數(shù)據驅動的運載火箭氧渦輪泵異常分析方法

王 冠，王婧雨，劉巧珍，宋征宇

(1. 北京宇航系統(tǒng)工程研究所，北京 100076; 2. 中國運載火箭技術研究院，北京 100076)

0 引 言

氧渦輪泵作為火箭發(fā)動機的心臟，在航天領域起著至關重要的作用。因此，對于氧渦輪泵進行健康監(jiān)測是一項非常必要的研究。

發(fā)動機健康監(jiān)測分為啟動階段監(jiān)測與穩(wěn)態(tài)過程監(jiān)測。利用氧渦輪泵的轉速及相關的流量、壓力、溫度等緩變參數(shù)信號，建立設備的運行模型，用于檢測啟動過程設備的異常狀態(tài)，對于發(fā)動機穩(wěn)態(tài)過程可結合時域、頻域以及時頻域特征用基于神經網絡或相似模型的方法進行系統(tǒng)的研究，在此基礎上總結形成能夠明顯表征氧渦輪的運行異常與特性退化的精確模型。最終使用真實數(shù)據監(jiān)測發(fā)動機啟動狀態(tài)下氧渦輪泵的異常狀態(tài)。

然而氧渦輪真實數(shù)據存在數(shù)據量大，數(shù)據參數(shù)多，工況復雜，標簽模糊不完整的問題，導致許多有監(jiān)督的機器學習模型在真實數(shù)據上的應用受到限制。因此無監(jiān)督學習逐漸被應用到工業(yè)設備的故障監(jiān)測診斷以及健康監(jiān)測上。而模糊聚類是將模糊數(shù)學理論與無監(jiān)督學習中的聚類方法相結合的一種數(shù)據分析算法，在工業(yè)設備的故障檢測診斷應用中大放光彩。文獻[1]提出了一種結合模糊聚類和協(xié)同訓練的軸承故障識別方法，通過對樣本進行模糊聚類選擇無標記樣本,然后再用加權K近鄰算法對多個分類器分類不一致的無標記樣本重新分類并進行協(xié)同訓練，有效解決了有監(jiān)督模型訓練時無標記樣本無法被有效利用而導致其所隱藏的空間有序性信息利用度低的問題。文獻[2]提出了一種基于模糊聚類的電子設備故障診斷方法針對電子裝備多個傳感器狀態(tài)信息采用模糊聚類的方法進行融合，進而對于觀測數(shù)據運用模糊聚類方法進行故障診斷,推理故障模式的方法，有效解決多傳感器采集的數(shù)據異構異源，且存在錯誤數(shù)據，數(shù)據缺省的問題。文獻[3]提出了一種基于多維退化特征和Gath-Geva模糊聚類算法的技術，經過實驗證明該方法能夠準確聚類軸承等機械設備的退化情況。文獻[4]提出了一種利用變分模態(tài)分解(Variational mode decompo-sition, VMD)和改進模糊聚類算法相結合的機械故障診斷新方法，用于解決工業(yè)設備軸承故障振動信號具有強噪聲、非線性、非平穩(wěn)特性并致使故障特征信息難以提取的問題。另外相比傳統(tǒng)的聚類方法，文獻[5]指出模糊聚類利用隸屬度來進行聚類,避免了非此即彼的判別方法，適于應對真實場景中工業(yè)設備故障的多樣性、復雜性，以及不同類型故障響應數(shù)據存在重疊而導致的故障的不確定性難題。

另外，氧渦輪真實數(shù)據為時序數(shù)據，而LSTM網絡被廣泛應用于時序數(shù)據的分析和預測。由于LSTM網絡能夠通過門來控制信息參數(shù)的傳輸狀態(tài)，使網絡能夠記住重要的信息，過濾遺忘掉相對冗余的信息，從而能夠比傳統(tǒng)循環(huán)神經網絡有著更好的表現(xiàn)，也因此LSTM網絡在時序預測領域占據著重要的地位。許多學者都嘗試利用LSTM網絡應用在工業(yè)設備的故障預測中去，文獻[6]提出一種基于時序數(shù)據對工作面設備進行故障預測的方法，該方法將故障預測因素作為LSTM預測模型的輸入、故障模式作為輸出，將遲滯時間段引入LSTM預測模型，實現(xiàn)了遲滯性故障的超前預測。文獻[7] 提出一種基于S-時間熵和LSTM的軸承早期故障預測方法，通過S-時間熵刻畫軸承性能退化，再采用LSTM網絡對滾動軸承早期故障階段進行預測。文獻[8]通過對歷史監(jiān)測數(shù)據進行訓練學習，建立風電齒輪箱正常運行時的油溫監(jiān)測LSTM模型，通過對預測殘差進行評估計算設定相應的檢測閾值；然后通過模型殘差分析和閾值比較實現(xiàn)齒輪箱故障狀態(tài)的檢測和預測。文獻[9]在數(shù)據驅動的往復式壓縮機設備故障預測應用中，通過對比BP、RNN、LSTM三種網絡的預測效果，得出LSTM的預測準確率最高。

縱觀國內外的火箭發(fā)動機故障檢測技術研究進展，從最傳統(tǒng)的紅線閾值檢測與報警的方法發(fā)展到基于數(shù)據驅動的神經網絡故障檢測方法。傳統(tǒng)的紅線閾值檢測與報警的方法是根據歷史數(shù)據確定閾值范圍，該方法難以發(fā)現(xiàn)隱性的安全隱患，而且受歷史經驗影響。而基于數(shù)據驅動的神經網絡故障檢測方法則更加高效智能，但這方法對于數(shù)據的需求較高，不但需要大量的數(shù)據進行訓練，而且對數(shù)據標簽的要求也較高，準確完善的數(shù)據標簽更有利于提高神經網絡故障檢測方法的準確率。然而真實的火箭發(fā)動機監(jiān)測數(shù)據往往缺乏準確完善的數(shù)據標簽，這成為火箭發(fā)動機故障檢測技術研究的一大難點。

本研究提出了一種基于模糊聚類和LSTM網絡的氧渦輪泵數(shù)據異常分析方法。首先通過模糊聚類對工況復雜，標簽不完整的數(shù)據樣本進行預分類，并將分類結果與真實標簽進行比對調整，得到完整的標簽并且能分析特征貢獻度，為之后LSTM網絡的特征篩選和訓練打下基礎。之后通過LSTM網絡對氧渦輪泵數(shù)據進行預測，并自動計算誤差閾值來判斷試車異常，再進行正反測試驗證異常閾值判據的可靠性，實現(xiàn)了氧渦輪泵數(shù)據驅動的自動故障檢測預警，且相較于紅線閾值檢測方法準確率提升7%。

1 算 法

本研究提出一種基于模糊聚類特征分析與LSTM預測模型相結合的氧渦輪燃氣路數(shù)據異常分析流程，算法具體流程如圖1所示。在數(shù)據層，首先對于氧渦輪真實數(shù)據進行數(shù)據預處理，將數(shù)據進行規(guī)范化，構建統(tǒng)一的數(shù)據存儲模式并整理缺省值和不完整標簽，以便之后進行數(shù)據分析處理。在分析層，通過模糊聚類的方法對預處理后的數(shù)據樣本進行預分類，并通過與已有的真實標簽比對，分析不同參數(shù)在異常分析中的貢獻度，同時對缺失的標簽進行一個合理的完善，以支持下一步的LSTM預測訓練。在特征層，根據模糊聚類分析特征貢獻度的結論，對數(shù)據進行進一步的特征提取，特征提取包括時域特征提取和EEMD分解。在預測層，將數(shù)據按不同工況分別用LSTM網絡進行時序預測。在判據層，將預測結果與真實數(shù)據進行比對，計算預測誤差均值，并根據誤差采用非超參數(shù)閾值計算來獲取閾值判據，用于氧渦輪設備故障預測。最后通過正反測試，分別利用正常車次和異常車次進行訓練，然后將測試的故障檢測結果和真實標簽對比來驗證閾值判據的可靠性和可行性。

圖1 氧渦輪泵數(shù)據異常判據分析流程Fig.1 Analysis flow of oxygen turbopump data anomaly criterion

1.1 數(shù)據層

數(shù)據預處理的目的主要是為了將異源異構的數(shù)據進行劃分和統(tǒng)一，使其規(guī)范化，構建統(tǒng)一規(guī)范的數(shù)據庫，以便于后面的數(shù)據處理。數(shù)據預處理也會影響后續(xù)數(shù)據分析的結果，預處理也是數(shù)據分析的重要步驟之一。數(shù)據預處理步驟包括啟動穩(wěn)態(tài)數(shù)據劃分、工況劃分、樣本分割、參數(shù)預篩選。

1)啟動穩(wěn)態(tài)數(shù)據劃分

由于發(fā)動機啟動過程的特性涉及發(fā)動機本身幾大組件及試車臺液路系統(tǒng)和控制系統(tǒng)的瞬態(tài)特性，其描述十分復雜、加之啟動過程的隨機干擾比較嚴重，物理模型預測準確率偏低，和穩(wěn)態(tài)過程的數(shù)據呈現(xiàn)出不同的時空特性，所以有必要將啟動數(shù)據和穩(wěn)態(tài)數(shù)據劃分開，以便于對啟動數(shù)據和穩(wěn)態(tài)數(shù)據分別進行分析。

2)工況劃分

穩(wěn)態(tài)數(shù)據又可以分為高工況、中工況、低工況，不同工況的緩變參數(shù)數(shù)據會呈現(xiàn)不同時域特征，所以也有需要對其進行劃分，分別分析。

3)樣本分割

樣本分割的主要目的在于擴充樣本，由于氧渦輪泵真實數(shù)據存在試車次數(shù)少，試車時間長的特點。以某型號大推力液體火箭發(fā)動機第19臺設備試車數(shù)據為例，一共有6次試車，而每次試車時長在500 s左右，測點采樣頻率為100 Hz，所以導致數(shù)據呈現(xiàn)樣本數(shù)量少，單個樣本包含數(shù)據多的特點，而樣本數(shù)量少容易造成分類結果容易受偶然性干擾，而單個樣本數(shù)據量大則會造成數(shù)據分析時計算資源消耗大，計算時間長的問題。因此我們采用數(shù)據滑動窗口的方法對數(shù)據進行樣本分割，增加樣本數(shù)量，減少單個樣本的數(shù)據量。

4)參數(shù)預篩選

數(shù)據預處理中的參數(shù)預篩選與特征層的特征篩選不同，參數(shù)預篩選不考慮特征貢獻度，只是為了處理缺省值造成樣本選取的參數(shù)不同導致其無法進行聚類或神經網絡訓練。通過數(shù)據整理，我們最終選定以下四項氧渦輪燃氣路緩變參數(shù)進行重點分析：燃氣發(fā)生器室壓()，燃氣噴嘴壓力()，氧渦輪入口壓力()，氧渦輪出口壓力()。

1.2 分析層

主要采用模糊C均值聚類(FCM)對數(shù)據進行分析。由于氧渦輪真實數(shù)據存在標簽不完整的問題，這就導致有監(jiān)督學習的應用受到限制。而模糊C均值聚類是一種無監(jiān)督學習方法，不依賴于數(shù)據標簽，而且相較于傳統(tǒng)的聚類方法，像K-means聚類，F(xiàn)CM提供了更加靈活的聚類結果。FCM對每個對象和每個簇賦予一個權值，叫隸屬度，用于指明對象隸屬于該簇的程度。算法的目標是最小化目標函數(shù)：

(1)

(2)

(3)

FCM算法給每個樣本賦予屬于每個簇的隸屬度函數(shù)。通過隸屬度值大小來將樣本分為C類，由于要進行異常分析，所以我們分為兩類，正常和異常。詳細算法步驟如下：

1)初始化隸屬度矩陣，初值隨機生成；

3)更新隸屬度矩陣：

5)輸出，終止程序。

1.3 特征層

特征層主要負責特征提取，根據模糊聚類分析得出的特征貢獻度結論，我們對數(shù)據進行進一步的特征篩選，挑選出與異常關聯(lián)性強的特征。然后進行特征提取，特征提取包括時域特征提取和EEMD分解。

時域特征提取指的時對每一項參數(shù)時序數(shù)據進行計算得到標準差、偏度、波形因子、峰值因子、裕度因子，并將其作為時域特征。計算共識如下：

標準差：

(4)

偏度：

(5)

波形因子：

(6)

峰值因子：

(7)

裕度因子：

(8)

在目標識別領域常使用多尺度的特征圖來預測目標，其使用具有較大感受野的高層特征信息預測大的物體，具有較小感受野的低層特征信息預測小目標。借助多尺度模型的思想，在故障識別上用EEMD模態(tài)分解將數(shù)據分解為主趨勢和局部波動分別進行預測，最終將預測結果進行特征融合以實現(xiàn)故障診斷。其思路如圖2所示：

圖2 基于多尺度特征的故障診斷Fig.2 Fault diagnosis based on multi-scale features

經驗模態(tài)分解(EMD)是對非平穩(wěn)信號進行分析的方法，它將信號分解為本征模態(tài)函數(shù)(IMF)和余量，自適應地表示信號中的局部特征和全局趨勢。EEMD的原理是進行多次重復EMD分解信號的過程，在每次分解過程中都向原始信號加入零均值、固定方差的白噪聲，有效地解決了模態(tài)混疊現(xiàn)象。

1.4 預測層

LSTM網絡常用于時間序列的預測，通過比較預測序列和實際值的誤差是較為流行的故障檢測方法。在對復雜系統(tǒng)進行監(jiān)測時，上百個傳感器參數(shù)的期望值隨環(huán)境因素和工況的變化而變化，對這些傳感器參數(shù)的自動監(jiān)測需要一種快速、通用和無監(jiān)督的方法來確定預測值是否異常。一種常見的方法是對過去平滑誤差的分布進行高斯假設。然而，當參數(shù)假設被違反時，這種方法便不再適用，因此無需對參數(shù)分布做出假設的就能有效識別異常的方法更為通用。基于距離的方法雖然無須對參數(shù)做出假設，但其通常涉及較高的計算成本。此外，這些方法往往更關注的是發(fā)生在正常值范圍內的異常。在故障的檢測中，異常高或異常低的平滑預測誤差是值得關注的?；贚STM網絡和自適應閾值的故障檢測方法為每一次預測值()計算預測誤差：

()=|()-()|，

所有的誤差形成一個一維向量=[-,…,-1,]，其中為用于評估當前誤差的歷史誤差值個數(shù)。然后對誤差集進行平滑處理，以抑制基于LSTM的預測經常出現(xiàn)的誤差峰值(即使這種行為是正常的，也會導致誤差值的急劇峰值)。然后使用指數(shù)加權平均(EWMA)產生平滑誤差。為了評估數(shù)值是否為標稱值，我們?yōu)樗鼈兊钠交A測誤差設置一個閾值，平滑誤差高于閾值的值對應的值被分類為異常。

算法的流程如下：

1)LSTM網絡學習時序數(shù)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(shù)據計算閾值

5)平滑誤差高于閾值的值對應的值被分類為異常

1.5 判據層

判據層需要根據預測層的預測結果與真實數(shù)據的誤差獲取閾值判據。為了定性形成閾值計算方式，我們采用了非超參數(shù)的閾值計算方法，其步驟如下：

1)LSTM學習時序數(shù)據做預測，計算單個樣本點點的預測誤差。

(9)

2)每次取時間長度為的值進行異常檢測。

=[(-),…,(-1),()]

(10)

3)對誤差做加權平均的平滑處理。通過加權平均(EWMA)對誤差做平滑處理來抑制LSTM預測中常出現(xiàn)的誤差峰值。

(11)

該閾值計算方式計算的閾值經測試能準確判斷發(fā)次是否存在故障。閾值計算方式具體如下：

1)首先通過計算誤差的均值和方差得到一系列閾值集合：

(12)

其中,()為均值，()為方差。

2)從閾值集合中挑選一個閾值：

(13)

式中：為均值，為方差，

||為異常值連續(xù)序列的個數(shù)。

2 實 驗

此次實驗主要采用某型大推力液體火箭發(fā)動機氧渦輪緩變參數(shù)進行數(shù)據分析實驗。其中某型大推力液體火箭發(fā)動機第16臺設備試車2次，經下臺分解檢查均正常；某型大推力液體火箭發(fā)動機第19臺設備試車6次，前4次試車均正常關機，試車后下臺分解檢驗設備正常，然后在未更換重新組裝后(除軸承、螺釘螺母等分解必換件外)又進行了2次試車均正常關機，再次分解后發(fā)現(xiàn)氧渦輪泵盤軸存在裂紋。因此可判斷第6次試車異常，第5次試車無法判斷；某型大推力液體火箭發(fā)動機第32臺設備共試車6次，第6次試車中途發(fā)動機執(zhí)行自動緊急關機，試車分解后發(fā)現(xiàn)氧渦輪泵盤軸存在裂紋，因此判斷某型大推力液體火箭發(fā)動機第32臺設備第6次試車無法判斷，前五次試車無法判斷。

此次試驗主要采用以下四項參數(shù)來進行實驗分析，燃氣發(fā)生器室壓()，燃氣噴嘴壓力()，氧渦輪入口壓力()，氧渦輪出口壓力()。這四項參數(shù)為氧渦輪緩變參數(shù)，采樣頻率為100 Hz。其中燃氣發(fā)生器室壓力傳感器測點位于燃氣發(fā)生器身部，測量精度分別為±0.7%，±2%；燃氣噴嘴壓力傳感器測點位于主燃氣噴嘴前總裝導管，測量精度為±0.7%；氧渦輪入口壓力傳感器測點位于氧渦輪進氣殼體上，測量精度分別為±0.7%，±2%；氧渦輪出口壓力傳感器測點位于氧渦輪排氣殼體上，測量精度為±0.7%。

2.1 模糊聚類特征分析

此次實驗我們在樣本分割時選擇滑動窗口的時長為5 s，步長為5 s。因為經過比對，窗口滑動步長對于實驗分析的影響不大，而時長如果過大，會導致數(shù)據樣本數(shù)量減少，而時長過短會導致樣本喪失一些時空特征，從而造成聚類分析結果產生干擾。

首先我們通過工況劃分將不同工況的數(shù)據進行分析，模糊聚類將樣本聚類為兩簇，根據每個樣本在兩簇中的隸屬度權值按投票制將樣本歸為其中一簇，即樣本屬于隸屬度高的一簇。以下是某型大推力液體火箭發(fā)動機第19臺設備6次試車的氧渦輪出口壓力參數(shù)不同工況的模糊聚類分析結果：

圖3 某型大推力液體火箭發(fā)動機第19臺設備不同工況數(shù)據模糊聚類分析結果Fig.3 Results of fuzzy clustering analysis under different working conditions of the 19th oxygen turbopump of a large-thrust liquid launch vehicle engine

其中，樣本真實標簽用不同圖例表示，包括正常，異常和無法判斷三類樣本。通過模糊聚類分析結果可得中工況數(shù)據分析結果最吻合某型大推力液體火箭發(fā)動機第19臺設備前四次試車正常，第5次試車無法判斷，第6次試車異常的真實標簽。

然后通過模糊聚類分析某型大推力液體火箭發(fā)動機第19臺設備中工況不同參數(shù)數(shù)據，此次實驗重點分析的參數(shù)包括燃氣發(fā)生器室壓()，燃氣噴嘴壓力()，氧渦輪入口壓力()，氧渦輪出口壓力()。以下是不同參數(shù)模糊聚類分析結果。

圖4 某型大推力液體火箭發(fā)動機第19臺設備中工況不同參數(shù)模糊聚類分析結果Fig.4 Results of fuzzy clustering analysis of different parameters in medium working conditions of the 19th oxygen turbopump of a large-thrust liquid launch vehicle engine

通過比對不同參數(shù)模糊聚類分析結果可得氧渦輪入口壓力，氧渦輪出口壓力兩項參數(shù)的分析結果最符合某型大推力液體火箭發(fā)動機第19臺設備的真實標簽。

因此通過模糊聚類分析，最終得到以下兩個結論：1)對于標簽不明確的某型大推力液體火箭發(fā)動機第19臺設備第5次試車，模糊聚類分析結果表明該次試車數(shù)據特征與第6次試車更為接近，因此可判斷第5次試車為異常；2)經模糊聚類結果與真實標簽比對，可判斷中工況氧渦輪入口壓力，氧渦輪出口壓力兩項參數(shù)對于異常分析的貢獻度較大，為之后的LSTM故障預測提供了參數(shù)篩選方案。

2.2 LSTM預測模型檢測故障

首先我們需要構建LSTM故障預測模型。在模糊聚類中已知氧渦輪入口壓力()，氧渦輪出口壓力()兩項參數(shù)對于異常分析的貢獻度較大，我們將燃氣路、渦輪泵數(shù)據中5個高相關參數(shù)變量作為輸入，氧渦輪出口壓力參數(shù)作為輸出，以此來構建LSTM網絡模型。

LSTM網絡結構由三個網絡單元(Cell)以及一個全連接層(Dense)構成。全連接層最終的輸出維度設定是1維，也即所需要的預測數(shù)據結果。訓練過程優(yōu)化器采用Adam，損失函數(shù)為均方誤差(MSE)，學習率為0.001，訓練迭代次數(shù)為30個全數(shù)據集(epoches)，批尺寸(batch_size)為32。

將某型大推力液體火箭發(fā)動機第19臺設備前3次試車作為訓練樣本訓練LSTM故障預測模型，后3次試車作為測試樣本。以下是LSTM故障預測模型對于氧渦輪出口壓力()測試樣本的擬合結果：

對預測擬合結果進行預測誤差的量化分析，某型大推力液體火箭發(fā)動機第19臺設備6次試車的誤差均值依次為0.0273、0.0385、0.0485、0.0361、0.0897、0.1004，可以看出#19-5，#19-6有最大的誤差均值，且#19-5與#19-6正常發(fā)次能有較好的區(qū)分。

為了進一步驗證上述結果，展開了反測試來補充實驗。以上試驗采用某型大推力液體火箭發(fā)動機第19臺設備前3次試車作為訓練樣本，也就是將正常車次作為訓練樣本，稱為正測試。之后我們采用異常車次做為訓練樣本進行預測，稱為反測試。反測試預測將誒過誤差均值見表1。

表1 第19臺設備試車正反測試預測誤差均值Table 1 The mean of positive and negative detection prediction errors of the No.19 oxygen turbopump test run

根據正反測試預測誤差的量化分析結果，發(fā)現(xiàn)可以通過設定閾值的方法對異常車次進行判斷。然而若進行人工設定閾值，不僅會導致人工介入影響流程自動化，還會導致主觀影響最終故障預測的準確性。所以為了減少人工介入，我們采用非超參數(shù)閾值計算方法來確定閾值判據。

圖5 LSTM故障預測模型預測Peto參數(shù)擬合結果Fig.5 Fitting results of Peto parameters predicted by LSTM fault prediction model

為了驗證非超參數(shù)閾值計算方法的可靠性，我們采用#19-1試車數(shù)據來計算閾值，并對某型大推力液體火箭發(fā)動機第19臺設備6次試車進行故障檢測。以下是采用LSTM預測誤差閾值判斷異常的實驗結果：

從該實驗結果來看，計算的預測誤差閾值能比較有效地檢測異常試車。為了進一步試驗在其他車次的情況下是否也能同樣適用，我們對第32臺設備試車也進行了同樣的試驗，實驗結果如下：

表2 以#19-1試車計算閾值檢測第19臺設備試車異常結果Table 2 Abnormal detection results of No.19 oxygen turbopump detected with the threshold of #19-1 test run calculation

表3 以#32-1試車計算閾值檢測第32臺設備試車異常結果Table 3 Abnormal detection results of No.32 oxygen turbopump detected with the threshold of #32-1 test run calculation

在第32臺發(fā)動機的試驗中雖然存在誤報的情況，但不存在漏報的情況。最后為保證在跨車次的情況下，LSTM預測誤差閾值判斷試車異常的可靠性，我們采用某型大推力液體火箭發(fā)動機第16臺設備所有試車樣本#16-2，#16-3作為正常訓練樣本訓練LSTM模型，然后對某型大推力液體火箭發(fā)動機第19臺設備和第32臺設備試車樣本進行測試，檢測異常，試驗結果表明，在跨車次的情況下，LSTM預測誤差閾值判斷試車異常方法依然有著很好的表現(xiàn)，能夠正確的區(qū)分出正常車次和異常車次。

最后將模型與在實際工程應用中仍被廣泛使用的紅線閾值檢測方法作比較，比對結果如下表所示：

表4 紅線閾值檢測方法與FCM-LSTM故障檢測模型實驗結果比對表Table 4 Comparison between the red line threshold detection method and FCM-LSTM fault detection model experimental results

結果表明，F(xiàn)CM-LSTM故障檢測模型相較于傳統(tǒng)的紅線閾值檢測方法準確率更高，準確率提高7%，大大減少了漏檢率。通過進一步分析檢測結果，發(fā)現(xiàn)紅線閾值檢測方法只能發(fā)現(xiàn)較為嚴重的故障，比如第19臺設備存在的隱性安全隱患較難發(fā)現(xiàn)。而FCM-LSTM故障檢測方法能提前檢測出發(fā)動機試車數(shù)據中潛在的隱患，及早預警。

綜合所有LSTM預測模型檢測故障試驗結果，表明成功構建并訓練了一個可以預測正常試車情況下氧渦輪泵參數(shù)特征的LSTM模型，可以利用預測模型模擬正常試車樣本氧渦輪泵參數(shù)變化，并通過與真實試車數(shù)據參數(shù)變化進行誤差均值計算，自動計算誤差閾值，來判斷試車是否發(fā)生異常，并報警提醒。在28車次真實液體火箭發(fā)動機試車數(shù)據中的表現(xiàn)相較傳統(tǒng)關鍵參數(shù)紅線閾值檢測方法，準確率提升從85.7%提升至92.8%，且漏檢率由66.7%降為0，為發(fā)動機預見性維修提供能力支撐。

3 結 論

本研究提出了一種基于模糊聚類和LSTM網絡的氧渦輪泵數(shù)據異常分析方法。首先運用模糊聚類算法對工況復雜、標簽不完整的數(shù)據樣本進行預分類，合理推斷出無標簽歷史數(shù)據的分類情況，并分析出氧渦輪入口壓力，氧渦輪出口壓力兩項參數(shù)對于異常診斷的貢獻度權重較高，為神經網絡預測模型選定擬合參數(shù)建立基礎。之后通過LSTM網絡對發(fā)動機健康情況進行預測，將燃氣路、渦輪泵等高相關參數(shù)變量作為輸入，將氧渦輪出口壓力參數(shù)作為輸出，對其進行預測擬合，并自動計算誤差閾值來判斷試車異常，再通過正反測試和跨車次試驗驗證提升異常閾值判據的可靠性。在真實發(fā)動機數(shù)據中的綜合表現(xiàn)優(yōu)于傳統(tǒng)方法，能夠更早、更準確、不漏檢的對異常征兆進行預警。

所以，該氧渦輪泵數(shù)據異常分析方法在液體火箭發(fā)動機實時故障診斷與健康管理的實際應用場景中能起到利用海量歷史數(shù)據挖掘潛在隱患、及早發(fā)現(xiàn)地面試車測試中的異常情況與趨勢的作用，為技術人員排查故障與預見性維修提供更為充足的時間，提前規(guī)避漸發(fā)故障與破壞性結構故障所帶來的巨大損失。

綜上所述，本研究實現(xiàn)了某型大推力液體火箭發(fā)動機氧渦輪泵數(shù)據驅動的自動故障檢測報警，不僅分析出了在氧渦輪異常分析中起重要判別作用的特征參數(shù)，而且該方法在大推力液體火箭發(fā)動機氧渦輪健康監(jiān)測系統(tǒng)中作為實時故障診斷功能模塊為整體系統(tǒng)提供異常檢測能力，為后續(xù)實現(xiàn)火箭啟動段牽制釋放和飛行在線重構提供可能。