基于自回归模型的自适应阈值算法

提出一种基于自回归模型的自适应阈值检测算法用于监测液体火箭发动机地面试验的稳态过程,该算法由两个阶段组成。第一阶段的检测算法阈值由不同试车台次的稳态参数测量值的自回归模型的估计值、标准偏差和带宽系数计算,第二阶段的检测算法阈值由稳态过程的参数均值的自回归模型的估计值、标准偏差和带宽系数计算。用某大型液体火箭发动机的地面试验数据进行验证,结果表明该算法能有效可靠地监测发动机的运行状态。      

液体火箭发动机参数计算及误差确定

通过地面试验取得的数据所建立的液体火箭发动机参数计算和误差确定的经验公式，在导弹飞行试验中，对发动机参数计算起重要作用。本文就发动机主要参数及误差的经验公式进行推导和确定。     

液体火箭发动机启动过程实时在线故障检测算法

利用神经网络技术实现了液体火箭发动机启动过程的非线性辩识；提出并实现了一种基于辩识误差检验的故障检测策略。经大量实际发动机热试车数据验证表明，所提出的检测算法十分有效。由于算法所利用的监测参数均系实际发动机地面试车中所测量的参数，且检测算法在线工作时计算量十分小，因而所提出并实现的检测算法可以直接应用于工程实际。     

神经元网络在液体火箭发动机健康监控中的应用

含有噪声的、正常和稳定的传感器数据训练 ART2神经元网络 ,用于液体火箭发动机( L RE)故障检测。每个传感器连续窗的功率谱输入 ART2神经元网络进行学习 ,试验学习好的神经网络 ,验证其能否有效地检测出发动机故障以及故障发生时间。传感器数据来自某变推力液体火箭发动机地面试车 RS61。试验结果表明 ,神经元网络显示的故障发生时间与试车后专家分析的故障开始时间相符     

涡轮泵实时故障检测短数据均值自适应阈值算法

为了实时监控液体火箭发动机涡轮泵的状态，提高其安全性，降低其故障带来的破坏程度，提出了短数据均值自适应阈值算法(SDM—ATA)，建立了实时故障检测的统计学模型、研究了阈值区间均值与方差的自适应计算及其带宽系数的自适应训练、故障综合决策逻辑，以及故障数据对阈值贡献的踢除等方法，并利用某型火箭发动机地面试车涡轮泵振动测量数据和某型转子试验平台实时测量数据对该算法进行离线和实时在线故障检测试验验证。结果表明，SDM—ATA没有发生误检测情况，并具有实时故障检测的能力。     

基于PXI的液体姿轨控火箭发动机试验测控系统设计与实现

针对液体姿轨控火箭发动机地面试验高精度、高风险和灵活多变的特点,设计研发了一套以PXI （PCI extensions for instrumentation）控制器为主体的发动机试验测控系统.控制系统拥有40路开关量控制能力,综合运用手动、时序和自动控制方式.测量系统拥有120路信号同步采集能力,具备故障诊断功能.测控系统软件使用LabVIEW开发,通用性良好.为增强控制可靠性,设计了面向工艺流程的试验面板,应用嵌入式控制,进行信号多级监测并引入紧急自动关机控制.为提高测量精度,对测量参数进行原位标定,提出了一种改进的干扰消除电路.该系统已多次成功应用于液体姿轨控火箭发动机地面试验,采用的设计方法有效地提高了测控系统的可靠性,测量精度和控制精度分别达到0.5%和0.1ms,能够充分满足多种类型的液体姿轨控火箭发动机对试验测控系统的要求.     

奇偶空间法用于液体火箭发动机故障诊断

基于液体火箭发动机系统测量输出之间的内在一致性,直接利用液体火箭发动机试车的测量参数, 采用奇偶空间方法对仿真的液体火箭发动机１６种故障进行分离, 结果证明该方法对实现液体火箭发动机故障诊断有较好的效果。     

液体火箭发动机故障检测与诊断的反向选择算法

基于生物免疫系统中的反向选择原理,提出了液体火箭发动机地面试车故障检测与诊断的新方法,对检测器的产生、检测器数量的确定以及故障诊断的实现等几个问题进行了分析。基于发动机地面试车数据的验证结果表明,该方法能有效提高算法的训练效率、实时性能和诊断结果的准确性。     

基于经验数据发动机故障检测方法

以液体火箭发动机整机试验、试车为目标，对发动机在研制过程中出现的各种故障进行了统计、归纳和分类。并按照目前液体火箭发动机试车测量参数的现状及不同的试车故障类型，制定了检测方法，也建立了故障分析模式。按照此种模式，在发动机未遭受到破坏之前及时停止试车，减少推进剂的浪费，使发动机的破坏尽可能地减到最少。     

基于误差预测修正的液体火箭发动机故障预测方法研究

为解决液体火箭发动机故障预测这一难题,提出一种基于误差预测修正的故障预测方法。在历史数据的基础上建立小波过程神经网络故障预测模型,同步计算学习样本的预测误差,根据上述误差建立双并联离散过程神经网络预测模型。预测时,将预测误差值实时补偿到小波过程神经网络预测模型以提高预测精度。通过液体火箭发动机地面试验中的涡轮泵数据对该方法进了验证。结果表明,该方法在预测精度和适应能力上较单一的过程神经网络预测模型有显著提高,进行10步预测时,预测值的标准化均方根误差为0.392,预测平均耗时为76ms,能够用于解决液体火箭发动机故障预测问题。     

涡轮泵振动参数与统计特征量的线性相关性分析

为了剔除冗余的振动参数和统计特征量，提高涡轮泵故障检测的实时能力，建立了线性相关性假设检验模型。利用该假设检验模型和某型液体火箭发动机的历史试车数据，检验了7路涡轮泵振动参数以及13种常用统计特征量的线性相关性，并分析了统计特征量对涡轮泵故障的敏感性和稳定性，以及涡轮泵振动数据的正态性。数据统计分析表明，大部分涡轮泵振动参数以及统计特征量显著线性相关，幅值统计特征量的故障敏感性弱，但稳定性强，而无量纲统计特征量的情况恰好相反，并且正常涡轮泵振动数据服从正态分布，而异常涡轮泵振动数据不再服从正态分布。据此，为涡轮泵故障检测选择了线性相关性弱，故障特征反映能力强的3路振动参数和3种统计特征量。     

高速涡轮泵实时振动监控算法与系统设计

涡轮泵是液体火箭发动机的故障高发部件之一,研究其实时振动监控算法及系统对提高发动机的可靠性与安全性具有非常重要的意义。在选择涡轮泵监控参数的基础上,深入研究涡轮泵实时故障检测算法,提出用于阈值更新的滑动样本递推方法,实现涡轮泵故障的自适应阈值检测,然后基于数字信号处理器设计涡轮泵新型实时振动监控系统,实现更高的处理速度,并满足小型化需求。     

SINS制导工具误差补偿研究

 针对现有SINS制导工具误差模型不能满足“天地一致性”的问题，提出了基于实际弹道数据的SINS制导工具误差补偿方法，即首先建立SINS制导工具误差模型，然后采用改进的特征值有偏估计方法(LRE)估计具有复共线性特性的误差模型，最后利用该误差模型对捷联惯性仪表进行误差补偿。半物理仿真试验的结果表明，高度通道的最大测量误差由补偿前的52米降低到补偿后的8米，其余通道的补偿效果类似。这证明了该误差模型的正确性和估计方法的有效性，为将来SINS制导工具误差补偿和提高SINS制导精度提供了充分的依据。     

某航空涡轴发动机健康状况监视与分析

为了及时掌握某涡轴发动机的健康状况，设计了机载发动机参数监视仪，发动机的热力参数，滑油参数及振动参数进行了监视，编制了地面分析软件，给出了用于诊断发动机单元体故障的测量参数和部件性能评估参数，探讨了利用故障因子概念诊断单元体故障的方法，运用发动机的实际无故障数据和模拟故障数据进行了仿真，结果表明，诊断结论可信，该系统在对役涡轴发动机的健康监视具有实用性。     

航空发动机电液伺服系统机载模型监控设计

为了监控航空发动机电液伺服系统中不易通过机内测试电路诊断的异常或故障,提出一种机载模型监控方法,采用AMESim工具进行系统的建模,之后对模型进行校准、实时化和线性化处理。在对监控算法进行了设计与仿真之后,用C代码编程实现了模型监控算法,并运行于发动机电子控制器中。对某发动机燃油计量装置的试验表明:机载模型监控可以有效监测系统中因元部件性能衰减、卡滞、零偏漂移等引起的异常或故障,并能补偿电液伺服阀的零偏漂移和容错运行,避免控制功能失效或过快降级。可为航空发动机及相关领域的电液伺服系统机载模型监控设计提供参考。     

涡轮泵实时故障检测的改进自适应相关阈值算法

1引言火箭发动机在飞行使用之前,需要分析试车振动数据以评估发动机的性能与状态[1]。涡轮泵是液体火箭发动机中最复杂故障概率最高的部件[2],而振动是涡轮泵故障的重要起因[3],因此,涡轮泵振动数据的分析显得尤为重要。目前,它的主要分析方法有时域统计[4]、频谱分析[5]、神经     

某型涡喷发动机状态监控与主要故障诊断系统方案

某型涡喷发动机技术水平低,可靠性和使用维修性差。在飞行过程中,时有喘振、超降转,自动停车等严重故障发生,地面又常常不能再现,难以分析故障原因,更谈不上预测故障。研制和发展状态监控与故障诊断技术,对模清故障的原因及规律,及时预报故障,避免大事故是必要的。它还可以提供机件使用情况的信息,以利由定时维修过渡到视情维修。