá)仁等[54]以一個典型的泵壓式液體火箭發(fā)動機(jī)為對象，針對發(fā)動機(jī)的幾種泄露故障，用自組織網(wǎng)絡(luò)識別降維樣本，仿真發(fā)現(xiàn)自組織網(wǎng)絡(luò)可以對發(fā)動機(jī)的泄露故障模式進(jìn)行很好的聚類。

2001年，張煒等[55]針對液體火箭發(fā)動機(jī)系統(tǒng)多故障同時發(fā)生的現(xiàn)象，通過分析故障的特征表現(xiàn)建立渦輪泵系統(tǒng)的標(biāo)準(zhǔn)故障模式，在此基礎(chǔ)上提出并采用并行BP神經(jīng)網(wǎng)絡(luò)進(jìn)行多故障診斷分類的方法，結(jié)果表明基本BP神經(jīng)網(wǎng)絡(luò)對于給定的訓(xùn)練樣本能夠較好地實現(xiàn)模式表達(dá)；楊爾輔等[56]提出了一種應(yīng)用故障機(jī)理模型和SOM(Self-organization Mapping)神經(jīng)網(wǎng)絡(luò)的實時故障診斷方法，以解決單純依靠故障機(jī)理模型進(jìn)行診斷時遇到的實時性問題和單純依靠SOM神經(jīng)網(wǎng)絡(luò)診斷時遇到的故障樣本獲取問題；2009年，楊晉朝等[57]將遺傳算法與BP神經(jīng)網(wǎng)絡(luò)深度交叉融合，克服了遺傳算法以類似窮舉的形式尋找最優(yōu)解導(dǎo)致算力要求過高、BP算法易陷入局部最優(yōu)解的缺點。

2011年，劉垠杰等[58]將云模型與BP神經(jīng)網(wǎng)絡(luò)以串聯(lián)方式有機(jī)結(jié)合，利用云變換方法針對網(wǎng)絡(luò)結(jié)構(gòu)辨識和云模型進(jìn)行特征提取，通過在輸入層引入單位延時處理來描述發(fā)動機(jī)工作過程中的動態(tài)特性，提出了基于動態(tài)云BP網(wǎng)絡(luò)的液體火箭發(fā)動機(jī)故障診斷方法。該方法能準(zhǔn)確識別發(fā)動機(jī)已有的3種故障模式，單步運行時長為1.124×10-4s，完全滿足實時性要求，云神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖3所示。

圖3 云神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[58]

2013年，彭小輝等[59]針對當(dāng)前模式分類方法難以處理不確定性信息、屬性特征空間的劃分過硬等缺陷，結(jié)合云模型和云變換研究，提出了一種基于云分類器的液體火箭發(fā)動機(jī)起動過程故障診斷方法，相比于包絡(luò)線算法、BP神經(jīng)網(wǎng)絡(luò)算法、RBF神經(jīng)網(wǎng)絡(luò)算法和紅線關(guān)機(jī)算法的故障檢測性能，該算法在診斷及時性上有一定進(jìn)步。

2020年，Park等[60]使用數(shù)值模型構(gòu)建發(fā)動機(jī)啟動期間潛在故障類型的數(shù)據(jù)集，來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，故障診斷基于CNN-LSTM，該方法與傳統(tǒng)的紅線截止相比具有優(yōu)越的二元/多分類性能，并證實了該方法對實際液體火箭發(fā)動機(jī)的適用性。

4.6 基于主成分分析的故障診斷

主成分分析(PCA)作為一種數(shù)據(jù)降維方法，已被應(yīng)用于故障診斷任務(wù)中。該方法基于數(shù)據(jù)生成主成分，在測試時根據(jù)測試數(shù)據(jù)主成分與正常數(shù)據(jù)的偏離值進(jìn)行閾值判斷，進(jìn)而診斷故障[61]。張振臻等[62]提出一種與滑動時間窗結(jié)合的PCA故障診斷方法，基于發(fā)動機(jī)試車數(shù)據(jù)進(jìn)行驗證，該方法可以實現(xiàn)對4種常見傳感器故障和2種發(fā)動機(jī)試驗故障進(jìn)行診斷。

4.7 基于支持向量機(jī)模型的故障診斷

支持向量機(jī)(SVM)建立在統(tǒng)計學(xué)習(xí)理論的基礎(chǔ)上，是一種更為前沿的的機(jī)器學(xué)習(xí)分類方法。SVM有著嚴(yán)格的理論和數(shù)學(xué)基礎(chǔ)，通過最小化經(jīng)驗風(fēng)險，在有限的學(xué)習(xí)精度和學(xué)習(xí)泛化能力之間尋求最佳折中。支持向量機(jī)能夠克服傳統(tǒng)機(jī)器學(xué)習(xí)中過學(xué)習(xí)、局部值極小等問題。實際過程中樣本數(shù)目往往有限，支持向量機(jī)專門針對小樣本，具有巨大的應(yīng)用潛力。

支持向量機(jī)的基本思想可以用二維最優(yōu)超平面示意圖進(jìn)行說明[63]，如圖4所示。圖中，實心和空心點代表兩類樣本，H1和H2代表分類線。如果H1和H2正確地將兩類樣本分開，則間隔最大的分類線即為最優(yōu)分類線[63]。推廣到高維空間，最優(yōu)分類線即演變?yōu)樽顑?yōu)分類面。其核心思想是在進(jìn)行分類時，對于線性不可分樣本，通過非線性映射(核函數(shù))，將原空間樣本映射到高維特征空間(核空間)，使得在樣本核空間中線性可分或近似線性可分，從而在核空間中進(jìn)行線性分類[3]。

圖4 最優(yōu)超平面示意圖[63]

2007年，韓泉東等[63]將支持向量機(jī)模型用于某種大型液體火箭發(fā)動機(jī)穩(wěn)態(tài)試車數(shù)據(jù)挖掘，建立了多故障分類器，如圖5所示?；?3次試車數(shù)據(jù)對挖掘結(jié)果進(jìn)行測試，并用28類仿真穩(wěn)態(tài)故障數(shù)據(jù)進(jìn)一步驗證，結(jié)果表明，支持向量機(jī)是基于小樣本、有效的液體火箭發(fā)動機(jī)故障檢測和診斷方法。

圖5 多故障分類器流程圖[63]

何浩等[64]用SVM對液體火箭發(fā)動機(jī)的故障數(shù)據(jù)進(jìn)行檢測和診斷。通過學(xué)習(xí)發(fā)動機(jī)仿真模型中的9種數(shù)據(jù)，檢測出18組數(shù)據(jù)中的17組，有4組出現(xiàn)誤報，進(jìn)而對誤報故障進(jìn)行二次學(xué)習(xí)和再檢測，能正確檢測這4種故障。經(jīng)過對C75試車4種故障數(shù)據(jù)的學(xué)習(xí)，能正確檢測其故障類型，進(jìn)一步驗證了該方法的正確性和可行性。

郭小鳳等[4]針對試驗參數(shù)多樣、數(shù)據(jù)復(fù)雜且相關(guān)等特點，研究了基于PCA-SVM的液體火箭發(fā)動機(jī)試驗臺故障診斷方法，基于主元分析法進(jìn)行原始數(shù)據(jù)特征工程、基于累計貢獻(xiàn)率函數(shù)選取主元數(shù)目，降低了數(shù)據(jù)維數(shù)和計算復(fù)雜度；采用了基于聚類的二叉樹方法，建立了多故障分類器模型，解決了標(biāo)準(zhǔn)支持向量機(jī)不適用于多值分類的問題?；谥髟治龊椭С窒蛄繖C(jī)的試驗臺故障診斷分類器，在小樣本情況下識別率高于BP神經(jīng)網(wǎng)絡(luò)，具有較高的識別率、更好的分類性能、更高的診斷精度。

單類支持向量機(jī)算法[65]、雙閾值單類支持向量機(jī)在線檢測算法[66]，以及基于凸頻分量均方根和支持向量機(jī)的故障檢測算法[67]，使得支持向量機(jī)模型在故障檢測方面得到了進(jìn)一步應(yīng)用，并為支持向量機(jī)在故障診斷中的應(yīng)用開辟了空間。

不同的人工智能方法的理論基礎(chǔ)不同，應(yīng)用特點也存在差異，本文針對不同的故障診斷方法，從所需基礎(chǔ)、優(yōu)點和缺點等3個方面進(jìn)行對比分析，如表3所示。由于液體火箭發(fā)動機(jī)實驗成本較高，試車數(shù)據(jù)量小，獲得故障狀態(tài)數(shù)據(jù)困難，因此目前能夠處理小樣本的決策樹、支持向量機(jī)等傳統(tǒng)機(jī)器學(xué)習(xí)模型擁有更佳的表現(xiàn)和更廣泛的應(yīng)用[64]。但在未來實驗數(shù)據(jù)量積累到一定程度或使用仿真手段獲得大量數(shù)據(jù)的背景下，擁有更大模型容量的深度學(xué)習(xí)模型是值得探索的方案。

表3 基于人工智能的故障診斷方法的對比分析

5 結(jié)論

現(xiàn)代計算機(jī)技術(shù)、先進(jìn)傳感器技術(shù)、信號處理技術(shù)、人工智能技術(shù)，液體火箭發(fā)動機(jī)故障診斷技術(shù)正朝著智能化，高效化，泛化的方向發(fā)展。但部分故障特征相似、傳感器參數(shù)耦合帶來的影響以及大容量模型帶來的預(yù)測速度慢和實時性差等問題仍制約著液體火箭發(fā)動機(jī)故障診斷技術(shù)的發(fā)展。

未來需繼續(xù)完善故障數(shù)據(jù)庫，并進(jìn)一步識別故障模式；發(fā)展解耦算法，準(zhǔn)確提取識別故障特征的關(guān)鍵數(shù)據(jù)；改進(jìn)優(yōu)化目前已有的算法或開發(fā)新的算法，以滿足高效性和實時性的要求。