楊述明,謝昌霖,程玉強(qiáng),宋立軍

(國防科技大學(xué) 空天科學(xué)學(xué)院,湖南 長沙 410073)

0 引言

液體火箭發(fā)動機(jī)(Liquid Rocket Engine,LRE)作為進(jìn)入空間至關(guān)重要的航天動力裝置,是衡量一個國家科技水平和綜合國力的重要標(biāo)志,其成功發(fā)射與安全運(yùn)行不僅具有巨大的經(jīng)濟(jì)和軍事意義,更具有極其重要的政治和社會影響。當(dāng)前,500 tf液氧/煤油火箭發(fā)動機(jī)整機(jī)試車宣告圓滿成功[1],標(biāo)志著我國航天液體動力技術(shù)又邁上了新的臺階,同時也為火箭發(fā)射的安全與可靠性帶來了新的挑戰(zhàn)。新一代大推力液體火箭發(fā)動機(jī)不僅動力更強(qiáng),結(jié)構(gòu)更復(fù)雜,工作條件也更加極端,一旦發(fā)生事故,往往造成嚴(yán)重的經(jīng)濟(jì)損失與人員傷亡[2]。

為有效降低發(fā)動機(jī)故障帶來的危害,在20世紀(jì)90年代初,部分高校和科研院所便開展了關(guān)于液體火箭發(fā)動機(jī)健康監(jiān)控技術(shù)的系統(tǒng)研究,其主要技術(shù)內(nèi)涵包括故障檢測與診斷(Fault Detection and Diagnosis,FDD)、容錯控制、健康監(jiān)控系統(tǒng)研制等內(nèi)容[3]。故障檢測指異常檢測,通過測量或回放的信號進(jìn)行二元決策,以判斷發(fā)動機(jī)是否處于異常狀態(tài)。故障診斷包括故障定位與故障辨識,即利用已掌握的故障信息來確定故障部位、故障類型和故障程度。容錯控制則是根據(jù)故障診斷結(jié)果,采取調(diào)整發(fā)動機(jī)參數(shù)、緊急關(guān)機(jī)等措施來降低損失,避免嚴(yán)重事故。

事實(shí)上,發(fā)展健康監(jiān)控技術(shù)的最終目的是為了研制可以工程化應(yīng)用的健康監(jiān)控系統(tǒng),通常來說,LRE健康監(jiān)控系統(tǒng)的發(fā)展可分為3個階段[4],即從單一故障檢測到多元融合決策再到集成智能化的過程。近年來,人工智能與機(jī)器學(xué)習(xí)等領(lǐng)域取得了眾多突破性進(jìn)展,以深度卷積神經(jīng)網(wǎng)絡(luò)[5]、生成對抗網(wǎng)絡(luò)[6]為代表的智能故障診斷技術(shù)正在為LRE的發(fā)展提供新的思路與技術(shù)手段。

本文綜述了LRE的FDD技術(shù)、容錯控制技術(shù)、健康監(jiān)控系統(tǒng)研制的研究現(xiàn)狀與發(fā)展趨勢;分析了可測性建模、數(shù)字孿生和可解釋性人工智能應(yīng)用到LRE健康監(jiān)控的技術(shù)路線,以為該領(lǐng)域未來發(fā)展提供參考。

1 故障檢測與診斷技術(shù)研究現(xiàn)狀

目前關(guān)于FDD的分類方法很多,但從文獻(xiàn)調(diào)研來看,存在以下幾點(diǎn)共識[7-8]。

1)基于模型的方法常被劃作單獨(dú)分類。

2)專家系統(tǒng)和機(jī)器學(xué)習(xí)屬于人工智能領(lǐng)域,其中機(jī)器學(xué)習(xí)是數(shù)據(jù)驅(qū)動的。

基于此,將FDD方法分為基于模型、基于知識和數(shù)據(jù)驅(qū)動3大類,如圖1所示。

從圖1中可以看出,機(jī)器學(xué)習(xí)是數(shù)據(jù)驅(qū)動的,專家系統(tǒng)主要基于領(lǐng)域?qū)＜业慕?jīng)驗(yàn)和知識進(jìn)行故障診斷,是早期人工智能的典型應(yīng)用。當(dāng)然,實(shí)際工程中為了達(dá)到更好的FDD效果,學(xué)者們提出了很多組合方法,本文對此不再贅述。

1.1 基于模型的方法

模型驅(qū)動的方法可以依據(jù)發(fā)動機(jī)運(yùn)行內(nèi)部規(guī)律建立模型和系統(tǒng)觀測參數(shù)之間的解析關(guān)系,比較觀測值與實(shí)際測量值的差異來實(shí)現(xiàn)FDD[9]。圖2為基于模型驅(qū)動的故障診斷基本過程。

圖2 基于模型驅(qū)動的故障診斷基本過程Fig.2 Basic process of model-driven fault diagnosis

1.1.1 基于解析模型的方法

基于解析模型的方法的核心思想是用解析冗余取代硬件冗余,利用系統(tǒng)數(shù)學(xué)模型實(shí)現(xiàn)故障辨識,分為基于靜態(tài)模型與基于動態(tài)模型的方法。在靜態(tài)模型中,NASA Lewis研究中心利用功率平衡方程進(jìn)行多工況下主閥與傳感器的故障檢測與隔離[10];馬歇爾航天中心利用靜態(tài)模型實(shí)時更新紅線閾值帶的方法實(shí)現(xiàn)了發(fā)動機(jī)異常檢測[11];Cha等基于航天主發(fā)動機(jī)靜態(tài)特性模型,采用多元線性回歸算法進(jìn)行故障檢測與診斷[12]?？梢钥闯?使用靜態(tài)模型主要是為了得到發(fā)動機(jī)靜態(tài)特性,以便用于發(fā)動機(jī)結(jié)構(gòu)設(shè)計與參數(shù)調(diào)整,故該方法適用于發(fā)動機(jī)的穩(wěn)態(tài)階段。

在動態(tài)模型中,通過對比預(yù)測輸出與實(shí)際輸出的殘差來實(shí)現(xiàn)發(fā)動機(jī)故障檢測,如基于狀態(tài)觀測器的方法[13]、基于參數(shù)辨識的方法等[14]。隨著控制理論認(rèn)識的深入,也有學(xué)者設(shè)計高階狀態(tài)觀測器進(jìn)行發(fā)動機(jī)故障診斷。如文獻(xiàn)[15]利用非線性卡爾曼濾波器,采用多模型方法進(jìn)行LRE故障檢測與診斷;文獻(xiàn)[16]設(shè)計了一組全階未知輸入觀測器來檢測、分離和估計傳感器參數(shù),用于檢測和診斷非線性系統(tǒng)的故障。高階狀態(tài)觀測器勢必會增加系統(tǒng)復(fù)雜度,雖然基于奉獻(xiàn)觀測器思想[17]的方法可以取得較好的故障隔離效果,但面對未知故障時,實(shí)時性與準(zhǔn)確性難以滿足檢測需求。基于模型的方法與其他方法相結(jié)合也是FDD技術(shù)的發(fā)展方向,如專家系統(tǒng)[18]、神經(jīng)網(wǎng)絡(luò)技術(shù)[19]、聚類分析[20]等。

1.1.2 基于定性模型的方法

基于定性模型的方法可分為因果圖法、故障樹法和定性物理法,根據(jù)系統(tǒng)元件間的連接關(guān)系或參數(shù)間依賴關(guān)系的建立診斷系統(tǒng)結(jié)構(gòu)、功能與行為的模型;以定性推理的手段推導(dǎo)發(fā)動機(jī)預(yù)期行為,并與系統(tǒng)實(shí)際行為進(jìn)行比較;搜索求解異常征兆出現(xiàn)的故障源,以此確定故障產(chǎn)生的部件。

基于定性模型的方法可以從更宏觀的角度解釋系統(tǒng)行為,但純定性推理會產(chǎn)生大量虛假解,導(dǎo)致故障檢測的可信度不高。為此,定性模型與定量知識結(jié)合的故障診斷方法成為一種有效手段,主要包括兩方面:①測量信息中引入定量方法,即測量信息在定量值轉(zhuǎn)化為定性值的過程中,通過小波分析、主元分析等定量分析確定轉(zhuǎn)化狀態(tài)的臨界值;②系統(tǒng)模型支路定量化方法,即將支路間的傳遞關(guān)系、時間信息等定量知識集成到定性模型中,如晏政通過引入組件參數(shù)間的定量約束關(guān)系,建立集成定量信息的航天器動態(tài)符號有向圖模型,可以確定唯一故障源,有效提高了故障檢測可信度[21]。

然而,如何建立精確的系統(tǒng)模型一直是該方法面臨的重難點(diǎn)問題,同時考慮到大多數(shù)LRE物理模型都是對象相關(guān)的,不同發(fā)動機(jī)型號間的檢測適應(yīng)性和泛化能力較差,尤其是對于新型大推力液體火箭發(fā)動機(jī)來說,工作環(huán)境更極致,部件耦合更緊密,工況變化更復(fù)雜。當(dāng)前,LRE建模分析仍然是健康監(jiān)控領(lǐng)域不可或缺的技術(shù)手段,主要原因如下。

1)發(fā)動機(jī)故障樣本稀少,進(jìn)行大量試驗(yàn)受到人力、物力、財力的限制;開展故障仿真研究不僅經(jīng)濟(jì)方便,也能獲得豐富的故障樣本。

2)基于模型的方法理論完備,故障和故障模式可以追溯到物理意義上的信息,且能檢測未知故障,易于得到發(fā)動機(jī)故障的機(jī)理性、因果性解釋,有利于發(fā)動機(jī)后期的維修決策。

1.2 基于知識的方法

基于知識的故障診斷主要指專家系統(tǒng),該類方法不依賴于發(fā)動機(jī)數(shù)學(xué)模型,利用專家的經(jīng)驗(yàn)和發(fā)動機(jī)知識,通過推理的形式實(shí)現(xiàn)LRE的FDD,具有較好的故障解釋能力。發(fā)動機(jī)診斷專家系統(tǒng)由知識庫、全局?jǐn)?shù)據(jù)庫、推理機(jī)、解釋子系統(tǒng)、知識獲取子系統(tǒng)和人機(jī)接口等組成,如圖3所示。

圖3 發(fā)動機(jī)診斷專家系統(tǒng)組成Fig.3 Composition of engine diagnosis expert system

早期的診斷專家系統(tǒng)如SSME數(shù)據(jù)分析專家系統(tǒng)[22]、融合多信息的Titan系統(tǒng)[23]、氧化劑渦輪泵泄漏診斷系統(tǒng)[24]等,此類專家系統(tǒng)表達(dá)方式較為直觀,在應(yīng)對復(fù)雜系統(tǒng)獲取知識規(guī)則方面存在一定難度。也有學(xué)者將優(yōu)化算法融入推理機(jī)制,從而獲得更好的自主性與學(xué)習(xí)性。如Xie等采用粒子群算法調(diào)整模型參數(shù),通過模糊推理形成專家知識庫,建立故障預(yù)測與健康管理系統(tǒng)[25];李愷欽利用遺傳算法提取發(fā)動機(jī)故障特征,通過知識庫對比推理,以提高故障診斷精準(zhǔn)度[26]。

知識庫的獲取困難、更新與自主學(xué)習(xí)能力不夠是限制診斷專家系統(tǒng)發(fā)展的主要因素。如何利用AI智能技術(shù)解決知識獲取不足的問題,建立高效的學(xué)習(xí)推理與診斷模型是這類方法未來發(fā)展的方向。

1.3 數(shù)據(jù)驅(qū)動的方法

數(shù)據(jù)驅(qū)動的方法根據(jù)系統(tǒng)正常狀態(tài)與故障的對應(yīng)關(guān)系,對發(fā)動機(jī)的測量數(shù)據(jù)進(jìn)行分析處理,得到相關(guān)故障信息。從數(shù)據(jù)分析方法來看,包括統(tǒng)計分析、主成分分析、獨(dú)立分量分析、小波分析等方法;從數(shù)據(jù)類型來看,包括壓力、流量、轉(zhuǎn)速等緩變信號和機(jī)械振動、流體壓力脈動等速變信號。

1.3.1 基于信號處理的方法

1.3.1.1 緩變信號的處理方法

緩變信號在時序變化上存在連續(xù)性,僅在發(fā)動機(jī)啟動、變工況、關(guān)機(jī)等階段才會出現(xiàn)明顯的數(shù)據(jù)波動,因此檢測閾值設(shè)定至關(guān)重要。紅線關(guān)機(jī)算法是應(yīng)用較早的故障檢測方法,主要通過確定壓力、流量、轉(zhuǎn)速等參數(shù)的上下閾值來實(shí)現(xiàn)發(fā)動機(jī)的異常檢測[27]。我國LRE試車臺也普遍使用紅線關(guān)機(jī)算法,為提升算法的性能,國內(nèi)外學(xué)者對其進(jìn)行了改進(jìn)。如NASA針對航天發(fā)動機(jī)提出的加權(quán)紅線算法[28];朱恒偉等提出自適應(yīng)閾值算法(Adaptive Threshold Algorithm,ATA),可以實(shí)現(xiàn)多工況的故障檢測,并通過歷史試車數(shù)據(jù)進(jìn)行驗(yàn)證[29];李艷軍利用改進(jìn)的自適應(yīng)閾值算法實(shí)時更新閾值帶,進(jìn)一步提高了故障檢測性能[30]。此外,以自適應(yīng)相關(guān)算法(Adaptive Correlation Algorithm,ACA)、主成分分析、獨(dú)立分量分析為代表的多元統(tǒng)計方法也是較為常見的檢測與診斷方法,如Feng等采用主成分分析(Principal Component Analysis,PCA)與自組織映射相結(jié)合的方法進(jìn)行故障診斷,利用PCA對緩變信號進(jìn)行降維去噪,再通過自組織映射訓(xùn)練處理后的數(shù)據(jù)[31],結(jié)果表明由PCA處理后的數(shù)據(jù)可以有效提高故障辨識率。高鳴等通過小波去噪與獨(dú)立分量法處理試車壓力信號,有效提高了數(shù)據(jù)的信噪比,為LRE的FDD提供可靠信息源[32]。

1.3.1.2 速變信號的處理方法

速變信號具有非平穩(wěn)與瞬態(tài)性的特點(diǎn),必須先對數(shù)據(jù)進(jìn)行預(yù)處理,一般采取時頻分析、小波分析等方法進(jìn)行線性變換,提取數(shù)據(jù)的隱含特征。針對渦輪泵振動信號的數(shù)據(jù)處理,Hu等利用均方根值、峭度因子、峰值因子等統(tǒng)計特征和自適應(yīng)高斯閾值模型,在線監(jiān)測渦輪泵振動信號[33];Aiswarya等以快速傅里葉變換在線處理振動信號,提取均方根值等時域特征構(gòu)建特征向量,并結(jié)合支持向量機(jī)進(jìn)行渦輪泵故障診斷[34];楊懿等通過對本征模態(tài)函數(shù)進(jìn)行Hilbert變換,得到振動信號能量分布頻譜圖,實(shí)現(xiàn)LRE渦輪泵故障的精準(zhǔn)定位[35]。針對推力室燃燒故障,楊懿等又利用傅里葉變換和小波包分解分析推力室脈動壓力,基于信號在頻域吻合特征判斷推力室是否產(chǎn)生不穩(wěn)定燃燒[36]。

1.3.1.3 多源信號融合的處理方法

目前針對LRE不同信號類型的數(shù)據(jù)處理方法大多較為獨(dú)立,各類信息缺乏交互,很難真實(shí)有效地表征發(fā)動機(jī)系統(tǒng)健康狀態(tài)。為解決此問題,一些學(xué)者提出了基于多物理特性、變化速率及采樣頻率的多源信號融合處理方法,利用先進(jìn)測量裝置將聲、光、電等信號進(jìn)行融合處理,可以更準(zhǔn)確地反映系統(tǒng)健康狀態(tài),提高故障診斷精度,具有廣泛應(yīng)用前景。如王建波等將點(diǎn)式和紅外傳感器采集的圖像以像素級、特征級、決策級融合的方式建立發(fā)動機(jī)泄漏故障信息模型[37];Zhang等設(shè)計了紅外傳感器與放電傳感器結(jié)合的模糊診斷模型,發(fā)展了包含傳感器信任函數(shù)與最大模型值的信息融合算法[38];Liu等融合加速度傳感器、電渦流傳感器、激光測振儀和聲矢量傳感等信息,利用改進(jìn)DS證據(jù)理論進(jìn)行LRE渦輪泵轉(zhuǎn)子-軸承故障診斷,得到了更準(zhǔn)確的診斷結(jié)果[39]。陳禛怡等以速變信號的頻率作為細(xì)節(jié)特征,緩變信號與速變信號時域指標(biāo)作為整體特征,通過構(gòu)造動態(tài)時間跟蹤函數(shù)實(shí)現(xiàn)發(fā)動機(jī)多源信號特征級融合[40]。信號融合處理涉及來自多個不同來源的完整或部分信息,從而構(gòu)建有關(guān)系統(tǒng)的全面和特定信息,實(shí)現(xiàn)更好的故障檢測與診斷效果,圖4為典型的多源信號融合處理策略。

圖4 多源信號融合處理策略Fig.4 Multi-source signal fusion processing strategy

基于數(shù)據(jù)驅(qū)動的方法的實(shí)時性較好,其中以統(tǒng)計分析為代表的緩變信號數(shù)據(jù)處理方法和以時頻分析為代表的速變信號數(shù)據(jù)處理方法均在LRE健康監(jiān)控領(lǐng)域取得了成功應(yīng)用。然而,由于該方法尚缺乏足夠的故障樣本數(shù)據(jù),大部分只能用于LRE故障檢測階段,要實(shí)現(xiàn)故障模式辨識還需與基于人工智能的方法相結(jié)合。

1.3.2 基于傳統(tǒng)機(jī)器學(xué)習(xí)的方法

基于常規(guī)機(jī)器學(xué)習(xí)的方法主要在特征提取/選擇和故障檢測與診斷方面體現(xiàn)智能特性,通常包括數(shù)據(jù)獲取、數(shù)據(jù)預(yù)處理、特征提取、特征選擇和模型訓(xùn)練等步驟,如圖5所示。

圖5 基于傳統(tǒng)機(jī)器學(xué)習(xí)方法的LRE故障診斷步驟Fig.5 LRE fault diagnosis steps based on traditional machine learning methods

1.3.2.1 人工神經(jīng)網(wǎng)絡(luò)

基于ANN的方法應(yīng)用比較廣泛,其中針對LRE的故障診斷主要表現(xiàn)為以下方面。

1)基于無監(jiān)督學(xué)習(xí)的故障檢測是一種不需要系統(tǒng)結(jié)構(gòu)知識,僅靠監(jiān)測信息就能完成發(fā)動機(jī)故障檢測的方法。如Wheeler等利用SSME的傳感器參數(shù),建立了基于徑向基函數(shù)(Radial Basic Function,RBF)神經(jīng)網(wǎng)絡(luò)故障檢測模型[41]?？紤]到人工神經(jīng)網(wǎng)絡(luò)在權(quán)重選擇與閾值確定方面的不足,部分學(xué)者將此類模型進(jìn)行了優(yōu)化,以提高故障檢測的實(shí)時性與準(zhǔn)確性,如Xu等提出的改進(jìn)遺傳-神經(jīng)網(wǎng)絡(luò)算法[42],Singh等建立的貝葉斯神經(jīng)網(wǎng)絡(luò)模型[43]。

2)殘差生成與評估即通過測量信號與神經(jīng)網(wǎng)絡(luò)估計信號進(jìn)行比較,生成殘差以評估發(fā)動機(jī)狀態(tài)。黃敏超等基于建立的動態(tài)神經(jīng)網(wǎng)絡(luò)辨識系統(tǒng),并結(jié)合傳感器測量信息形成殘差,實(shí)現(xiàn)LRE故障監(jiān)測與分離[44]。

3)故障識別與分類利用神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)的特點(diǎn),建立發(fā)動機(jī)故障模式與特征參數(shù)間的對應(yīng)關(guān)系,從而實(shí)現(xiàn)發(fā)動機(jī)故障分離。如Whitehead等將SSME傳感器數(shù)據(jù)到故障的關(guān)系分解成3個更簡單的映射,實(shí)現(xiàn)對已訓(xùn)練故障的識別,并能檢測未訓(xùn)練的故障[45];孫成志等綜合神經(jīng)網(wǎng)絡(luò)與DS證據(jù)理論,建立LRE神經(jīng)網(wǎng)絡(luò)故障診斷模型,實(shí)現(xiàn)發(fā)動機(jī)推力下降與卡死故障的辨識[46]。

1.3.2.2 聚類分析

聚類分析是一種無監(jiān)督分類算法,將數(shù)據(jù)分成多個類或簇,每一類具有相似的內(nèi)容和特征,而不同類之間的差異比較大。聚類分析可以有效生成數(shù)據(jù)分類模型,如Schwabacher等介紹了歸納監(jiān)控系統(tǒng)(Inductive Monitoring System,IMS)中基于聚類的數(shù)據(jù)挖掘技術(shù),通過訓(xùn)練學(xué)習(xí)試車數(shù)據(jù),再以最近聚類的距離作為異常判定標(biāo)準(zhǔn),實(shí)現(xiàn)LRE故障的更快檢測[47]。

1.3.2.3 支持向量機(jī)

SVM作為有監(jiān)督學(xué)習(xí)的分類方法,在應(yīng)對非線性復(fù)雜系統(tǒng)、高維模式識別問題中有一定優(yōu)勢。目前應(yīng)用較多的是將特征提取后的數(shù)據(jù)輸入SVM進(jìn)行故障診斷,如王仲生等利用隨機(jī)共振原理放大轉(zhuǎn)子系統(tǒng)早期故障特征,經(jīng)小波包多分辨率分析后,將其作為SVM輸入實(shí)現(xiàn)故障辨識[48];Aiswarya等提取渦輪泵旋轉(zhuǎn)部件的標(biāo)準(zhǔn)差、均方根等時域特征,通過SVM分類器完成故障診斷[34]。

其他傳統(tǒng)機(jī)器學(xué)習(xí)方法還有RVM、隨機(jī)森林、決策樹等。傳統(tǒng)機(jī)器學(xué)習(xí)方法主要以感知智能學(xué)習(xí)機(jī)制為主,針對發(fā)動機(jī)特定故障模型,采用分類、聚類等形式進(jìn)行故障診斷,缺乏與外部環(huán)境的反饋交互,難以實(shí)現(xiàn)發(fā)動機(jī)故障的自主決策與規(guī)劃。另外,該方法在很大程度上依賴于特征提取的質(zhì)量,只有當(dāng)提取的特征可以較好地表示故障特征時,基于傳統(tǒng)機(jī)器學(xué)習(xí)模型才能與LRE健康狀態(tài)間建立良好的映射關(guān)系。然而,隨著發(fā)動機(jī)結(jié)構(gòu)復(fù)雜化、監(jiān)測數(shù)據(jù)龐大化,基于淺層結(jié)構(gòu)式的學(xué)習(xí)模式無法獲取高維的數(shù)據(jù)特征,很難建立發(fā)動機(jī)輸入-輸出間的復(fù)雜非線性關(guān)系。

1.3.3 基于深度學(xué)習(xí)的方法

自2006年深度學(xué)習(xí)(Deep Learning,DL)的概念提出以來,便得到學(xué)者們廣泛探討與研究,并取得了許多代表性的成果[49]。故障診斷領(lǐng)域的深度學(xué)習(xí)方法包括自編碼、受限玻爾茲曼機(jī)、循環(huán)神經(jīng)網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)等方法,本文重點(diǎn)介紹CNN(Convolutional Neural Network,CNN)與生成對抗網(wǎng)絡(luò)(Generative Adversarial Network,GAN)在LRE故障檢測與診斷領(lǐng)域的應(yīng)用與發(fā)展。

1.3.3.1 基于卷積神經(jīng)網(wǎng)絡(luò)的方法

CNN是DL中應(yīng)用最多的方法之一,結(jié)構(gòu)組成包括卷積層、池化層和全連接層。基于CNN的FDD方法步驟為:將處理后的數(shù)據(jù)輸入CNN模型,通過交替分布的卷積層與池化層逐級提取數(shù)據(jù)特征并學(xué)習(xí),再經(jīng)全連接層完成特征的融合、降維,最終實(shí)現(xiàn)故障識別與分類,如圖6所示。該方法在故障特征提取、檢測與分類方面具有一定優(yōu)勢,Zhu等基于CNN方法提取并識別超燃沖壓發(fā)動機(jī)燃燒數(shù)據(jù),結(jié)果表明CNN的辨識準(zhǔn)確率要高于傳統(tǒng)機(jī)器學(xué)習(xí)方法[50]。

圖6 基于CNN故障檢測與診斷方法Fig.6 FDD method based on CNN

CNN的模型結(jié)構(gòu)一直在優(yōu)化改進(jìn)中,近年來,也有學(xué)者融合更多方法拓展了故障診斷的思路。如Zhu等結(jié)合卷積自編碼器與單類SVM,實(shí)現(xiàn)了LRE故障的異常檢測與診斷[51];Park等利用長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)訓(xùn)練LRE啟動數(shù)據(jù),再結(jié)合CNN完成故障診斷[52]。李澤東等針對發(fā)動機(jī)軸承故障提出注意力增強(qiáng)CNN方法,通過將注意力機(jī)制融入卷積層,以增強(qiáng)全局信息的提取,提高診斷精度[53]。

1.3.3.2 基于生成對抗網(wǎng)絡(luò)的方法

GAN具有強(qiáng)大的生成能力,不依賴于任何先驗(yàn)假設(shè),可以用來實(shí)現(xiàn)數(shù)據(jù)增強(qiáng)和數(shù)據(jù)集擴(kuò)展,以彌補(bǔ)故障數(shù)據(jù)樣本不足的缺點(diǎn)。GAN應(yīng)用于LRE的FDD中有著明顯的優(yōu)勢,圖7為基于WGAN-MLP(Wasserstein GAN-multilayer Perceptron)的故障診斷流程。其中,GAN由生成器和判別器兩部分組成,訓(xùn)練過程如下:向生成器輸入隨機(jī)樣本,輸出生成樣本,向判別器輸入生成樣本和真實(shí)樣本,輸出判別結(jié)果,計算誤差,更新生成器與判別器的網(wǎng)絡(luò)權(quán)值。兩者交替進(jìn)行,達(dá)到設(shè)定訓(xùn)練輪數(shù)或一定條件時,訓(xùn)練完成。計算結(jié)果表明,WGAN可以有效生成故障樣本,并能檢測出未知故障[54]。

圖7 基于WGAN-MLP故障診斷流程Fig.7 WGAN-MLP fault diagnosis process

為提高訓(xùn)練穩(wěn)定性與樣本多樣性,研究人員對GAN結(jié)構(gòu)做了進(jìn)一步優(yōu)化改進(jìn),如Liang等利用小波變換將一維振動信號轉(zhuǎn)為二維時頻圖像,輸入半監(jiān)督對抗學(xué)習(xí)模型,實(shí)現(xiàn)了齒輪箱單故障診斷和多故障的同時診斷[55];袁燁等結(jié)合門控循環(huán)單元(Gate Recurrent Unit,GRU)的預(yù)測能力,提出基于特征注意力機(jī)制的GAN-GRU融合模型,有效解決了數(shù)據(jù)訓(xùn)練不充分的問題[56];張晟斐等利用CNN對缺失數(shù)據(jù)進(jìn)行填充,基于非參數(shù)檢驗(yàn)思想優(yōu)化GAN訓(xùn)練環(huán)境,提升了設(shè)備壽命預(yù)測的魯棒性[57]。

基于深度學(xué)習(xí)的方法以認(rèn)知智能為主,在FDD過程中加入外部環(huán)境的反饋交互,并能在交互過程中不斷學(xué)習(xí),實(shí)現(xiàn)特定任務(wù)推理、決策和規(guī)劃?；谏疃葘W(xué)習(xí)的方法為LRE故障診斷增添了新動力,但也存在幾個主要問題。

1)黑箱問題。LRE的安全性要求極高,考慮到該方法訓(xùn)練過程與訓(xùn)練結(jié)果存在不可解釋性,目前很難得到有效應(yīng)用。

2)數(shù)據(jù)問題?；诒O(jiān)督式或半監(jiān)督式的深度網(wǎng)絡(luò)方法需要大量標(biāo)簽數(shù)據(jù)的支撐,然而LRE故障數(shù)據(jù)樣本稀少。

當(dāng)前,LRE的FDD方法仍處于對已知故障的診斷、未知故障的異常檢測階段,且不同層次領(lǐng)域、不同方法的“集成式”“融合式”FDD已經(jīng)成為必然趨勢。

2 容錯控制技術(shù)研究現(xiàn)狀

容錯控制(Fault Tolerant Control,FTC)技術(shù)能有效補(bǔ)償故障損失,維持系統(tǒng)穩(wěn)定,是一種可以提高可靠性的技術(shù)。從實(shí)現(xiàn)技術(shù)手段視角,FTC可以粗略地劃分成任務(wù)重構(gòu)和姿態(tài)重構(gòu)。對于任務(wù)重構(gòu)問題,He等提出了基于深度神經(jīng)網(wǎng)絡(luò)的自適應(yīng)分配方法,用于推力下降故障下任務(wù)重構(gòu)[58];Wei等基于加速Landweber迭代和重分配機(jī)制提出了一種新穎任務(wù)重構(gòu)方法用于某型可重復(fù)適應(yīng)運(yùn)載火箭[59];Song等研究了典型推進(jìn)系統(tǒng)故障下運(yùn)載火箭升空自主任務(wù)重構(gòu)技術(shù)[60]。在姿態(tài)重構(gòu)方面,Li等基于故障檢測與診斷方法,通過重構(gòu)控制命令來保持系統(tǒng)穩(wěn)定性[61];程堂明等基于力矩補(bǔ)償思想實(shí)現(xiàn)多故障模式下的姿態(tài)重構(gòu)[62]。從技術(shù)發(fā)展歷程視角,LRE容錯控制技術(shù)的發(fā)展可以分為3個階段。

1)早期的FTC基于硬件冗余,根據(jù)故障檢測結(jié)果,以切換硬件冗余的方式調(diào)整發(fā)動機(jī)工作狀態(tài),控制決策包括報警、啟動硬件備份、緊急關(guān)機(jī)等。雖然硬件冗余結(jié)構(gòu)原理簡單,但太多的冗余大大增加了系統(tǒng)復(fù)雜性,影響研究人員的判斷。

2)20世紀(jì)80年代基于解析冗余的FTC技術(shù)逐漸發(fā)展起來,一般是采取主動容錯控制的方式,通過比較觀測器輸出得到故障信息。如Shen等基于多模型方法設(shè)計無跡卡爾曼濾波器對姿態(tài)控制系統(tǒng)進(jìn)行精確估計,并結(jié)合PD控制器實(shí)現(xiàn)主動容錯控制[63];Gao等利用故障觀測信息,結(jié)合反步法與自適應(yīng)技術(shù)設(shè)計主動容錯控制器[64];Tang等構(gòu)造了自適應(yīng)故障觀測器,并在此基礎(chǔ)上設(shè)計滑膜容錯控制器,有效提高了火箭姿態(tài)跟蹤精度[65]。然而,基于解析冗余的方法過于依賴模型的精度且箭上算力有限,如何合理利用箭上資源且能保證診斷信息準(zhǔn)確可靠是目前需要解決的問題。

3)21世紀(jì)初基于解析冗余的FTC技術(shù)發(fā)展趨于成熟并向智能化發(fā)展。一部分學(xué)者將神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)等技術(shù)用于獲取故障信息、設(shè)計智能控制器等方面,如朱海洋等利用神經(jīng)網(wǎng)絡(luò)在線辨識模型分析故障參數(shù)與干擾項(xiàng),基于自適應(yīng)容錯控制器實(shí)現(xiàn)火箭推力下降等故障的補(bǔ)償[66];梁小輝等提出了一種智能容錯控制策略,通過自適應(yīng)動態(tài)規(guī)劃的在線學(xué)習(xí)功能,保證火箭姿態(tài)的跟蹤精度[67];Cao等通過設(shè)計自適應(yīng)學(xué)習(xí)觀測器,基于反推控制器實(shí)現(xiàn)了航天器姿態(tài)的有效跟蹤[68]。

主動容錯控制技術(shù)具有一定的自主性,通過FDD模塊提供故障信息,充分利用解析冗余,能夠合理借助系統(tǒng)軟硬件的優(yōu)勢保證系統(tǒng)發(fā)生已知或未知故障下的穩(wěn)定性,實(shí)現(xiàn)了較為理想的工程應(yīng)用。2012年獵鷹9火箭在首次國際空間站任務(wù)中便是利用故障診斷與在線重規(guī)劃技術(shù)順利完成了一臺發(fā)動機(jī)推力故障下的發(fā)射任務(wù);德爾塔四號運(yùn)載火箭在發(fā)生故障導(dǎo)致箭體推力下降時,也通過控制系統(tǒng)完成推力補(bǔ)償,實(shí)現(xiàn)火箭的平穩(wěn)飛行。

中國新一代運(yùn)載火箭CZ-5也使用了發(fā)動機(jī)控制力動態(tài)分配技術(shù),成功實(shí)現(xiàn)了助推發(fā)動機(jī)關(guān)機(jī)時的姿態(tài)穩(wěn)定控制[69]。以發(fā)動機(jī)執(zhí)行機(jī)構(gòu)故障為例,圖8為典型故障下的火箭容錯控制技術(shù)路線圖。其中控制輸入u為執(zhí)行機(jī)構(gòu)擺角大小,測量信號y為火箭實(shí)際姿態(tài)角大小。

圖8 典型故障下的運(yùn)載火箭容錯控制技術(shù)路線圖Fig.8 FTC technology roadmap of launch vehicle under typical faults

對于第i個執(zhí)行機(jī)構(gòu)故障,其真實(shí)擺角可表示為

(1)

通過控制分配律將發(fā)動機(jī)擺角重新分配,使重新分配后的控制力矩與期望產(chǎn)生的控制力矩相等,實(shí)現(xiàn)運(yùn)載故障下的容錯控制,其數(shù)學(xué)表達(dá)式為[70]

M=Bu

(2)

式中:M為期望力矩;B為控制分配矩陣。

當(dāng)發(fā)動機(jī)執(zhí)行機(jī)構(gòu)發(fā)生故障時,采用基于多模型的方法隔離出第i個執(zhí)行機(jī)構(gòu)的故障特征[62],并將該故障信息導(dǎo)入火箭姿態(tài)控制系統(tǒng)中。此時,考慮執(zhí)行機(jī)構(gòu)故障時的控制分配矩陣為

(3)

式中:Bi為與第i個執(zhí)行機(jī)構(gòu)對應(yīng)的控制分配矩陣的列向量;Bremain、uremain分別為控制分配矩陣的剩余列、執(zhí)行機(jī)構(gòu)的剩余行。由此,反解出第i個執(zhí)行機(jī)構(gòu)故障發(fā)生時,經(jīng)控制分配律重新分配后的剩余擺角大小,即

u′=(B*)-1M

(4)

基于上述方法,實(shí)現(xiàn)了發(fā)動機(jī)執(zhí)行機(jī)構(gòu)故障下的火箭容錯控制。

目前,針對LRE的FTC研究目前還處于“+智能”的階段,即人工智能已運(yùn)用到控制系統(tǒng),但工程應(yīng)用的案例較少。隨著FDD的發(fā)展,智能方法與控制技術(shù)深度融合的“智能+”有望給健康監(jiān)控技術(shù)帶來新的突破[71]。

3 LRE健康監(jiān)控系統(tǒng)發(fā)展應(yīng)用

健康監(jiān)控系統(tǒng)的發(fā)展一般可分為3個階段:簡單健康監(jiān)控系統(tǒng)、集成健康監(jiān)控系統(tǒng)與先進(jìn)健康管理系統(tǒng)[72]。簡單健康監(jiān)控系統(tǒng)使用的方法較為單一,功能簡單,很難檢測到發(fā)動機(jī)早期故障與緩變故障,診斷結(jié)果缺乏可靠性。如早期的紅線關(guān)機(jī)系統(tǒng)、SSME數(shù)據(jù)分析專家系統(tǒng)等。

20世紀(jì)90年代后,隨著FDD方法的發(fā)展,研究人員開始將多個算法集成到健康監(jiān)控系統(tǒng)中,發(fā)揮不同算法的優(yōu)勢,以提高故障覆蓋率與魯棒性等。如美國聯(lián)合技術(shù)研究中心研制的健康管理系統(tǒng),融合了時間序列分析、聚類分析等算法,可以用于全工況異常檢測,同時提高了對傳感器失效的魯棒性。國防科技大學(xué)研制的LRE故障監(jiān)控系統(tǒng)(如圖9所示),集成紅線算法、ATA算法、ACA算法、RBF算法等多種方法,以紅線關(guān)機(jī)算法作為系統(tǒng)報警的底線,融合其他算法進(jìn)行并行決策。該系統(tǒng)經(jīng)過多次試車搭載試驗(yàn),在實(shí)時性、準(zhǔn)確性、故障覆蓋率等方面均滿足工程需求。

圖9 LRE故障監(jiān)控系統(tǒng)Fig.9 LRE fault monitoring system

典型的先進(jìn)健康管理系統(tǒng)例如波音公司與NASA聯(lián)合研制的先進(jìn)管理系統(tǒng),其特點(diǎn)是先進(jìn)傳感器測量與診斷技術(shù)的集成。該系統(tǒng)由先進(jìn)實(shí)時振動監(jiān)控、光學(xué)羽流異常檢測和線性發(fā)動機(jī)模型3個子系統(tǒng)組成,提升了航天器發(fā)射與升空的安全性。然而,由于故障樣本不充分、故障特征不完備、模型系數(shù)不確定等問題,該系統(tǒng)仍然缺乏對發(fā)動機(jī)重要故障模式的辨識與定位能力。此外,還包括智能控制系統(tǒng)[73]、綜合健康管理系統(tǒng)等[74]。

隨著智能化的發(fā)展需求,目前的LRE健康管理系統(tǒng)涵蓋了實(shí)時狀態(tài)監(jiān)測、故障診斷、壽命評估、故障控制等多個功能。圖10為發(fā)動機(jī)健康管理系統(tǒng)功能原理圖,分為機(jī)載和地面部分。機(jī)載部分利用優(yōu)化選取后的傳感器測量參數(shù)進(jìn)行實(shí)時狀態(tài)監(jiān)測,考慮箭上算力有限,仍以紅線關(guān)機(jī)算法、自適應(yīng)閾值算法為主,實(shí)現(xiàn)發(fā)動機(jī)在線異常檢測。同時,通過控制器采取調(diào)節(jié)控制律、緊急關(guān)機(jī)等措施降低故障影響。地面部分可以完成不同環(huán)節(jié)的診斷分析,對比發(fā)動機(jī)正常狀態(tài)進(jìn)行試后偏差分析,得到各部件性能趨勢;建立故障損傷模型,完成故障預(yù)測和關(guān)鍵部件壽命評估;基于維修手冊與專家經(jīng)驗(yàn),形成發(fā)動機(jī)故障處置庫,最終實(shí)現(xiàn)LRE健康管理報告。

圖10 LRE健康管理系統(tǒng)功能原理圖Fig.10 Functional schematic diagram of LRE health management system

研究FDD方法的最終目的是在LRE健康監(jiān)控系統(tǒng)中能實(shí)際應(yīng)用。然而,目前研究工作僅處于利用理論知識、策略與算法,結(jié)合具體發(fā)動機(jī)型號進(jìn)行數(shù)值仿真和試車數(shù)據(jù)驗(yàn)證的階段,研制用于發(fā)動機(jī)地面試驗(yàn)與機(jī)上運(yùn)行的故障檢測與診斷系統(tǒng)很少。并且由于LRE對故障檢測與診斷在高效、可靠、安全方面要求極高,在發(fā)動機(jī)試驗(yàn)和運(yùn)行中實(shí)際應(yīng)用FDD方法的情況是改進(jìn)型紅線報警系統(tǒng)用于在線實(shí)時檢測,故障診斷在試后離線系統(tǒng)進(jìn)行。

計算機(jī)、自動控制、人工智能、傳感器等技術(shù)的快速發(fā)展和應(yīng)用很大程度上推動了LRE健康監(jiān)控系統(tǒng)的進(jìn)步。當(dāng)前,除了關(guān)注FDD理論方法的研究探索外,還應(yīng)依靠比較成熟的FDD方法和技術(shù)實(shí)施工程化研究,使其能應(yīng)用到液體火箭發(fā)動機(jī)的研制試驗(yàn)和實(shí)際運(yùn)行中,適應(yīng)火箭發(fā)動機(jī)健康監(jiān)控需求。

4 健康監(jiān)控關(guān)鍵技術(shù)分析

可重復(fù)使用LRE的試車成功及空天飛機(jī)、組合動力等概念的提出使健康監(jiān)控技術(shù)應(yīng)用在箭上的需求更加迫切[75],其中重復(fù)使用航天器動力系統(tǒng)健康狀態(tài)快速評估技術(shù)更是被列為2023年宇航領(lǐng)域科學(xué)問題和技術(shù)難題之一[76]。本節(jié)針對健康監(jiān)控領(lǐng)域面對的重難點(diǎn)問題梳理了以下關(guān)鍵技術(shù),并結(jié)合課題組最近工作提出了相應(yīng)的技術(shù)方案。

4.1 基于測試性建模的在線檢測與診斷技術(shù)

故障在線檢測與診斷是大推力可復(fù)用LRE健康監(jiān)控技術(shù)的核心和基礎(chǔ),對于提高發(fā)動機(jī)可靠性與維修保障效率,減少發(fā)動機(jī)全壽命周期費(fèi)用具有十分重要的意義?；跍y試性分析的方法可以解決可測性參數(shù)選擇與可測性指標(biāo)確定的問題,通過相關(guān)性模型、多信號流圖模型等方式描述測點(diǎn)與系統(tǒng)故障間的邏輯關(guān)系,在復(fù)雜裝備的故障診斷、健康評估等方面取得了較成熟的應(yīng)用[77]。

為此,考慮重復(fù)使用LRE故障演化、故障嚴(yán)重程度與故障征兆及相應(yīng)測試間關(guān)聯(lián)關(guān)系的核心要求,開展發(fā)動機(jī)故障模式分析、測試性建模和實(shí)時推理與診斷。圖11為LRE測試性建模分析與故障診斷應(yīng)用總體方案。首先,進(jìn)行傳感器測點(diǎn)狀態(tài)、故障模式等信息的分析收集;其次,采用多信號流圖建模方法,按照“系統(tǒng)→分系統(tǒng)→組件→單機(jī)”的層次化功能結(jié)構(gòu),依據(jù)信號流向及傳播過程,將不同層次的模塊和故障模式及測點(diǎn)資源連接起來;最后,利用推理機(jī)(如貝葉斯網(wǎng)、SVM等)完成在線診斷推理。

圖11 LRE測試性建模分析與故障診斷應(yīng)用總體方案Fig.11 Overall plan of LRE testability modeling analysis and fault diagnosis application

以氫氧發(fā)動機(jī)分層為例,主要由推力室系統(tǒng)、燃?xì)獍l(fā)生器系統(tǒng)、渦輪泵系統(tǒng)、管路系統(tǒng)等部件構(gòu)成。發(fā)動機(jī)氫渦輪與氧渦輪以并聯(lián)方式連接于燃?xì)獍l(fā)生器,從燃?xì)獍l(fā)生器出來的燃?xì)夥謩e推動氫渦輪和氧渦輪。發(fā)動機(jī)工作過程內(nèi)部工質(zhì)的流動過程如圖12所示。液氫進(jìn)入泵前閥由氫泵增壓后一路流向燃?xì)獍l(fā)生器,另一路流向推力室,此時泵后泄出閥已關(guān)閉,額定工作時無液氫外排。流向推力室的氫又分為兩路,一路通過2個冷排汽蝕管限流對大噴管進(jìn)行冷卻,而后外排;另一路經(jīng)冷卻推力室身部后進(jìn)入推力室氫頭腔,然后大部分進(jìn)入推力室燃燒。此外,從推力室氫頭腔分別引出兩支路作為伺服機(jī)構(gòu)氫能源和為氫貯箱增壓。液氧通過泵前閥經(jīng)氧泵增壓后一路流向燃?xì)獍l(fā)生器,另一路流向推力室。額定工作過程泵后泄出閥已關(guān)閉,泵后引出一路液氧經(jīng)換熱器后用于氧貯箱增壓。

圖12 液氫/液氧發(fā)動機(jī)工作流向圖Fig.12 Working flow diagram of liquid hydrogen and oxygen engine

圖13為基于測試性分析的氫氧發(fā)動機(jī)故障診斷結(jié)果,通過故障注入的方式模擬系統(tǒng)故障,在1 000×1 000數(shù)據(jù)規(guī)模下的診斷推理時間可達(dá)到毫秒級?？梢钥闯?該方法應(yīng)用在LRE的FDD中具有更好的實(shí)時性,推理速度快,可用于大規(guī)模數(shù)據(jù)的實(shí)時在線診斷,并且可擴(kuò)展性強(qiáng),理論上只要測點(diǎn)足夠,就可以完成發(fā)動機(jī)故障的全部隔離與覆蓋,有利于解決LRE快速檢測與評估、故障隔離定位和關(guān)鍵部組件維修維護(hù)等問題。

圖13 基于測試性建模的氫氧發(fā)動機(jī)診斷結(jié)果Fig.13 Diagnosis results of hydrogen oxygen engine based on testability modeling

4.2 基于數(shù)字孿生的虛擬建模技術(shù)

數(shù)字孿生技術(shù)可充分利用數(shù)據(jù)與模型,集成多學(xué)科知識,面向系統(tǒng)的全壽命周期,發(fā)揮連接虛擬與現(xiàn)實(shí)世界的橋梁作用[78]。NASA在2010年提出了數(shù)字孿生應(yīng)用于航空航天的典型場景,其中包括飛行前的異常檢測、飛行中實(shí)時狀態(tài)監(jiān)測、故障后的診斷評估等功能[79]。進(jìn)一步地,《2016中國航天白皮書》中也強(qiáng)調(diào)了加快航天領(lǐng)域的深度信息化融合,推動數(shù)字化、智能化制造的重要性。

圖14為基于數(shù)字孿生的LRE功能分析圖,面向LRE數(shù)字孿生仿真建模技術(shù)可分為基礎(chǔ)支撐層、虛實(shí)交互層與分析決策層[80]。其中基礎(chǔ)支撐層主要用于支持?jǐn)?shù)據(jù)存儲、信息安全防護(hù)、高性能并行計算等功能;虛實(shí)交互層利用復(fù)雜仿真模型與采集的實(shí)時數(shù)據(jù),結(jié)合模型數(shù)據(jù)融合技術(shù),進(jìn)行虛擬現(xiàn)實(shí)交互;分析決策層基于虛實(shí)交互結(jié)果,實(shí)現(xiàn)故障預(yù)測、可視化監(jiān)測、智能控制等功能。

圖14 基于數(shù)字孿生的LRE功能分析圖Fig.14 LRE functional analysis based on digital twins

根據(jù)LRE健康管理功能需求建立數(shù)字孿生技術(shù)框架,如圖15所示。

圖15 基于數(shù)字孿生的LRE技術(shù)路線圖Fig.15 LRE technology roadmap based on digital twin

圖15中物理實(shí)體指的是利用傳感器測量的各類數(shù)據(jù),包括振動、壓力、流量等;虛擬模型主要包括通用仿真模型、個性表征模型與動態(tài)演化模型[81]。

1)通用仿真模型用來描述LRE理想工作狀態(tài),利用三維建模、有限元分析、動力學(xué)分析等方法,旨在體現(xiàn)LRE一般運(yùn)行規(guī)律。

2)個性表征模型可以描述系統(tǒng)運(yùn)行間的差異性,將發(fā)動機(jī)試車工況變化、重復(fù)使用部件累計損傷、燃料燃燒等不確定因素以狀態(tài)方程的形式表現(xiàn)出來,通過觀測方程描述系統(tǒng)真實(shí)狀態(tài)和觀測量之間的映射關(guān)系。

3)動態(tài)演化模型可以利用LRE試車數(shù)據(jù)實(shí)時更新個性表征模型中的狀態(tài)空間參數(shù),以達(dá)到虛實(shí)交互的目的。其中,動態(tài)貝葉斯網(wǎng)絡(luò)由于可以較好地融合先驗(yàn)信息,并進(jìn)行后驗(yàn)信息推理,較適合用于數(shù)字孿生模型的更新[82]。

通過分析可知,基于數(shù)字孿生的虛擬建模技術(shù)在LRE健康監(jiān)控領(lǐng)域的優(yōu)勢表現(xiàn)為:數(shù)字孿生可以創(chuàng)造包括所有知識的數(shù)學(xué)模型,通過多元信息融合的動態(tài)演示能夠更精準(zhǔn)地描述發(fā)動機(jī)各項(xiàng)行為,及時發(fā)現(xiàn)并預(yù)測故障,更好地指導(dǎo)系統(tǒng)控制與決策。

4.3 基于類腦知識的診斷可解釋性分析

以DL為代表的新型LRE故障診斷方法在特征提取、樣本生成方面具有巨大優(yōu)勢,然而,診斷可解釋問題嚴(yán)重降低了研究人員對診斷結(jié)果的信任度,尤其面對LRE這種安全攸關(guān)的系統(tǒng)。可解釋人工智能(Explainable Artificial Intelligence,EAI)在近年被廣泛關(guān)注,中國科協(xié)在2022年度已將“實(shí)現(xiàn)可信可靠可解釋的人工智能技術(shù)路線與方案”列為十大前沿科學(xué)問題[83]。

解決EAI問題應(yīng)關(guān)注特征生成與認(rèn)知推理兩方面問題。在特征生成方面,為了從原始多維時序數(shù)據(jù)中獲得更多可解釋信息,Zhang等將電機(jī)時序數(shù)據(jù)轉(zhuǎn)換成包含更多細(xì)節(jié)的多維視覺知識,提升了狀態(tài)信息直觀性和可解釋性[84];Brito等利用Shapley值計算單個特征輸出貢獻(xiàn)度,以模型可解釋性得到特征重要性排序,實(shí)現(xiàn)旋轉(zhuǎn)機(jī)械故障診斷[85]。在認(rèn)知推理方面,文獻(xiàn)[86]將診斷模型本身設(shè)計成具有可解釋性的自明模型,如決策樹、基于規(guī)則的模型、線性模型等,依賴邏輯關(guān)系達(dá)到可解釋性的目的;文獻(xiàn)[87]提出的“認(rèn)知放大器”與“守護(hù)天使”兩個概念值得借鑒,通過認(rèn)知放大處理關(guān)鍵目標(biāo)問題,守護(hù)天使則代為處理沒有時間或精力解決的問題,形成可以模擬專家思維模式的粗細(xì)兩級診斷模型。

本文提出基于類腦知識的診斷可解釋性分析技術(shù)方案(見圖16)路線如下:將反應(yīng)發(fā)動機(jī)健康信息的數(shù)據(jù)和知識通過時頻分析法、對稱點(diǎn)模式等轉(zhuǎn)化成二維圖像特征,并通過圖像多通道融合技術(shù)增強(qiáng)二維圖像特征的泛化能力,實(shí)現(xiàn)模型前可解釋性;在故障特征和故障診斷結(jié)果之間通過特征重要度排序計算單個特征對診斷結(jié)果的貢獻(xiàn)度,即將具體診斷結(jié)果歸因到某個特定特征,實(shí)現(xiàn)模型后可解釋。

圖16 基于類腦知識的診斷可解釋性技術(shù)路線Fig.16 Diagnostic interpretability technology roadmap based on brain-like knowledge

5 結(jié)論

深空探測、天際往返等名詞的出現(xiàn)給人類航空航天事業(yè)的發(fā)展構(gòu)造了宏偉藍(lán)圖,中國航天的發(fā)展也正在經(jīng)歷由航天大國向航天強(qiáng)國轉(zhuǎn)變。相較于日本、印度等航天國家,我國火箭發(fā)射具有高可靠性,尤其是故障檢測理論方法與專家會診流程非常成熟。但對標(biāo)SpaceX卻是“大而不強(qiáng)、大而不優(yōu)”,從健康監(jiān)控技術(shù)領(lǐng)域來看,如何評估發(fā)動機(jī)重復(fù)使用次數(shù)與使用壽命評估等主要性能指標(biāo),如何準(zhǔn)確快速地判定發(fā)動機(jī)能否繼續(xù)工作、如何有效判定故障部位并采取相應(yīng)控制措施,成為目前亟需解決的問題。然而,“星艦”多次發(fā)射失利也給人們帶來啟示:航天事業(yè)的發(fā)展既不可固步自封也不能操之過急,應(yīng)該抓住安全性、可靠性等主要矛盾,在現(xiàn)有技術(shù)基礎(chǔ)上穩(wěn)步推進(jìn)與創(chuàng)新。為此,針對LRE健康監(jiān)控技術(shù)研究發(fā)展,本文提出以下建議。

1)大力提倡健康監(jiān)控頂層規(guī)劃設(shè)計。從政策層面推動頂層規(guī)劃設(shè)計,進(jìn)一步推廣LRE健康監(jiān)控技術(shù)的地位與重要性。糾正之前健康監(jiān)控用于“事后補(bǔ)救措施”的思路,系統(tǒng)分析LRE框架與路線,將健康監(jiān)控納入LRE整機(jī)設(shè)計研制,從而實(shí)現(xiàn)兩者間的“共生”。

2)發(fā)展先進(jìn)傳感器技術(shù),完善故障數(shù)據(jù)庫。研制各種高可靠的傳感器,搜集豐富的發(fā)動機(jī)試車數(shù)據(jù);繼續(xù)開展故障仿真研究,系統(tǒng)分析故障模式、故障原因和故障影響,形成以專家經(jīng)驗(yàn)為主的故障處置庫,制定合適控制策略。

3)持續(xù)優(yōu)化現(xiàn)有算法,盡快實(shí)現(xiàn)工程應(yīng)用。結(jié)合工程實(shí)際優(yōu)化已有的算法,對有特色、較成熟的算法加以改進(jìn)和創(chuàng)新,不斷提高技術(shù)成熟度;發(fā)展諸如智能可測性等分析檢測技術(shù),為重復(fù)使用發(fā)動機(jī)使用返回后的快速評估與維護(hù)提供技術(shù)支持。

4)深入拓展智能健康監(jiān)控技術(shù)研究。強(qiáng)大的學(xué)習(xí)能力與適應(yīng)能力是人工智能技術(shù)的主要特征?；贑NN、GAN甚至深度強(qiáng)化學(xué)習(xí)等智能技術(shù),挖掘更深層故障信息,突破和解決發(fā)動機(jī)早期異常檢測,實(shí)現(xiàn)故障預(yù)測;基于遷移學(xué)習(xí)提高模型的泛化性能和利用率,實(shí)現(xiàn)診斷系統(tǒng)局部的通用化。此外,數(shù)字孿生可解釋人工智能等技術(shù)在LRE故障預(yù)測與壽命評估、智能控制與維護(hù)等方面的應(yīng)用,可以有力提高系統(tǒng)安全與可靠性。

LRE健康監(jiān)控技術(shù)作為多學(xué)科交叉的高新技術(shù),其進(jìn)步依賴于人工智能、自動控制、計算機(jī)科學(xué)、傳感器測量等技術(shù)的發(fā)展,其研究應(yīng)用注定是一個漫長前進(jìn)的過程,也期待更先進(jìn)的健康監(jiān)控技術(shù)應(yīng)用在LRE試車與飛行中。