孫 顥, 程月華*, 姜 斌, 李文婷

1. 南京航空航天大學(xué)自動(dòng)化學(xué)院, 南京 211100

2. 北京航天自動(dòng)控制研究所, 北京 100854

0 引 言

液體火箭發(fā)動(dòng)機(jī)是運(yùn)載火箭上的故障多發(fā)部位,其故障嚴(yán)重威脅著火箭發(fā)射任務(wù)的可靠性和安全性[1-2].開展火箭動(dòng)力系統(tǒng)的運(yùn)行狀態(tài)監(jiān)測(cè),及時(shí)發(fā)現(xiàn)異常,可防止非致命性故障對(duì)火箭運(yùn)輸任務(wù)的影響,提升運(yùn)載火箭的安全性與可靠性.然而運(yùn)載火箭動(dòng)力系統(tǒng)故障傳播機(jī)理復(fù)雜,內(nèi)部測(cè)量信息有限且可信度低,動(dòng)力系統(tǒng)異常監(jiān)測(cè)極具挑戰(zhàn)[3-4].火箭動(dòng)力系統(tǒng)通過(guò)姿態(tài)控制回路會(huì)影響到飛行器的飛行狀態(tài),因此實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè)火箭飛行狀態(tài)信息為開展動(dòng)力系統(tǒng)異常監(jiān)測(cè)提供了一條有效途徑[5].

隨著對(duì)于火箭動(dòng)力系統(tǒng)研究的深入,大量學(xué)者開展了火箭動(dòng)力系統(tǒng)異常監(jiān)測(cè)的相關(guān)研究,主要包括基于模型、基于信號(hào)和數(shù)據(jù)驅(qū)動(dòng)的異常監(jiān)測(cè)方法.在20世紀(jì)90年代末,NASA的噴氣推進(jìn)實(shí)驗(yàn)室開發(fā)出了基于Livingstone內(nèi)核的診斷與重構(gòu)引擎,并首先在深空一號(hào)上得到應(yīng)用[6],這代表了早期基于模型的火箭故障診斷技術(shù).而采用信號(hào)處理的方法,利用輸出的原始測(cè)量信號(hào)直接進(jìn)行故障檢測(cè),因其可靠性逐漸受到青睞,國(guó)外學(xué)者針對(duì)航天飛機(jī)主發(fā)動(dòng)機(jī)(space shuttle main engine,SSME)建立的異常與失效檢測(cè)系統(tǒng)(SAFD)[7]、飛行加速度計(jì)安全關(guān)機(jī)系統(tǒng)(FASCOS)[8]和渦輪泵振動(dòng)監(jiān)控系統(tǒng)[9]都是基于紅線閾值報(bào)警的方法.近年來(lái),隨著專家系統(tǒng)、神經(jīng)網(wǎng)絡(luò)方法和模式識(shí)別方法等融入到發(fā)動(dòng)機(jī)異常檢測(cè)算法之中,基于人工智能的故障診斷逐漸成為了研究的主流趨勢(shì)[10].李寧寧等[11]基于發(fā)動(dòng)機(jī)試車信號(hào),融合bp神經(jīng)網(wǎng)絡(luò)和遺傳算法,構(gòu)建了發(fā)動(dòng)機(jī)的非線性辨識(shí)模型,最終實(shí)現(xiàn)了氫氧補(bǔ)燃發(fā)動(dòng)機(jī)的故障檢測(cè).SYPA等[12]基于數(shù)字仿真模型,結(jié)合深度神經(jīng)網(wǎng)絡(luò),提出了一種基于深度學(xué)習(xí)的液體火箭發(fā)動(dòng)機(jī)啟動(dòng)瞬態(tài)的異常檢測(cè)方法.ZHOU等[13]利用極限梯度提升結(jié)合卷積神經(jīng)網(wǎng)絡(luò)對(duì)于發(fā)動(dòng)機(jī)的故障診斷與性能退化算法進(jìn)行了優(yōu)化.ZHONG等[14]針對(duì)燃?xì)廨啓C(jī)開展了數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法,使用CNN結(jié)合SVM的遷移學(xué)習(xí)方法解決了數(shù)據(jù)樣本較少情況下的故障診斷問(wèn)題.HUANG等[15]對(duì)現(xiàn)有的針對(duì)液體火箭發(fā)動(dòng)機(jī)故障診斷的算法進(jìn)行了對(duì)比,并給出了綜合智能故障診斷模型設(shè)計(jì)框架,以進(jìn)一步解決液體火箭發(fā)動(dòng)機(jī)的實(shí)時(shí)故障檢測(cè)和診斷工程發(fā)展的要求.

綜上所述,從早期基于模型的故障診斷方法到近期主流的數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法,學(xué)者們針對(duì)火箭動(dòng)力系統(tǒng)故障診斷已經(jīng)開展了大量的研究工作.由于動(dòng)力系統(tǒng)部件多、運(yùn)行工況復(fù)雜,可觀測(cè)參量少,且含大量噪聲,僅僅利用動(dòng)力系統(tǒng)的運(yùn)行數(shù)據(jù)來(lái)開展故障監(jiān)測(cè),往往難以獲得滿意的效果[16-17].本文擬利用飛行狀態(tài)數(shù)據(jù),采用數(shù)據(jù)驅(qū)動(dòng)的故障診斷方案開展動(dòng)力系統(tǒng)異常監(jiān)測(cè)研究.首先開展對(duì)火箭閉環(huán)系統(tǒng)的運(yùn)行特性分析,選取合適的飛行狀態(tài)參數(shù)形成故障數(shù)據(jù)集;接著采用長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)-自編碼器(long short term memory-autoencoder,LSTM-AE)進(jìn)行故障特征提取;最后選取改進(jìn)的人工蜂群優(yōu)化支持向量機(jī)算法實(shí)現(xiàn)動(dòng)力系統(tǒng)的異常監(jiān)測(cè).

1 問(wèn)題描述

1.1 火箭動(dòng)力學(xué)模型

定義運(yùn)載火箭質(zhì)心運(yùn)動(dòng)動(dòng)力學(xué)方程如下[18]:

(1)

式中,m代表運(yùn)載火箭質(zhì)量,V代表火箭的速度,P代表火箭的推力,X2c、Y2c和Z2c代表運(yùn)載火箭的控制力,X2e、Y2e和Z2e代表運(yùn)載火箭由于發(fā)動(dòng)機(jī)擺動(dòng)造成的慣性力,α和β代表迎角和側(cè)滑角,θ和σ代表速度傾角和速度偏角,γv代表速度滾轉(zhuǎn)角,FBy、FBz代表干擾力.

定義火箭的繞心運(yùn)動(dòng)動(dòng)力學(xué)如下:

(2)

式中,Jx、Jy和Jz代表火箭的三軸轉(zhuǎn)動(dòng)慣量,ωx、ωy和ωz代表三軸的角速度,Mx1c、My1c和Mz1c分別代表三軸控制力矩,Mx1e、My1e和Mz1e分別代表三軸慣性力矩,MBx、MBy和MBz分別代表三軸下的干擾力矩分量.

由式(2)可知,運(yùn)載火箭的飛行主要受重力、推力、控制力、慣性力和干擾力的影響,其中控制力和慣性力均會(huì)受發(fā)動(dòng)機(jī)的擺動(dòng)影響,發(fā)動(dòng)機(jī)擺角也是運(yùn)載火箭姿態(tài)控制系統(tǒng)的控制量,本文考慮十字構(gòu)型的搖擺發(fā)動(dòng)機(jī)如圖1所示.

圖1 搖擺發(fā)動(dòng)機(jī)配置圖Fig.1 gimbaled rocket engine configuration

4臺(tái)發(fā)動(dòng)機(jī)編號(hào)順序及偏轉(zhuǎn)角的正向如圖1所示,發(fā)動(dòng)機(jī)擺角方向定義為從火箭尾端看,順時(shí)針偏轉(zhuǎn)為正.當(dāng)搖擺發(fā)動(dòng)機(jī)擺角為δ1、δ2、δ3和δ4,三通道的等效擺角可以視為

(3)

此時(shí)發(fā)動(dòng)機(jī)擺動(dòng)產(chǎn)生的控制力矩為

(4)

式中,xc為發(fā)動(dòng)機(jī)搖擺軸至火箭質(zhì)心的距離,rc為發(fā)動(dòng)機(jī)搖擺軸至箭體縱軸的距離.

火箭發(fā)動(dòng)機(jī)模型主要由主渦輪泵、預(yù)壓渦輪泵、燃?xì)獍l(fā)生器、推力室、閥門和管路等部件構(gòu)成[19],液氧通過(guò)氧預(yù)壓渦輪泵、氧主泵和液氧主閥進(jìn)入燃?xì)獍l(fā)生器,發(fā)生器產(chǎn)生的高溫富氧燃?xì)庠隍?qū)動(dòng)主渦輪之后,經(jīng)燃?xì)鈱?dǎo)管進(jìn)入燃燒室后進(jìn)行補(bǔ)燃.燃料煤油經(jīng)燃料預(yù)壓泵、燃料一級(jí)泵增壓后分為四路,其中大部分通過(guò)推力室冷卻通道進(jìn)入燃燒室,一部分經(jīng)燃料二級(jí)泵提高壓力后流入燃?xì)獍l(fā)生器和推力室點(diǎn)火路,另一部分驅(qū)動(dòng)燃料預(yù)壓泵后流入主路,最后一部分驅(qū)動(dòng)伺服機(jī)構(gòu).

如式(5)所示,根據(jù)動(dòng)量定理,火箭發(fā)動(dòng)機(jī)的推力如下:

F=[qeve+(pe-pa)Ae]ηcηn

(5)

式中,qe為噴管出口流量,ve為噴管出口理論噴氣速度,pe為噴管出口壓力,pa為外界大氣壓力,Ae為噴管出口截面積,ηc為燃燒效率,ηn為噴管效率.

在火箭飛行過(guò)程中,發(fā)動(dòng)機(jī)模塊接收到推力指令,利用閉環(huán)或開環(huán)控制得到相應(yīng)的推力,輸出實(shí)際推力,因此發(fā)動(dòng)機(jī)的故障,例如渦輪葉片燒蝕故障或泵氣蝕故障等均會(huì)直接影響推力,推力變化又會(huì)影響到控制力、控制力矩等,最終作用于飛行姿態(tài)控制系統(tǒng),影響火箭的飛行姿態(tài).

1.2 問(wèn)題提出

液體火箭發(fā)動(dòng)機(jī)各個(gè)部件之間緊密耦合,相互聯(lián)接組成為了一個(gè)整體,由于液體火箭發(fā)動(dòng)機(jī)本身復(fù)雜的結(jié)構(gòu)和其所處惡劣的工作環(huán)境,當(dāng)發(fā)動(dòng)機(jī)運(yùn)行一段時(shí)間后,發(fā)動(dòng)機(jī)的各個(gè)部件由于高溫、高壓和腐蝕損壞等原因會(huì)發(fā)生不同程度的故障或性能退化.這些因素使得實(shí)際發(fā)動(dòng)機(jī)會(huì)產(chǎn)生部件效率的降低及參數(shù)的偏差,引起發(fā)動(dòng)機(jī)推力等性能參數(shù)相比于設(shè)計(jì)值產(chǎn)生損失,因此本文將推力異常作為主要的故障表征開展研究.

由于飛行中的發(fā)動(dòng)機(jī)內(nèi)部測(cè)量傳感器的數(shù)量有限,且觀測(cè)數(shù)據(jù)可能受到測(cè)量誤差、噪聲和采樣率不足或遮擋等因素的影響,使得獲取的信息不完整,這給系統(tǒng)分析、預(yù)測(cè)或控制帶來(lái)挑戰(zhàn).基于飛行狀態(tài)數(shù)據(jù)和控制系統(tǒng)數(shù)據(jù),開展“弱觀測(cè)條件下”的異常監(jiān)測(cè)研究為火箭發(fā)動(dòng)機(jī)故障診斷提供了一條有效途徑.

由上所述,執(zhí)行機(jī)構(gòu)故障和發(fā)動(dòng)機(jī)推力異常故障均會(huì)對(duì)飛行參數(shù)產(chǎn)生影響,因此如何合理利用數(shù)據(jù)的信息開展動(dòng)力系統(tǒng)異常監(jiān)測(cè)是一個(gè)難點(diǎn),本文利用LSTM-AE重構(gòu)算法和基于人工蜂群尋優(yōu)的支持向量機(jī)(support vector machine, SVM)分類算法實(shí)現(xiàn)了基于飛行狀態(tài)信息的動(dòng)力系統(tǒng)異常監(jiān)測(cè),算法框架如圖2所示.

圖2 異常監(jiān)測(cè)算法設(shè)計(jì)框圖Fig.2 Diagram of anomaly detection scheme

2 基于LSTM-AE的特征提取算法

由于火箭飛行過(guò)程中,故障影響下的飛行狀態(tài)數(shù)據(jù)難以完全表征故障特性,因此需要使用算法提取飛行狀態(tài)數(shù)據(jù)的特征,使得正常和異常數(shù)據(jù)更容易區(qū)分.

特征提取是異常監(jiān)測(cè)中的基礎(chǔ)問(wèn)題[20],通過(guò)算法對(duì)于數(shù)據(jù)進(jìn)行預(yù)測(cè)或重構(gòu),可以充分利用火箭飛行狀態(tài)時(shí)序信息的同時(shí),提取能夠?qū)?yīng)不同故障類型的數(shù)據(jù)特征[21-22].本節(jié)利用LSTM-AE搭建正常飛行狀態(tài)數(shù)據(jù)間的映射模型,對(duì)正常數(shù)據(jù)進(jìn)行重構(gòu),生成殘差以強(qiáng)化故障特征.

自編碼器由輸入層、輸出層和隱藏層3層神經(jīng)網(wǎng)絡(luò)構(gòu)成,其目標(biāo)是使輸出結(jié)果和輸入結(jié)果盡可能相似,其由編碼網(wǎng)絡(luò)與解碼網(wǎng)絡(luò)兩部分構(gòu)成,編碼網(wǎng)絡(luò)的主要目標(biāo)即為將輸入數(shù)據(jù)從高維空間壓縮到低維空間,實(shí)現(xiàn)輸入到編碼的映射,構(gòu)建出輸入數(shù)據(jù)的主要特征;解碼網(wǎng)絡(luò)的主要目標(biāo)即為實(shí)現(xiàn)近似輸出,通過(guò)將隱藏層低維數(shù)據(jù)映射到高維空間進(jìn)行重構(gòu)并使得誤差最小化以達(dá)到復(fù)原數(shù)據(jù)的目的[23].

h=f(xi)=σ(W1xi+b)

(6)

式中,h為隱藏層表征值,f為編碼函數(shù),σ為Sigmoid函數(shù),其經(jīng)常作為編碼過(guò)程的激活函數(shù),W1為輸入層與隱藏層之間的權(quán)值矩陣,b為編碼網(wǎng)絡(luò)的偏置向量.Sigmoid函數(shù)可以表示為

(7)

同樣的,對(duì)于解碼網(wǎng)絡(luò)而言,隱藏層表征值h用于重構(gòu)輸出值ym并使其盡可能于輸入xm相等,解碼過(guò)程可以描述為

ym=g(h)=σ(W2h+d)

(8)

(9)

訓(xùn)練過(guò)程中采用梯度下降方法對(duì)于自編碼器網(wǎng)絡(luò)參數(shù)進(jìn)行更新.

自編碼器對(duì)于飛行狀態(tài)數(shù)據(jù)集進(jìn)行重構(gòu),而通過(guò)結(jié)合LSTM網(wǎng)絡(luò),其可以捕捉數(shù)據(jù)間的時(shí)序關(guān)系,并以降噪的低維形式對(duì)于數(shù)據(jù)進(jìn)行重構(gòu).

LSTM-AE仍然是一個(gè)多層次結(jié)構(gòu),其編碼器和解碼器都為L(zhǎng)STM模型.基于編碼器部分對(duì)火箭飛行狀態(tài)冗余信息進(jìn)行壓縮,從而獲得系統(tǒng)狀態(tài)數(shù)據(jù)的最小表達(dá),并通過(guò)解碼器部分根據(jù)最小表達(dá)解壓反算出原信號(hào).LSTM-AE的結(jié)構(gòu)如圖3所示.

圖3 LSTM-AE網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 LSTM AutoEncoder network structure

本文僅采用正常數(shù)據(jù)點(diǎn)對(duì)于自編碼器模型進(jìn)行訓(xùn)練,經(jīng)過(guò)訓(xùn)練后,自編碼器能夠重建正常數(shù)據(jù)點(diǎn),并與原始數(shù)據(jù)之間保持一個(gè)較小誤差,而當(dāng)其重構(gòu)一個(gè)異常數(shù)據(jù)點(diǎn)時(shí),誤差將會(huì)遠(yuǎn)大于正常情形,通過(guò)將重構(gòu)后的值與原值做差,可以得到特征強(qiáng)化后的殘差數(shù)據(jù)集,此時(shí)故障情況下的殘差會(huì)遠(yuǎn)大于正常情況的殘差.

3 基于ABC-SVM的異常監(jiān)測(cè)算法

在形成殘差數(shù)據(jù)集后,利用訓(xùn)練好的SVM模型捕捉參數(shù)集的數(shù)據(jù)組合關(guān)系,由于在正常、執(zhí)行機(jī)構(gòu)故障和動(dòng)力系統(tǒng)故障情況下的殘差特征不同,利用SVM分類模型可以利用分類能力實(shí)現(xiàn)動(dòng)力系統(tǒng)異常的監(jiān)測(cè).由于SVM的參數(shù)設(shè)定對(duì)于其性能影響較大,因此本節(jié)引入人工蜂群優(yōu)化(artificial bee colony algorithm,ABC)算法對(duì)于SVM中的參數(shù)進(jìn)行優(yōu)化,以實(shí)現(xiàn)更精確的數(shù)據(jù)分類.

3.1 支持向量機(jī)算法

支持向量機(jī)算法是一種用于分類的機(jī)器學(xué)習(xí)模型,其在線性分類器的基礎(chǔ)上通過(guò)引入最優(yōu)化、VC維等理論構(gòu)建而成,可以解決多種工程技術(shù)領(lǐng)域的分類問(wèn)題.

對(duì)于二分類問(wèn)題,支持向量機(jī)會(huì)在二維平面內(nèi)構(gòu)建一個(gè)直角坐標(biāo)系,將需要分類的樣本轉(zhuǎn)換為坐標(biāo)向量,使所有樣本都包含在所構(gòu)建的直角坐標(biāo)系中,并在此坐標(biāo)系中構(gòu)建一個(gè)使兩種樣本都盡可能全部分開的超平面,而超平面所在位置的設(shè)定應(yīng)使距離它最近的正負(fù)樣本個(gè)體盡可能遠(yuǎn)離這個(gè)平面,使多種樣本能夠劃分的更加明顯、精細(xì).

對(duì)于給定的數(shù)據(jù)集(xj,yj),j=1,2…,m,其中x∈Rd為輸入向量,yj∈{-1,+1}為類別,基于線性優(yōu)化理論可將超平面的確定問(wèn)題轉(zhuǎn)化為約束優(yōu)化問(wèn)題,如下所示:

(10)

式中,ω和b為超平面的法向量和平移距離,ξj為松弛變量,用以提高模型的泛化能力;c為懲罰因子,用以權(quán)衡分類損失和最大間隔的關(guān)系.

此時(shí)將式(9)改寫為

y(ω)=-yj(ωTxj+b)+1≤0

(11)

將式(11)表示為拉格朗日函數(shù),并構(gòu)造對(duì)偶問(wèn)題可得下式:

(12)

解出α可以得到如下的模型:

(13)

SVM使用核函數(shù)將數(shù)據(jù)轉(zhuǎn)換到高維空間,此時(shí)在高維空間內(nèi)的數(shù)據(jù)也線性可分.通過(guò)核函數(shù)k(xj,x)=[φ(xj),φ(x)]可以得到分類器的表達(dá)式如下:

(14)

本文選用徑向基(radial basis function,RBF)核函數(shù)作為映射函數(shù),其表達(dá)式如下所示:

(15)

3.2 人工蜂群參數(shù)優(yōu)化算法

如上文所述,基于SVM的分類算法的重要參數(shù)有核函數(shù)參數(shù)gamma和懲罰因子c,其取值對(duì)于算法的性能有著較大的影響.相比于遺傳算法來(lái)說(shuō),人工蜂群算法在局部的收斂和尋優(yōu)能力上要更為出色,且其控制參數(shù)較少,魯棒性強(qiáng),因此本文選用人工蜂群算法對(duì)于SVM分類器參數(shù)進(jìn)行尋優(yōu)[24].

如圖4所示,核函數(shù)參數(shù)gamma的取值大小與SVM的分類精細(xì)程度密切相關(guān),圖中實(shí)線為決策平面,虛線上的樣本為支持向量,若取值較大,空間映射維度過(guò)高,SVM易出現(xiàn)過(guò)擬合現(xiàn)象;反之則易發(fā)生分類準(zhǔn)確率較低的情況,誤判一些特征相似樣本,因此選擇合適的核函數(shù)參數(shù)gamma數(shù)值對(duì)提高SVM的性能很關(guān)鍵.

圖4 SVM參數(shù)對(duì)算法性能的影響Fig.4 The effect of the parameters of the SVM

此外,懲罰因子c決定了支持向量和最優(yōu)分類超平面的距離,如圖4所示,當(dāng)數(shù)值c越大,模型對(duì)錯(cuò)誤分類的容忍程度越小,分類也越準(zhǔn)確,但其泛化能力會(huì)降低;c數(shù)值越小,模型的容錯(cuò)程度越高,對(duì)于測(cè)試樣本的判斷能力更差.因此選擇合適的參數(shù)對(duì)于提升模型的分類精度有重要的意義.

本文使用一種人工蜂群算法對(duì)于SVM的參數(shù)c和gamma進(jìn)行尋優(yōu),為SVM算法的準(zhǔn)確分類奠定基礎(chǔ).

人工蜂群算法模擬蜜蜂的采蜜過(guò)程,其中蜜源表示優(yōu)化問(wèn)題可能的最優(yōu)解,含蜜量代表解的適應(yīng)度,蜂群搜索蜜源的速度即優(yōu)化目標(biāo)的求解速度.

算法包括3類蜂群角色:引領(lǐng)蜂、偵察蜂和跟隨蜂.算法首先根據(jù)下式產(chǎn)生SN個(gè)初始解如下:

(16)

式中,f∈(1,2,…,M),fi,j為蜜源的第j維分量.

此時(shí)則有SN個(gè)引領(lǐng)蜂和蜜源.此時(shí)蜜源為M維向量Fi=(fi1,fi2,…,fiM,i=1,2,…,SN),M對(duì)應(yīng)優(yōu)化參數(shù)的數(shù)目,之后計(jì)算每個(gè)解所對(duì)應(yīng)的適應(yīng)度.

引領(lǐng)蜂在一定的概率下對(duì)記憶中的蜜源進(jìn)行領(lǐng)域搜索,若找到含蜜量更高的蜜源,則會(huì)用新蜜源位置代替舊蜜源位置,同時(shí)計(jì)算出新解的適應(yīng)度,否則保持原始位置不變.當(dāng)所有引領(lǐng)蜂完成搜索回到蜂巢,將搜索到的信息(蜜源位置和適應(yīng)度)傳達(dá)給跟隨蜂,跟隨蜂按照找尋到的信息按一定的概率去跟隨,并按照引領(lǐng)蜂的方式對(duì)記憶中的位置進(jìn)行改變并確認(rèn)新的蜜源的含蜜量.

(17)

式中fit代表第i個(gè)蜜源的適應(yīng)度值,表達(dá)式如下:

(18)

若某個(gè)蜜源Fi連續(xù)經(jīng)過(guò)給定的循環(huán)次數(shù)后一直未被替換,則該位置的蜜源將被放棄,同時(shí)此處的引領(lǐng)蜂將轉(zhuǎn)變?yōu)閭刹旆?該偵察蜂則重復(fù)式(16)隨機(jī)產(chǎn)生初始值以代替Fi,并計(jì)算出新蜜源的適應(yīng)度值,通過(guò)以上步驟完成了最優(yōu)參數(shù)的搜索.

4 實(shí)驗(yàn)驗(yàn)證

4.1 閉環(huán)數(shù)字仿真回路

為了對(duì)于所提算法進(jìn)行驗(yàn)證,本文建立了火箭系統(tǒng)閉環(huán)數(shù)字仿真回路,由其結(jié)構(gòu)如圖5所示.

圖5 閉環(huán)數(shù)字仿真回路示意圖Fig.5 Schematic of a closed-loop digital simulation

閉環(huán)數(shù)字仿真回路由慣導(dǎo)、制導(dǎo)、控制、發(fā)動(dòng)機(jī)、執(zhí)行器和動(dòng)力學(xué)6個(gè)模塊組成,控制模塊接收事先設(shè)定的程序角指令,輸出發(fā)動(dòng)機(jī)擺角控制指令至舵機(jī)系統(tǒng),舵機(jī)系統(tǒng)輸出發(fā)動(dòng)機(jī)真實(shí)擺角送至動(dòng)力學(xué)模塊進(jìn)行動(dòng)力學(xué)和運(yùn)動(dòng)學(xué)的解算.通過(guò)閉環(huán)數(shù)字仿真回路可以實(shí)現(xiàn)數(shù)據(jù)的生成與故障數(shù)據(jù)的獲取,為后文的算法驗(yàn)證提供基礎(chǔ).

4.2 實(shí)驗(yàn)數(shù)據(jù)集

本文利用數(shù)字仿真平臺(tái)結(jié)合故障注入的數(shù)據(jù)對(duì)于所提算法進(jìn)行了驗(yàn)證.通過(guò)數(shù)字仿真平臺(tái)模擬火箭的主動(dòng)段飛行,考慮到角速度、過(guò)載參量與火箭所受外力有著明確的數(shù)學(xué)關(guān)系,而發(fā)動(dòng)機(jī)指令擺角作為控制系統(tǒng)的核心參數(shù)與當(dāng)前的姿態(tài)控制效果直接相關(guān),選取飛行狀態(tài)可測(cè)參數(shù)與控制系統(tǒng)指令參數(shù)構(gòu)成如下飛行狀態(tài)數(shù)據(jù)集:

X={ωx,ωy,ωz,ny,nz,δφ,δψ,δγ}

(19)

其中ωx,ωy和ωz代表三軸角速度,ny,nz代表法向過(guò)載和軸向過(guò)載,δφ,δψ和δγ代表三通道的指令擺角.

在火箭閉環(huán)控制仿真系統(tǒng)中分別注入推力異常和執(zhí)行機(jī)構(gòu)卡死故障,開展算法仿真.推力異常故障表達(dá)式如下:

(20)

其中Δ代表故障因子.

執(zhí)行機(jī)構(gòu)卡死故障表達(dá)式如下:

(21)

式中Cδ代表某一發(fā)動(dòng)機(jī)擺角卡死的角度.

將數(shù)據(jù)集在LSTM-AE模型中進(jìn)行重構(gòu),與實(shí)際信號(hào)相比,得到殘差信號(hào).本節(jié)以動(dòng)力系統(tǒng)推力損失故障為例,為了體現(xiàn)模型的泛化效果,在訓(xùn)練集中選取推力損失10%的數(shù)據(jù)集,測(cè)試集中選取推力損失20%的數(shù)據(jù)集,重構(gòu)算法效果如圖6所示.

圖6 lstm-ae重構(gòu)參數(shù)圖(推力損失10%)Fig.6 lstm-ae reconfiguration parameters

由圖6可見,自編碼器在正常的前600 s可以捕捉到飛行參數(shù)的特征并完成重構(gòu),在異常階段則不能完成信號(hào)的重構(gòu),因此通過(guò)殘差信息即可表征故障的發(fā)生.

將殘差信息輸入ABC-SVM模型中,經(jīng)過(guò)蜂群優(yōu)化算法,可得最優(yōu)參數(shù)c=84.201 9,gamma=89.543 6.將本文所提算法與LSTM預(yù)測(cè)-ABC-SVM分類算法、LSTM預(yù)測(cè)-SVM分類算法對(duì)比,用混淆矩陣表示分類結(jié)果如圖7所示.

針對(duì)動(dòng)力系統(tǒng)異常的監(jiān)測(cè)算法評(píng)價(jià)指標(biāo)如表1所示,在多分類問(wèn)題中,將動(dòng)力系統(tǒng)故障視為一類,正常和執(zhí)行機(jī)構(gòu)故障視為另一類,據(jù)此轉(zhuǎn)化為二分類問(wèn)題計(jì)算評(píng)價(jià)指標(biāo).

表1 算法性能指標(biāo)對(duì)比(動(dòng)力系統(tǒng)異常監(jiān)測(cè))Tab.1 Performance comparison of each algorithm

由圖7和表1可見,本文所提的算法針對(duì)動(dòng)力系統(tǒng)異常,相對(duì)于傳統(tǒng)的LSTM預(yù)測(cè)生成殘差或改進(jìn)前的SVM算法,性能都有一定的提升,在復(fù)雜的數(shù)據(jù)類型中可以準(zhǔn)確地利用飛行量測(cè)信息及控制系統(tǒng)信息定位動(dòng)力系統(tǒng)的異常.

5 結(jié) 論

本文針對(duì)弱觀測(cè)條件下的火箭動(dòng)力系統(tǒng)異常監(jiān)測(cè)問(wèn)題,從火箭數(shù)字閉環(huán)仿真回路中選取飛行狀態(tài)信息,構(gòu)建故障數(shù)據(jù)集;然后利用LSTM-AE模型對(duì)于飛行狀態(tài)數(shù)據(jù)集進(jìn)行重構(gòu)生成故障特征;接著使用人工蜂群優(yōu)化的支持向量機(jī)算法對(duì)于殘差數(shù)據(jù)集進(jìn)行分類以實(shí)現(xiàn)動(dòng)力系統(tǒng)異常監(jiān)測(cè);最后利用數(shù)字仿真平臺(tái)結(jié)合故障注入生成的數(shù)據(jù)對(duì)于所提算法進(jìn)行了驗(yàn)證,結(jié)果顯示本文所提算法能夠利用飛行狀態(tài)參數(shù)及控制系統(tǒng)參數(shù),基于分類算法實(shí)現(xiàn)動(dòng)力系統(tǒng)的異常監(jiān)測(cè),且監(jiān)測(cè)準(zhǔn)確率優(yōu)于傳統(tǒng)的基于預(yù)測(cè)的異常監(jiān)測(cè)方案.

本文所提算法只針對(duì)推力損失這一種典型故障進(jìn)行了研究,后續(xù)將深入開展動(dòng)力系統(tǒng)其他故障情形下的異常監(jiān)測(cè)與診斷問(wèn)題.