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AR/CGARCH模型的液体火箭发动机自适应阈值故障检测算法

为了解决传统自适应阈值算法对时间序列方差跟踪能力不足,以及故障阶段带宽自动放大的问题,提出了紧广义自回归条件异方差（Compact General Auto-Regressive Conditional Heteroskedasticity,CGARCH）模型。针对液体火箭发动机稳态试车数据的波动性特点,提出一种基于自回归（Auto-Regressive,AR）模型和CGARCH模型的自适应阈值故障检测算法。采用AR模型对稳态参数的均值进行估计,并采用CGARCH模型对稳态参数的方差进行估计,从而利用均值和方差的估计值自适应地构造检测阈值。用某氢氧火箭发动机的热试车数据进行验证,结果表明,该算法能够准确、快速、灵敏地检测液体火箭发动机故障,在正常工作阶段,能够有效跟踪数据波动性,在故障阶段,能够避免阈值变宽带来的漏检。     

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。     

液体火箭发动机健康监控──故障检测与诊断

以大型液体火箭发动机故障诊断系统框架为基础，按照发动机不同工作阶段的特点建立了相应的故障检测与诊断算法。利用发动机的高队数学模型，对基于推广的卡尔曼滤波器技术的新息检测算法进行了研究。根据发动机系统工作过程的特点，建立了降阶故障模式响应模型，并发展了相应的故障模式检验方法。为了适应在线实时检测的需要，利用发动机的试验数据，分别研究了基于人工神经元网络辨识模型的发动机启动过程检测算法和基于时间序列分析方法的发动机主机工作过程检测算法。通过试验数据的检测验证，证明了这些实时算法的快速性、准确性和鲁律性。     

液体火箭发动机故障检测的阈值估计研究

采用区间估计方法选取故障检测阈值,进而以此阈值为标准监测液体火箭发动机的工作情况。基于分离识别信号的概率密度函数还讨论了故障分离的最优阈值问题。某大型液体火箭发动机的热试车数据分析表明:置信区间估计技术可以有效用于发动机故障检测。      

液体火箭发动机故障数据库的设计与实现

讨论了液体火箭发动机故障数据库的设计思路及实现途径,以国内２１种液体火箭发动机试车及发射数据为基准,建立了初步的故障数据库,重点介绍了故障数据库的功能设计,结构设计和开发环境等内容。     

基于小波理论的液体火箭发动机试验数据噪声处理

1引言液体火箭发动机试验(也称发动机试车)的主要目的之一,就是为了获得发动机各类参数的大量数据,因为这些数据是验证发动机设计理论,研究发动机工作性能的重要依据[1]。稳态参数是液体火箭发动机试验的主要检测参数。在工程实践中,经常认为稳态参数是变化缓慢的参数,常采用降     

液体火箭发动机基于时序分析的实时在线故障检测算法

针对液体火箭发动机主级稳态工作过程，采用时间序列分析理论，提出并实现了一种基于ＡＲＭＡ模型计算残差自相关函数置信区间检验的故障检测策略。经大量发动机实际热试车数据验证表明，本文所实现的故障检测算法是十分有效的。这一结果可望直接应用于工程。     

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。     

神经网络在液体火箭发动机故障检测中的应用(Ⅰ)非线性辨识技术

应用ＢＰ神经网络,提出了一种液体火箭发动机故障实时检测系统。它采用非线性辨识技术,在建立发动机数学模型和输出包含故障信息的监视指标信号之后,用阈值线与监视指标比较,从而预报发动机故障。液体火箭发动机启动与稳态过程的试验数据检验表明：基于非线性辨识技术的故障检测系统性能优越。     

基于人工噪声神经网络BP算法的火箭发动机故障仿真与检测

研究了用于液体火箭发动机故障仿真与故障检测的神经网络ＢＰ算法。在ＢＰ算法中采用了加噪声等技术来避免系统误差陷入局部极小，训练出精度高（误差小于０．０２）的神经网络，试验表明：神经网络ＢＰ算法成功地用于故障仿真与故障检测。     

液体火箭发动机地面试车故障检测的自适应阈值算法

提出一种自适应阈值故障检测算法,其检测阈值由实时估计的参数均值、标准差及由训练算法得到的带宽系数计算。用某发动机22次点火试验的试车数据进行离线故障检测,结果表明其综合性能优于红线系统和SAFD算法。     

涡轮泵试车数据单类支持向量机检测算法

为了在缺乏故障样本的情况下检测某型液体火箭发动机涡轮泵故障,实现基于不完整信息的状态决策,建立了基于v-支持向量分类器的单类支持向量机新异类检测模型。在分析了模型决策边界、支持向量和约束条件之间关系的基础上,为单类支持向量机引入并改进了序贯最小优化算法,提高了训练效率,解决了大样本训练问题。通过对某型液体火箭发动机涡轮泵历史试车数据的分析,结果表明,所建模型的训练速度得到了很大提高,对涡轮泵状态的检测效果良好。     

SENSOR FAILURE DETECTION AND SIGNAL RECOVERY BASED ON BP NEURAL NETWORK

Manyhighpefformancecontrolsystemsmusthavefauhtolerantabilityagainstsensorfailures.Theapplicationofprevioussensorfailuredetectinnmethods,mostlybasedonanalyti-calredundancy['Jlislimitedbecausetheyrequireaprecise.mathematicalmedel.BPneuralnetwork(BPNN)isabletolearnanycomplicatedcontinuousnonlinearfunctions,therefore,itcanbeusedtodetectsensorfailuresandrecoverthesignalforthefailedsensor'Recentpubli-cationshavedemonstratedtheuseofBPNNfordetectingsomkindofsensorfailuresandre-coveringthefailedsen…     

ENGINE SENSOR FAULT DIAGNOSIS USING MAIN AND DECENTRALIZED NEURAL NET WORKS

ＡｎａｌｙｔｉｃａｌｒｅｄｕｎｄａｎｃｙｔｅｃｈｎｉｑｕｅｓｓｕｃｈａｓｅｘｔｅｎｄｅｄＫａｌｍａｎｆｉｌｔｅｒ，ｃｏｍｐｏｎｅｎｔｓｔｒａｃｋｉｎｇｆｉｌｔｅｒａｎｄｓｏｏｎｃａｎｄｅｔｅｃｔ，ｉｓｏｌａｔｅａｎｄａｃｏｍｍｏｄａｔｅｆａｉｌｕｒ...     

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。      

基于神经网络补偿的室内无人机组合导航系统

针对无人飞行器在环境特征突变情况下数据融合的可靠性大幅下降问题，提出了神经网络预测补偿的组合导航算法。首先利用扩展卡尔曼滤波和粒子滤波对激光、光流等传感器得到的数据进行融合，然后采用径向基函数（RBF）神经网络对粒子滤波前后的误差进行预测。当激光数据可靠时，RBF神经网络进行训练学习模式，当激光数据中断或者不可靠时，利用训练后的模型对系统进行误差补偿。利用无人飞行器在室内环境下进行定点和轨迹实验，结果表明补偿后的位置导航信息能够明显降低激光数据不可靠时带来的定位误差。     

故障诊断的神经网络多重模型自适应方法

将神经网络与故障诊断的多重模型自适应方法相结合,提出了故障诊断的神经网络多重模型自适应方法,并对某型航空发动机控制系统传感器故障进行诊断仿真。仿真表明,该方法能够用来解决具有模型不确定性系统的故障诊断问题,同时,对未知的故障模态具有自学习能力     

基于自组织映射网络的故障诊断推理方法研究

从故障诊断基本形式出发，结合飞机刹车系统故障的各类特点，研究了基于Kohonen自组织映射网络理论的故障推理模型，并且应用到起落架刹车系统故障诊断中。该方法只需选择听，具有代表性的故障样本训练神经网络，他将代表故障的信息输入给训练好的神经网络，根据神经网络的输出结果，就可以判断出发生故障的类型。该模型除能识别已训练过的故障，还能识别未训练过的故障，并且聚类能力强，速度快，因此，很符合复杂系统的故障诊断。     

基于RBF神经网络的液压位置伺服系统故障诊断

针对液压系统的非线性、时变、流固耦合的特点,提出双级径向基函数(Radial Basis Function,RBF)神经网络模型实现液压伺服系统故障检测与定位.采用第1级RBF网络作为液压伺服系统的故障检测滤波器,通过实际系统与RBF观测器输出的残差实现液压伺服系统故障检测.利用第1级RBF观测器的输出残差和网络结构参数,应用第2级RBF网络实现液压伺服系统典型故障定位.针对K均值聚类算法收敛速度慢的缺点,提出了改进K均值聚类算法和学习速率自适应调整算法,利用网络优化结构参数和学习率,加快神经网络收敛速度,减少运算量.实验结果表明,利用双级RBF神经网络能够有效地检测出液压位置伺服系统的故障,并能实现系统的故障定位.