Methods of deep neural networks (DNN) such as convolutional neural network (CNN) and long short-term memory (LSTM) have been proposed as new solutions for the fault detection and identification (FDI) problems. The methods are robustness to the noise, capable of approximate high-dimensional nonlinearity, and cost-effective. In this study, we introduced a DNN method for FDI of a liquid-propellant rocket engine (LRE) during its early phase of startup transient. A numerical simulator that can describe the normal and abnormal startup transient of the LRE was developed and validated through comparison with actual hot-firing test data. A dataset representing 33 classes of faults during the startup transient of an open-cycle LRE was created using the simulator to train the DNN. The FDI problem is divided into two steps: fault detection step and fault classification step. The fault detection step provides the binary determination for the condition (normal or abnormal) of the LRE system. Then the fault classification step determines the fault type to which the current abnormality belongs. Each FDI step uses an LSTM forecasting model to take advantage of its ability to grasp temporal contexts for time series data. A CNNLSTM classification model was implemented by stacking the time series data into a two-dimensional image to extract the spatial correlations for the classification problem. A multivariate statistic (the Mahalanobis distance) is used to determine the normality of the experiment. The effectiveness of the proposed framework – particularly in comparison with the conventional red-line method – was demonstrated through a case study.
고장의 검출과 식별(Fault Detection and Identification, FDI)이라는 측면에서 컨볼루셔널 뉴럴네트워크(Convolutional Neural Networks, CNN)나 Long Short-Term Memory(LSTM) 기법과 같은 심층신경망(Deep Nueral Networks, DNN) 기법은 고차원의 비선형 함수 모사 기능뿐만 아니라, 비교적 빠른 모델의 진단 시간을 가져 각광을 받고 있다. 본 연구에서는 이러한 심층신경망 기법을 이용하여 고장에 민감한 액체로켓 엔진의 시동 과정에 있어서 고장 진단을 수행하는 방법을 제시하였다. 이를 위하여 1차원 시동 과정 해석 모델을 구축하였으며, 실제 연소시험 결과와의 비교를 통하여 모델의 정상 시동과정 및 비정상 시동과정 모사 능력을 검증하였다. 본 모델을 이용하여 33가지의 고장 상황에 대한 통계적 데이터를 몬테카를로 시뮬레이션을 통해 확보하였다. 엔진 시동 과정의 고장검출의 정확도를 높이기 위하여 고장 진단 과정을 고장검출(Fault Detection)과 고장식별(Fault Identification)로 나누고, 각각에 대해서 LSTM 예측 모델과 CNNLSTM 분류 모델을 구축하여, 시뮬레이션을 통해 얻은 데이터를 이용하여 학습하는 방안을 제안하였다. 이에 따라 고장검출 문제는 다변량 시계열 자료의 정상 혹은 비정상 판별의 이진분류 문제로 귀결되고, LSTM 예측모델로부터 비정상 상황을 예측하여 다변량 검증량을 이용하여 비정상 검출을 수행하는 알고리즘을 제안하였다. 제안된 LSTM 예측 모델 기반 고장검출 방법은 통상의 우주발사체용 엔진의 고장 검출에 활용되는 red-line 방법과 비교하였을 때 더 우수한 고장검출 성능을 보여줌을 확인하였다. 아울러, 고장식별에 있어서 다변량 시계열 데이터의 분류를 위한 CNNLSTM 모델을 제시하였으며, 다변량 시계열 데이터를 2차원 이미지화하여 학습에 활용하였다. 제안된 CNNLSTM 모델은 엔진 시동 과정의 시계열 정보에 고장 상황이 증상으로 충분히 반영되는 구간에서 고장 원인을 높은 정확도로 분류할 수 있음을 확인하였다.
