关键词：
液体火箭发动机
动力学建模
故障注入
迁移学习
代价敏感
摘要：
液体火箭发动机在太空任务中的关键作用不可忽视,其性能高、工作可靠的特点使其成为航天领域不可或缺的动力源。由于其复杂的热流体动力学系统,液体火箭发动机在高温、高压、强氧化等极端环境下工作,导致其成为运载火箭中故障的敏感多发部位。发动机失效对航天任务的影响巨大,提高液体火箭发动机的安全性和可靠性至关重要,故障检测与诊断技术成为确保液体火箭发动机安全可靠运行的关键技术之一。液体火箭发动机工作环境的极端性质和试车成本的昂贵,传统实验方法难以构建完备的故障模式库。基于计算机仿真技术的模型驱动方法有着低成本、安全性高、泛化能力强的优点,为构建完备的故障模式库提供了有效思路。然而,液体火箭发动机故障模式复杂多变,仿真模型无法完全模拟实际运行工况,仿真与实际存在一定的差异;人工智能领域迁移学习方法能够利用相似域学习到的知识用于目标域的分类。因此,论文研究模型驱动液体火箭发动机小样本迁移故障诊断,对于提高液体火箭发动机故障样本稀缺情况下的诊断可靠性和准确性具有重要意义。
针对实际试车过程中故障数据缺少、故障模式与故障特征映射关系缺乏、故障难以复现等问题,建立液体火箭发动机动力学模型并在该正常模型基础上注入故障进行仿真构建故障数据库,有效克服了液体火箭发动机部分故障类型的数据样本不平衡以及数据缺少的问题。该方法根据液体火箭发动机运行原理以及部件之间的输入输出关系进行了模块化划分,并针对每个模块进行了动力学建模;调试连接每一个子模型,建立完整的火箭发动机模型。根据故障机理采用故障因子以及故障模型的方式在正常模型中注入转子卡滞、堵塞、泄漏等故障,通过时间信号控制模块控制故障在稳态运行过程中注入,记录故障发生时故障与故障表征之间的映射关系,建立故障模式库。最后,通过对比实际试车中故障征兆验证模型准确性和可靠性。
针对液体火箭发动机仿真模型与实际试车存在差异导致仿真数据难以直接用于实际诊断的问题,研究仿真数据与发动机实际试车数据的迁移学习方法,实现从大量仿真数据中学习故障特征用于实际诊断。对仿真数据和实际数据进行预处理,通过归一化和梯度化统一数据结构便于作为神经网络的输入;通过数据堆叠的方式将时序信号排列为二维图像的形式,采用二维卷积提取数据参数之间的关联特征;针对数据结构特性搭建了卷积神经网络以及长方形卷积核用于提取故障特征。采用大量仿真数据预训练源域神经网络,学习仿真数据中的故障特征;将预训练得到的源域神经网络中的参数迁移到目标域神经网络,分别冻结不同的神经网络层,采用少量实际数据对未冻结层进行微调以适应实际数据分布,得到最佳的分类诊断模型。通过实际数据组成的测试集对模型进行了验证,模型对于故障类别的分类准确率可达95%,并采用混淆矩阵和t-SNE图的形式可视化诊断结果验证模型的可靠性。
针对液体火箭发动机中样本类别之间误诊代价不同的问题,采用代价敏感的方法,基于类别之间不同的重要程度,使得迁移学习网络在训练时专注学习代价高的训练样本类别,通过惩罚对高代价样本的重度惩罚有效降低误诊率并提高诊断正确率。该方法基于贝叶斯最优决策理论对卷积神经网络中的多类别交叉熵损失函数进行修改,将成本矩阵系数分别注入到多类别交叉熵损失函数内和多类别交叉熵损失函数外进行训练对比;依据专家知识对不同样本类别进行重要程度划分,构建不同比例的成本矩阵,使得卷积神经网络在迭代训练时放大重要样本误诊项损失,依此惩罚误诊样本使得网络专注学习该样本类别的训练。通过训练比较得到最佳的成本矩阵注入位置以及成本矩阵内样本的比值关系,成本矩阵注入后模型对于故障类别的分类准确率提升到了97%,同时极大程度降低了误诊率。
开展液体火箭发动机冷却管路故障模拟实验。根据某型液体火箭发动机冷却管路供应系统设计原理简图,根据原理简图参考管路实验台搭建案例,定制管路元件搭建实验台,搭建的实验台能够实现泄漏、堵塞、阀门误动等故障的模拟。通过温度、压力、流量传感器采集指定位置参数;针对其结构建立相应的管路模型进行仿真,通过仿真和实验构造源域数据集和目标域数据集,验证迁移学习算法有效性。最后,采用某型液体火箭发动机真实试车数据对迁移学习算法的准确性和可靠性进行了验证。
欢迎来到三峡大学图书馆！
