演化策略用于高维故障样本集最优统计聚类分析

针对液体火箭发动机推进系统超高维故障样本数据的聚类问题 ,提出基于演化策略的最优统计聚类算法。为预防算法过早收敛 ,演化策略采用了父本适应值的动态调整值与共享函数 ,并针对超高维数据聚类提出了控制参数的适应性调整技术 ;为使算法能最终跳出局部最优死区 ,提出算法的局部调整策略。该算法用于液体火箭发动机典型故障仿真数据集分析 ,并取得了最优聚类结果。此外 ,还基于IRIS数据集比较了该算法与FKCN模糊自主聚类算法。仿真分析表明了算法在高维数据聚类分析中的优点。     

基于综合模糊聚类算法的液体火箭发动机故障诊断

基于液体火箭发动机正常及故障状况数据的完备程度和数据质量的不断提高,提出一种基于数据驱动的综合模糊聚类算法用于故障诊断。采用模糊c均值(FCM)算法对已知正常样本数据进行聚类得到最优的聚类中心,将所得到的聚类中心作为先验样本数据用于传递闭包法最优分类结果的选择从而得到故障检测结果,该算法只需要少量的正常先验样本数据就能快速、准确的检测出故障;随后采用FCM算法进行故障分类,可以根据现有的故障数据库进行聚类得到对应的故障类型,并且可以给出故障幅值范围。模型仿真结果表明:该算法对故障的检测率可达968%,故障隔离率达到94%。某型液体火箭发动机实际试车数据结果表明:该故障诊断算法能够准确及时的检测并隔离出故障。     

GA—HCM混合聚类算法及其在液体火箭发动机故障检测中的应用

针对HCM聚类算法对初始值和学习参数具有较强依赖性的缺点，提出了GA－HCM混合聚类算法。应用改进的基因算法为HCM算法选取初始种子解，使滑动数据窗上的聚类算法以功能层次分明的“导师一学生”制智能结构出现，从而实现了“精”与“初”相结合的解空间搜索算法，使HCM聚类算法能较快收敛到问题的最优解。同时针对液体火箭发动机系统动力学的特殊性，利用我们提出的一种适用于离线或在线系统故障检测与诊断的算法框架，基于实际试车数据对GA－HCM混合聚类算法进行了准实时的数字仿真。仿真结果表明该算法基本上克服了HCM算法的缺点，能有效地用于液体火箭发动机的事后故障分析或在线故障诊断。该故障诊断框架能区分干扰噪声、永久性故障或间歇性故障所引起的异常数据现象，并能形成当前系统的故障特征模式。对缓变故障的早期检测能力使该算法框架极富应用前景。     

基于故障分辨能力的火箭发动机测量参数选择方法

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。     

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。     

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。     

基于模型的液体推进系统故障诊断算法

给出串联双涡轮结构以泵作为供应系统的液体火箭发动机系统故障仿真的准动态数学方法和基于灰色关联度分析的实时诊断算法。该算法对于调整计算确定的具体系统和预先设定的典型故障模式进行仿真计算、事先形成该发动机系统的故障模式样本集。试车时, 利用诊断算法对采集的发动机性能参数进行实时分析, 从而给出发动机所处的健康状况, 以便及时采取措施, 提高发动机的安全性和可靠性。      

基于信息压缩的四层前向网络模型体系结构及其应用

提出了一种基于信息压缩原理的四层前向网络体系结构,用以为液体火箭发动机部分参数建立网络模型。利用所选参数的时间序列对这些参数实现平滑、滤波与预测等处理,提高了基于试车数据驱动的故障监控系统对量测噪声、传感器故障与系统过程噪声的鲁棒性。该四层结构大大缩小了网络权值规模,网络模型的训练采用演化策略。     

基于增量式孤立森林的液体火箭发动机异常检测方法

为解决液体火箭发动机故障标签缺失条件下流数据无监督检测问题,以及满足不同发动机台次和不同工况的自适应检测需求,基于增量学习思想,提出了基于增量式孤立森林的异常检测算法。设计了多工况流数据检测条件下的在线更新策略、异常分数表达式,并通过更新停止策略避免故障数据对模型的污染。利用多台次试车数据对该模型进行验证,并与传统方法进行比较,结果表明,该算法能够对样本异常程度进行量化评价,能够有效检测早期缓变故障,其F₁指标较原始孤立森林算法提高了43%,检测及时性优于红线算法和自适应阈值算法。     

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。     

一种基于潜在语义索引的谱聚类方法研究

传统的文本聚类算法存在文本向量维度过高,算法易陷入局部最优问题。针对上述问题,提出了一种适用于文本的基于潜在语义索引的谱聚类方法,该方法应用了潜在语义索引和谱聚类方法的优点。不仅分析了词与词之间的语义关系,而且适用于任意形状分布的样拳数据聚类。针对航空安全报告的聚类实验表明,该方法取得了较好的聚类效果。     

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。     

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。     

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。     

弹道导弹总体参数的混合遗传算法全局优化

液体火箭发动机推进弹道式导弹总体设计参数的全局最优化问题是亟待解决的计算问题。遗传算法具有全局搜索能力强、鲁棒性强、适于并行处理的特点,而Powell算法具有很好的求解局部最优解的能力。将两种方法进行有效改进后使之相结合,设计出并行全局最优化混合遗传算法。并以此为基础,建立了液体火箭发动机推进弹道式导弹总体优化设计模型。以液体火箭发动机推进弹道式导弹的起飞质量最小为目标,对液体推进剂弹道式导弹设计参数进行了优化设计。数值优化结果表明:该混合算法提高了搜索全局最优解的速度,优化精度高,且避免了初值敏感、病态梯度和局部收敛等问题,能够搜索到全局最优设计参数。     

数据挖掘在运载火箭智能测试中的应用

针对运载火箭复杂系统的故障检测难以建立准确的数学模型的问题,研究了基于数据驱动的数据挖掘异常检测算法,对多种数据挖掘算法在运载火箭发动机异常检测的应用进行了研究和分析,提出了基于混合概率密度统计的多策略异常检测评价算法。该算法基于非监督学习的算法挖掘火箭发动机不同参数间的正常关联模型,火箭发动机早期的异常数据会引起正常关联模型的破坏,引入混合概率密度统计的多策略异常检测评价机制,可以有效屏蔽参数测量故障对系统故障检测的影响,从而更加准确给出系统异常程度。使用发动机历史试车数据作为样本进行特征模型的训练,使用一元、多元和混合概率密度模型对存在异常的发动机试车数据进行了实时异常检测的实验验证。实验结果表明,相比传统基于阈值和规则的异常检测算法,基于概率密度统计的多策略异常检测算法不仅可给出系统的正常和异常的状态,还可计算各参数和整个系统的异常值,为运载火箭进一步的故障诊断提供更加灵活的参考。     

基于混合知识模型和混合推理策略的液体火箭发动机智能故障诊断

以某大型泵压式液体火箭发动机为研究对象，围绕着发动机知识的统一处理、定性定量知识的集成与转化以及基于知识的智能故障诊断推理等技术和难点，研究发展了发动机基于混合知识模型和混合推理策略的智能故障诊断方法，并结合实际热试车数据和故障仿真实例进行了验证。研究结果对设计和实现工程实用的液体火箭发动机故障诊断系统具有重要的参考价值。     

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。     

基于数据融合的航空发动机多余度 智能传感器故障诊断

针对航空发动机多余度智能传感器故障诊断问题,提出一种基于数据融合的故障诊断方法。该方法采用改进的模糊C均值聚类算法对多余度传感器信息进行数据融合,将多余度敏感单元测量值划分为合适的几个类,然后根据少数服从多数的原则,选择含有最多敏感单元测量值的类的中心作为融合值,并通过计算各个敏感单元测量值与融合值之间的残差来监控传感器的故障情况。仿真结果表明,得到的融合值具有较高的精度,绝对误差在0.5℃以内,通过判断残差可完成传感器故障自检测与定位。     

基于模型的推进系统故障检测与诊断

针对泵压式供应系统液体火箭发动机的健康监控问题，提出了故障检测与诊断的基本框架，并讨论了基于发动机系统非线性数学模型，推广的卡尔曼滤波的故障检测方法的基于低阶线性模型的故障诊断方法。