基于故障分辨能力的火箭发动机测量参数选择方法

doi:10.7527/S1000-6893.2023.28522

流体力学与飞行力学

本期目录 | 过刊浏览 | 高级检索

前一篇 | 后一篇

基于故障分辨能力的火箭发动机测量参数选择方法

张效溥(), 任枫, 徐鹏里, 李志敏, 宿彩虹

上海宇航系统工程研究所，上海 201109

收稿日期:2023-02-02 修回日期:2023-03-13 接受日期:2023-04-21 出版日期:2023-06-29 发布日期:2023-06-27
通讯作者: 张效溥 E-mail:earoke@163.com

Selection method of measuring parameters for rocket engine based on fault recognition

Xiaopu ZHANG(), Feng REN, Pengli XU, Zhimin LI, Caihong SU

Shanghai Aerospace System Engineering Institute，Shanghai 201109，China

Received:2023-02-02 Revised:2023-03-13 Accepted:2023-04-21 Online:2023-06-29 Published:2023-06-27
Contact: Xiaopu ZHANG E-mail:earoke@163.com

摘要/Abstract

摘要：

针对液体火箭发动机测量参数选择这一难题，提出一种基于模型的、提高故障分辨能力和系统可靠性的液体火箭发动机测点选取方法。基于发动机系统非线性静态特性数学模型，建立常见发动机故障下的故障特征库，并采用飞行数据验证其准确性；分别基于凝聚层次聚类算法、蒙特卡洛方法和失效模式影响分析（FMEA）构建了发动机测量特征子集的故障分辨种类数、鲁棒性和系统可靠性3种评价指标，并基于改进的多目标二进制粒子群算法（MOBPSO）开展优化设计。优化后的测点排布，可分辨故障从9种提高到13种，鲁棒性与原排布相当，风险指数略有上升；进一步探究了副系统混合比在故障分辨中的重要作用并分析其机理。本文提出的方法对其他复杂、闭环动力系统测量特征的选择具有较好的应用价值。

关键词: 液体火箭发动机, 基于模型方法, 测点选择, 粒子群优化, 凝聚层次聚类, 主成分分析

Abstract:

To address the problem of measuring parameters selection of liquid rocket engines， we propose a model-based method to improve fault recognition and system reliability. The nonlinear and static mathematical model of the engine system is built， the fault feature list metrics of fault recognition， robustness and system reliability of the engine measurement feature subset are then established respectively， and the optimization design is proposed based on the improved multi-objective binary particle swarm optimization （MOBPSO）. With the optimized measuring parameters， the number of distinguishable faults has increased from 9 to 13， the robustness is equivalent to the original layout， and the risk criterion has increased slightly. The important role of the subsystem mixture ratio in fault recognition is further explored and its mechanism analyzed. The method proposed in this paper has a good application value for the selection of measurement characteristics of other complex， closed-loop dynamic systems.

Key words: liquid rocket engine, model-based method, measuring parameters selection, particle swarm optimization, agglomerative hierarchical clustering, principal component analysis

中图分类号:

V434+.11

张效溥, 任枫, 徐鹏里, 李志敏, 宿彩虹. 基于故障分辨能力的火箭发动机测量参数选择方法[J]. 航空学报, 2023, 44(22): 128522-128522.

Xiaopu ZHANG, Feng REN, Pengli XU, Zhimin LI, Caihong SU. Selection method of measuring parameters for rocket engine based on fault recognition[J]. Acta Aeronautica et Astronautica Sinica, 2023, 44(22): 128522-128522.

图/表 15

表1

故障模式及定义方式

故障类型	故障模拟方式	故障的数学定义	故障系数取值范围/%
泄漏故障	管路、阀门泄漏点下游流量q'为上游流量q的ζ_x倍（ζ_x<1）	$q' = ζ x q$	0~30
堵塞故障	节流元件堵塞点流阻系数k'为设计值k的ζ_d倍（ζ_d>1）	$k' = ζ d k$	100~3 000
转子效率下降（结构破坏、碰磨）	涡轮、泵转子效率η'为设计值η的ζ_e倍（ζ_e<1）	$η' = ζ e η$	70~100
入口压力异常	入口压力p $o'$ 为设计值p_o的ζ_o倍（ζ_o<1）	$p o' = ζ o p o$	90~120

表1

图1

图2

表2

表3

图3

图4

图5

图6

图7

表4

图8

图9

图10

图11

参考文献 24

1	MAUL W A， KOPASAKIS G， SANTI L M， et al. Sensor selection and optimization for health assessment of aerospace systems［J］. Journal of Aerospace Computing， Information， and Communication， 2008， 5（1）： 16-34.
2	郑帅，王子涵，赵浩然，等. 基于差分进化算法的飞机油量传感器布局优化方法［J］. 航空学报， 2022， 43（8）： 125809.
	ZHENG S， WANG Z H， ZHAO H R， et al. Layout optimization method of aircraft fuel gauging sensor based on differential evolution algorithm［J］. Acta Aeronautica et Astronautica Sinica， 2022， 43（8）： 125809 （in Chinese）.
3	JUNG K， YANG J， LEE S， et al. Design optimization of fuel sensor location in aircraft conformal fuel tank［J］. Journal of the Korean Society for Aeronautical & Space Sciences， 2018， 46（4）： 332-337.
4	PEREIRA J L J， FRANCISCO M B， DE OLIVEIRA L A， et al. Multi-objective sensor placement optimization of helicopter rotor blade based on Feature Selection［J］. Mechanical Systems and Signal Processing， 2022， 180： 109466.
5	OMATA N， SATOH D， TSUTSUMI S， et al. Model-based supervised sensor placement optimization to detect propellant leak in a liquid rocket engine［J］. Acta Astronautica， 2022， 195： 234-242.
6	徐敏强，宋其江，王日新. 基于可观测性和可靠性的传感器分布优化设计［J］. 宇航学报， 2010， 31（11）： 2618-2622.
	XU M Q， SONG Q J， WANG R X. Optimization design of sensors location based on fault observability and reliability［J］. Journal of Astronautics， 2010， 31（11）： 2618-2622 （in Chinese）.
7	杨冬健，靳小波，杨占才，等. 基于MINLP模型的航空液压系统传感器布局优化［J］. 测控技术， 2020， 39（5）： 49-53.
	YANG D J， JIN X B， YANG Z C， et al. Optimization of sensor layout in aero-hydraulic system based on MINIP model［J］. Measurement & Control Technology， 2020， 39（5）： 49-53 （in Chinese）.
8	张笑华，吴圣斌，方圣恩，等. 采用Pareto人工鱼群算法的结构健康监测传感器位置多目标优化［J］. 振动工程学报， 2022， 35（2）： 351-358.
	ZHANG X H， WU S B， FANG S E， et al. Multi-objective sensor optimal placement for structural health monitoring based on Pareto artificial fish swarm algorithm［J］. Journal of Vibration Engineering， 2022， 35（2）： 351-358 （in Chinese）.
9	LI B B， LI D S， ZHAO X F， et al. Optimal sensor placement in health monitoring of suspension bridge［J］. Science China Technological Sciences， 2012， 55（7）： 2039-2047.
10	LIU K， YAN R J， GUEDES SOARES C. Optimal sensor placement and assessment for modal identification［J］. Ocean Engineering， 2018， 165： 209-220.
11	KONG X D， CAI B P， LIU Y H， et al. Optimal sensor placement methodology of hydraulic control system for fault diagnosis［J］. Mechanical Systems and Signal Processing， 2022， 174： 109069.
12	LI B B， DER KIUREGHIAN A. Robust optimal sensor placement for operational modal analysis based on maximum expected utility［J］. Mechanical Systems and Signal Processing， 2016， 75： 155-175.
13	LI B， ZHAO Y P， WU H， et al. Optimal sensor placement using data-driven sparse learning method with application to pattern classification of hypersonic inlet［J］. Mechanical Systems and Signal Processing， 2021， 147： 107110.
14	BŁACHOWSKI B， ŚWIERCZ A， OSTROWSKI M， et al. Convex relaxation for efficient sensor layout optimization in large-scale structures subjected to moving loads［J］. Computer-Aided Civil and Infrastructure Engineering， 2020， 35（10）： 1085-1100.
15	TARAVATROOY N， NIKOO M R， HOBBI S， et al. A novel hybrid entropy-clustering approach for optimal placement of pressure sensors for leakage detection in water distribution systems under uncertainty［J］. Urban Water Journal， 2020， 17（3）： 185-198.
16	MORLIER J， BASILE A， CHIPLUNKAR A， et al. An EGO-like optimization framework for sensor placement optimization in modal analysis［J］. Smart Materials and Structures， 2018， 27（7）： 075004.
17	沈赤兵. 液体火箭发动机非线性静特性与响应特征［M］. 北京：科学出版社， 2019.
	SHEN C B. Nonlinear static characteristics and response characteristics of liquid rocket engines［M］. Beijing： Science Press， 2019.
18	GENTLE J E， KAUFMAN L， ROUSSEUW P J. Finding groups in data： An introduction to cluster analysis［J］. Biometrics， 1991， 47（2）： 788.
19	JAIN A K， MURTY M N， FLYNN P J. Data clustering： a review［J］. ACM Computing Surveys， 31（3）： 264-323.
20	DAVIES D L， BOULDIN D W. A cluster separation measure［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1979（2）： 224-227.
21	DUNN J C. Well-separated clusters and optimal fuzzy partitions［J］. Journal of Cybernetics， 1974， 4（1）： 95-104.
22	PEDRASA M A A， SPOONER T D， MACGILL I F. Scheduling of demand side resources using binary particle swarm optimization［J］. IEEE Transactions on Power Systems， 2009， 24（3）： 1173-1181.
23	黄洋，鲁海燕，许凯波，等. 基于S型函数的自适应粒子群优化算法［J］. 计算机科学， 2019， 46（1）： 245-250.
	HUANG Y， LU H Y， XU K B， et al. S-shaped function based adaptive particle swarm optimization algorithm［J］. Computer Science， 2019， 46（1）： 245-250 （in Chinese）.
24	陈贵敏，贾建援，韩琪. 粒子群优化算法的惯性权值递减策略研究［J］. 西安交通大学学报， 2006， 40（1）： 53-56， 61.
	CHEN G M， JIA J Y， HAN Q. Study on the strategy of decreasing inertia weight in particle swarm optimization algorithm［J］. Journal of Xi’an Jiaotong University， 2006， 40（1）： 53-56， 61 （in Chinese）.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

故障发生概率评级	不同严酷度评级下的风险指数
故障发生概率评级	Ⅰ 灾难的	Ⅱ 致命的	Ⅲ 严重的	Ⅳ 轻度的
A级（P>10^-1）	1	3	7	13
B级（10^-2<P≤10^-1）	2	5	9	16
C级（10^-4<P≤10^-2）	4	6	11	18
D级（10^-6<P≤10^-4）	8	10	14	19
E级（P≤10^-6）	12	15	17	20

测量方式	故障模式	局部影响	最终影响	严酷度	可能性	风险指数
氧化剂喷注前压力传感器	氧化剂外漏	推力室性能降低	入轨精度降低	Ⅲ	E	17
转速线圈	元器件失效	转速线圈测量功能失效	对飞行无影响	Ⅳ	D	20

序号	权重取值	I₁	I₂
1	ω=0.9	4.53	50.15
2	ω=0.4	4.60	47.35
3	自适应权重	4.47	44.05

[1]	董蒙, 谭永华, 何闯, 邢理想, 赵瑞国. 发动机泵后模拟供应系统频率特性的液流激励试验[J]. 航空学报, 2023, 44(9): 127419-127419.
[2]	项乐, 许开富, 陈晖, 李随波, 张凯, 刘诗鑫. 液体火箭发动机涡轮泵低温空化实验研究进展[J]. 航空学报, 2023, 44(7): 27131-027131.
[3]	何晓煦, 雷沛, 潘登, 杨阳, 李现坤, 邓珍波. 基于PSO与WSVD的飞机部件位姿拟合方法[J]. 航空学报, 2023, 44(7): 427162-427162.
[4]	贺媛媛, 杨炫, 韩慧, 王琦琛, 张航. 基于蜻蜓翅几何及刚度相似性的仿生扑翼结构[J]. 航空学报, 2023, 44(14): 227987-227987.
[5]	杜大华, 李斌. 液体火箭发动机结构动力学设计关键技术综述[J]. 航空学报, 2023, 44(10): 27554-027554.
[6]	郭琪磊, 桑为民, 牛俊杰, 袁烨. 复杂气象条件下考虑结冰风险的无人机飞行策略[J]. 航空学报, 2023, 44(1): 627518-627518.
[7]	尧少波, 蒋励剑, 赵文文, 卢铮, 吴昌聚, 陈伟芳. 耦合聚类的数据驱动稀薄流非线性本构计算方法[J]. 航空学报, 2022, 43(S2): 40-53.
[8]	汪广旭, 谭永华, 庄逢辰, 陈建华, 杨宝娥, 洪流. 喷注流强分布对高频纵向燃烧不稳定性抑制效果[J]. 航空学报, 2022, 43(9): 126018-126018.
[9]	邵怡韦, 陈嘉宇, 林翠颖, 万程, 葛红娟, 石智龙. 小训练样本下齿轮箱故障诊断:一种基于改进深度森林的方法[J]. 航空学报, 2022, 43(8): 625429-625429.
[10]	梁涛, 崔朋, 成鹏, 李清廉, 张彬, 宋杰. 压比对文氏管汽蚀动态过程演变的影响[J]. 航空学报, 2022, 43(3): 125212-125212.
[11]	崔朋, 宋杰, 李清廉, 陈兰伟, 梁涛, 孙郡. 电动泵压式液氧煤油变推力火箭发动机动力学建模与仿真分析: Part I-单点工况分析[J]. 航空学报, 2022, 43(1): 124884-124884.
[12]	奚之飞, 徐安, 寇英信, 李战武, 杨爱武. 基于PCA-MPSO-ELM的空战目标威胁评估[J]. 航空学报, 2020, 41(9): 323895-323895.
[13]	林家泉, 孙凤山, 李亚冲, 庄子波. 基于IPSO-Elman神经网络的飞机客舱能耗预测[J]. 航空学报, 2020, 41(7): 323614-323614.
[14]	阚平, 姜兆亮, 刘玉浩, 王振武. 多植保无人机协同路径规划[J]. 航空学报, 2020, 41(4): 323610-323610.
[15]	刘一鸣, 盛文, 胡冰, 张磊. 相控阵雷达长时跟踪波束调度与波形优化策略[J]. 航空学报, 2020, 41(3): 323519-323519.

基于故障分辨能力的火箭发动机测量参数选择方法

Selection method of measuring parameters for rocket engine based on fault recognition

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 24

相关文章 15

编辑推荐

Metrics

本文评价