液体火箭发动机地面试车实时故障检测参数的选取

合理有效的参数选择是液体火箭发动机地面试车实时故障检测系统的一个核心而基础的研究问题.本文首先进行了检测系统采集参数的需求分析;之后将液体火箭发动机测量参数作为方案层,各测量参数对发动机故障的敏感性、参数稳定性和参数相关性等作为准则层,测量参数对实时故障检测的有效性作为目标层,建立了液体火箭发动机参数选择层次结构模型;最后利用模糊层次分析法确定了某型LRE地面试车的实时故障检测参数.通过历史试车数据对参数选择的效果分析表明:所确定的检测参数能够全面表征LRE的运行状态,具有较强的故障表征能力和故障敏感性.从而,为科学合理的选择发动机地面试车实时故障检测参数提供了根据,解决了一直以来依靠定性方法确定发动机检测参数的问题.     

液体火箭发动机实时故障检测与报警原型系统的设计与实现

实现了液体火箭发动机启动和稳态工作过程故障检测的神经网络和统计算法,以及检测结果的综合决策与报警算法,并从系统硬件、软件结构和功能等方面设计建立了液体火箭发动机工作过程的实时故障检测与报警原型系统。试车数据验证考核结果表明,故障检测与报警系统能及时和准确地对发动机稳态和启动工作过程中的故障进行检测和报警,现已成为实验室级发动机故障检测与报警的演示与验证原型系统,并对实现未来箭载发动机工作过程实时在线故障检测与报警具有重要的工程应用价值。     

液体火箭发动机基于ATA算法的实时故障检测与报警系统实现

以平台液体火箭发动机为研究对象,改进和完善了用于发动机实时故障检测的自适应阈值门限算法（ATA算法）,提高了算法检测的适用性。然后,从健康监控系统的功能和要求出发,基于LabWindows／CVI实现了发动机地面试车的实时故障检测与报警系统。结合实际试车数据的检测结果表明,系统不仅能够及时地对异常试车数据进行检测报警,同时,对正常试车数据也没有误报警。     

基于决策树方法的液体火箭发动机稳态段故障诊断

以泵压式液体火箭发动机为研究对象,针对故障特征难以提取的问题,提出了在大量试车数据的基础上,应用决策树方法提取故障特征并进行稳态段故障检测与诊断的思路,对某型发动机大量热试车数据进行了实例分析,将得到的故障检测和诊断结果与神经网络等方法所得结果进行了比较。并利用仿真数据对该方法的性能进行了进一步验证。研究结果表明,决策树方法是一种有效、可靠的液体火箭发动机故障检测与诊断的新途径。     

液体火箭发动机地面试车实时故障检测算法

为了实时有效地检测液体火箭发动机地面试车中的故障,提出了改进自适应阈值算法(IATA)。讨论了自适应阈值算法(ATA)的原理,研究了其改进方法,提高了算法对故障的敏感性和对新试车数据的适用性。通过大量历史试车数据和实际热试车对IATA算法实时性和有效性的验证表明,IATA算法不仅能够及时地检测到异常试车的故障,同时,对正常试车也没有误报警,简洁有效,计算量小,检测速度快。因此,IATA算法适用于液体火箭发动机地面试车的实时故障检测。     

基于人工免疫的液体火箭发动机故障检测方法研究

为有效提高液体火箭发动机故障检测过程中的及时性、实时性及准确性,基于人工免疫系统中的阴性选择原理研究建立了液体火箭发动机故障检测的阴性选择算法与免疫实值算法,实现了液体火箭发动机稳态工作过程中的故障检测与报警。基于某大型泵压式液体火箭发动机实际试车数据的验证结果表明,研究建立的人工免疫故障检测方法能对发动机稳态工作阶段进行有效准确的故障检测与报警,相对以往传统的检测算法在故障检测时间上有了一定的缩短,对研究基于人工免疫的液体火箭发动机的故障检测与诊断系统提供了依据。     

液体火箭发动机分布式健康监控系统的分析与设计

以平台液体火箭发动机为对象,通过对数据采集、实时在线故障检测与报警、自动化数据管理、事后故障诊断与分析等功能、结构和模块的深入研究和分析,建立了液体火箭发动机分布式健康监控系统的总体框架与方案,实现了对发动机的分散监测和集中分析诊断功能,从而最大限度地利用计算机网络系统资源,为发动机的地面试车和在线运行提供实时准确的监控和诊断.     

改进SO优化KELM的液体火箭发动机故障检测

提出了一种ISO-KELM的液体火箭发动机故障检测模型。首先引入Tent混沌映射、动态策略和柯西变异3种方法对原算法进行改进。然后，采用改进后的蛇优化算法(ISO)对核极限学习机(KELM)惩罚因子和核函数参数进行寻优，构建了ISO-KELM液体火箭发动机故障检测模型。最后选取包含5种典型故障模式的某液体火箭发动机历史试车数据进行仿真。结果表明，ISO-KELM模型的故障检测准确率为95.2%,高于SO-KELM故障检测模型和传统BP神经网络故障检测模型，可有效检测火箭发动机的故障状态。同时也表明了ISO相比于SO,收敛速度更快，寻优精度更高。     

液体火箭发动机地面试车过程的实时故障检测方法研究

为解决液体火箭发动机地面试车过程中故障检测的及时性、实时性、可靠性和稳健性等关键问题,研究建立了稳态和启动工作过程实时故障检测与报警的自适应相关算法和包络线算法,并进行了大量试车数据的验证和地面试车的实时考核。结果表明,算法能对发动机启动和稳态工作过程中的故障及时准确地检测,并在地面试车的实时和强干扰环境下具有良好的可靠性和稳健性。研究结果对研制工程实用的我国运载火箭健康监控系统具有重要的理论和应用价值。     

火箭发动机涡轮泵故障检测及预测算法研究

涡轮泵作为液体火箭发动机的核心部件,恶劣的工作环境和极高的转速使其易发生组件断裂、烧蚀等问题。为了对液体火箭发动机的涡轮泵进行健康管理,提出针对某型液体火箭发动机涡轮泵的数据驱动故障检测、故障预测及健康状态评估方法。在某型液体火箭发动机试车数据集上,通过对涡轮泵轴、径、切向振动数据进行对应的时域、频域特征处理后,送入训练好的ResNet网络、自主设计的图像特征识别算法以及退化模式线性回归模型,分别实现了对该型液体火箭发动机涡轮泵的故障检测、预测及健康状态评估,具有较高的准确性。     

某型火箭发动机起动过程实时故障检测算法研究

以某型火箭发动机为研究对象,针对其起动工作过程,利用Matlab和LabWin-dows/CVI等编程语言,结合神经网络理论,开发了其起动工作过程的实时故障检测算法。使用了多次试车数据进行离线检验,结果证明该算法能够及时、有效地检测出该型火箭发动机起动过程的已有故障,并能够满足实时性的要求,没有出现误报警和漏报警。     

AIS在LRE故障检测与诊断中的应用研究

为提高液体火箭发动机(LRE)故障检测与诊断的及时性、实时性与准确性,将人工免疫系统(AIS)中的否定选择原理用于LRE的故障检测与诊断。基于正常状态与故障模式的人工识别球,采用最大相似原则,实现了LRE稳态工作过程中的故障检测与诊断,并用LRE稳态故障试车数据进行实验。验证结果表明:AIS对LRE故障检测与诊断的速度快,正确率与灵敏度高,捕获未知故障能力强,有良好的应用前景。     

基于相似匹配的液体火箭发动机故障模式挖掘

将时间序列相似性匹配方法引入到液体火箭发动机故障模式挖掘中。针对发动机试车数据的特点,提出了一种基于序变换的时间序列相似匹配算法。该算法具有对时间序列幅值和持续时间不敏感、抗噪声能力强等优点。对某型液体火箭发动机故障数据的相似匹配实验表明：该算法能够为液体火箭发动机的故障检测和诊断提供较好的技术支持。     

基于神经网络与自适应控制的系统重构方法

针对可重构飞行控制系统提出一种基于神经网络的抗扰动方法,其核心是运用神经网络的函数逼近能力去抑制非线性形式且动态特征未知的扰动。同时提出一种基于输入误差的自适应模型跟踪控制算法,可以保证系统在发生故障或局部损坏时的安全性和稳定性。将神经网络与自适应控制结合,从而降低扰动对故障检测和系统重构的影响,进而有效的降低故障误报率,提高系统的安全性。通过一个具体航空系统的仿真结果证实了该方法的有效性。     

一种基于遗传RBF神经网络的智能容错滤波算法

针对组合导航中标准卡尔曼滤波容错性能不足的问题,提出一种基于遗传RBF神经网络的智能容错滤波算法,其基本思想是通过RBF网络自动调节滤波增益来控制不确定性噪声的影响,进而提高滤波容错性。在RBF神经网络中,隐层单元与核函数宽度的选取对网络的性能具有重要影响,进而利用自适应遗传算法对其隐层单元数及核函数宽度进行了优化,隐层单元中心和输出层连接权值分别由K-均值聚类和最小二乘算法确定,最后得到精度较高且结构优化的RBF网络。为检验方法的应用效果,以SINS/GPS组合导航系统为例进行了仿真验证,实验结果表明遗传RBF网络容错滤波算法能在满足导航精度和计算量增加较小的前提下,比标准卡尔曼滤波具有更强的容错能力,由此也说明了方法的有效性。     

液体火箭发动机传感器故障检测与数据恢复算法研究

以某型液体火箭发动机为研究对象,根据其传感器的故障特性,提出了基于BP神经网络的传感器故障检测与数据恢复算法。通过定义的传感器置信度来判断传感器是否发生故障,以及确定故障传感器,利用已训练好的神经网络结构对故障传感器进行数据恢复。研究内容能够实现传感器的故障检测、定位与补偿,能够有效提高发动机故障检测方法的可靠性和鲁棒性。     

支持向量机用于液体火箭发动机的故障诊断

支持向量机（Support Vector Machine,简称SVM）是一种基于机器学习的模式分类算法,其在解决小样本、非线性及高维模式识别等问题中都表现出许多特有的优势。用SVM对液体火箭发动机的故障数据进行检测和诊断。通过对发动机仿真模型的9种故障数据的学习,能检测出18组故障数据中的17组,但有4组出现误报,对误报故障进行二次学习和再检测,能对这4种故障正确检测。经过对C75试车4种故障数据的学习,能正确检测其故障类型,进一步验证了该方法的正确性和可行性。