基于过程神经网络的液体火箭发动机状态预测

提出一种基于极限学习算法的离散过程神经网络模型,用于解决液体火箭发动机状态预测这一难题。首先,在历史数据的基础上建立离散过程神经网络（DPNN）预测模型;然后,根据在线更新的数据样本,采用递推极限学习（EL）算法对双并联前馈离散过程神经网络（DPFDPNN）隐层到输出层的权值进行更新,并应用权值更新后的过程神经网络对发动机状态进行预测;最后,以液体火箭发动机状态预测中氢涡轮泵扬程预测为例,分别采用有权值更新和无权值更新两种预测模型进行了试验。结果表明,通过更新过程神经网络权值可以使模型具有更高的预测精度和更好的适应能力,该方法能够为液体火箭发动机状态预测提供一种有效的解决途径。      

液体火箭发动机故障诊断器设计及其HIL验证

为了实现某型液体火箭发动机机载实时故障诊断,采用FPGA与DSP相结合的方式作为硬件架构设计了故障诊断器,其中FPGA控制高精度A/D转换器进行传感器数据采集,DSP运行故障诊断算法并将结果输出,对故障诊断器的硬件和软件分别进行了设计。提出了一种递归结构识别（RESID）算法用于液体火箭发动机故障诊断,该算法可在6 ms内诊断出流量衰减故障。搭建基于故障诊断器和工控机的硬件在环（HIL）试验平台,采用自动代码生成技术与手写代码结合的方式对RESID算法进行了试验验证,通过上位机界面进行观察。结果表明:RESID算法能准确地诊断出发动机常见的故障并在故障诊断器上实现,算法运行时间为3.9 ms,故障诊断器可以实现实时数据监测和故障诊断,相对于传统平台更加小型化和经济化,既可以作为机载装置使用,也可作为通用平台来开发新算法。      

液体火箭发动机涡轮泵转速处理方法研究

转速是液体火箭发动机试车的重要特征参数,通过讨论发动机即时转速的时域计数法、频谱最大法、相位残差等三种方法的优缺点以及误差分析,提出了将三种方法有机结合起来的综合算法,并将该方法应用到两种液体火箭发动机涡轮泵转速的处理中。实践证明,综合处理方法继承了各种方法的优点,避免了它们的缺点,具有工程实用价值。     

干扰因素对液体火箭发动机性能的影响

给出并改进了描述液体火箭发动机稳态工况的非线性数学模型；用修正的Ｇａｕｓｓ－Ｎｅｗｔｏｎ法求解各性能参数，分析了每个干扰因素分别对液体火箭发动机参数的影响，用非线性模型和小偏差方法对比分析了两个干扰因素分别和共同对发动机参数的影响；所得结论可用于发动机试验结果分析、发动机可靠性分析、发动机故障分析，也可用于揭示发动机参数随各种干扰因素的变化规律     

一种非线性系统集员辨识算法

针对带有未知有界噪声的非线性动态系统的鲁棒辨识问题,提出了一种新的非线性动态系统的集员辨识算法.利用径向基函数神经网络的逼近能力,根据系统的输入输出数据,选用径向基函数神经网络对未知非线性系统建模.径向基函数神经网络的中心被确定之后,考虑到建模误差与系统噪声有界,利用径向基函数神经网络为参数线性模型的特点,使用参数线性集员辨识算法辨识径向基函数神经网络的输出权值.由于集员辨识算法所得到的是网络输出权值的集合估计,在系统运行过程中,可以很方便地利用所建模型预测实际系统的输出范围.仿真表明,集员辨识算法辨识网络的输出权值比最小二乘法较少的受未知动态系统噪声分布的影响.     

一种改进的固液火箭发动机故障诊断方法

针对固液火箭发动机的可靠性问题，设计了一种改进的贝叶斯网络故障诊断方法，可以通过网络化自主逻辑推理，对固液火箭发动机进行故障诊断。为了提取时序观测信号的故障特征，提出将步进法与核主成分分析(KPCA)相结合的分析方法，并根据模糊C均值聚类算法(FCM)建立模糊多态贝叶斯网络，实现对观测信号尺度的模糊处理，提高对不确定性故障的诊断能力。通过Matlab/Simulink建立改进的贝叶斯网络故障诊断系统。仿真结果表明，改进的算法能够实现对固液火箭发动机常见故障的有效诊断，并能够适应小样本集学习的情况。与传统贝叶斯诊断算法相比，故障诊断的平均准确率提高了20.9%。     

航空发动机传感器与执行机构信息重构算法

为实现航空发动机传感器与执行结构在故障情形下的故障幅值估计及信息重构，缓解故障对发动机性能的影响，在已有故障检测和故障隔离算法的基础上，提出一种基于修正的广义似然比（GLR）方法的信息重构算法。针对某型民用涡扇发动机的传感器与执行机构发生恒偏差与漂移故障的情形下进行了仿真验证。结果表明:基于修正的GLR方法对传感器和执行机构恒偏差和漂移故障的故障幅值估计具有较高的精度，两种故障情形下故障幅值的估计值的均方根误差均不超过0.005，故障部件信息重构后故障对系统性能的影响得到有效缓解。      

进化策略在火箭发动机静态特性研究中的应用

建立了全流量补燃循环发动机的静态特性的数学模型.描述静态特性的数学模型是由一组非线性方程组成的.采用基于进化策略的进化算法求解全流量补燃循环发动机的静态特性方程,将该模型的非线性方程组求解问题转化为求带有约束的极小值的优化问题,建立了进化策略计算模型.讨论了进化策略算法在进化计算过程中使用的变异算子、重组算子和选择算子的设计,以及对约束条件的处理方法.数值计算的结果表明,利用基于进化策略的算法可以在较大范围内进行全流量循环液体火箭发动机的静态特性研究.     

推举长征火箭的不竭动力——航天推进技术研究院

航天推进技术研究院（中国航天科技集团公司第六研究院），位于古城西安，创建于1965年，是我国大型液体火箭发动机研制中心和液体火箭发动机专业抓总单位，被誉为“中国航天动力之乡”。     

小型固体运载火箭

运载火箭是把航天器送入太空的运输装备，也叫航天运载器。运载火箭的动力装置叫做火箭发动机。一般运载火箭由若干台发动机串联或并联组成。运载火箭发动机推进剂有固体和液体两种类型。如果一枚运载火箭的所有发动机部采用固体燃料，那么这枚火箭就是一枚固体运载火箭。     

基于数据挖掘技术的液体火箭发动机试验数据分析和处理

分析了数据挖掘技术的研究概况,研究了偏差检测、人工神经网络等数据挖掘方法,实现了挖掘方法在液体火箭发动机试验数据分析处理中的应用。最后,用某发动机试验数据进行了验证。     

基于模型诊断技术的神经网络实现方法

针对基于模型的故障诊断流程中故障检测和故障识别两个关键问题,提出了一种基于神经网络的实现方法.首先利用BP神经网络进行参数估计,并结合系统模型进行故障检测;然后采用ART2神经网络进行数据聚类,并基于聚类结果进行系统故障识别;最后,设计实现了基于BP/ART2神经网络的故障诊断系统.基于BP神经网络的参数估计方法可以准确地估计诊断对象在不同状态下的参数,为故障检测提供有效依据;基于ART2神经网络的数据聚类不仅可以识别对象的已知故障类型,还可以识别出未知故障,对先验信息较少的系统进行故障识别更具有效性.通过永磁直流电机故障诊断案例的应用,证明方法能具有一定的工程实用性.     

干扰因素对补燃式液体火箭发动机性能的影响

给出了描述补燃循环液体火箭发动机静态特性的非线性数学模型,用拟牛顿法求解各性能参数,分析了干扰因素对液体火箭发动机参数的影响,所得结论可用于发动机试验结果分析、发动机可靠性分析、发动机故障分析,也可用于揭示发动机参数随各种干扰因素的变化规律.      

基于深度残差收缩网络的滚动轴承故障诊断

滚动轴承的准确故障诊断是确保机械设备安全可靠运行的必要手段。针对多故障、长时间序列的滚动轴承振动信号，提出了一种基于深度残差收缩网络(DRSN)模型的故障诊断方法。首先，根据采集到的滚动轴承数据构造故障样本，针对多种故障类型下的长时间序列的振动信号，按照一定尺寸将长时间序列矩阵化，构成多故障类型的灰度图故障样本。从正常到故障的滚动轴承性能退化过程，通过多个采样点的随机采样，构造全寿命周期的故障样本用于故障诊断。其次，在多层深度学习模型基础上，将残差收缩网络模块加入到卷积神经网络(CNN)中构建深度残差收缩网络模型用于故障诊断，其中通过将残差项加入到网络中训练解决了多层网络模型的模型退化问题，利用软阈值化实现了样本降噪。最后，为了验证所提方法的有效性，采集了滚动轴承的多故障时间序列样本和全寿命周期故障样本用于故障诊断。实例验证的结果表明:所提深度残差收缩网络模型在处理含噪声样本时仍具有良好的鲁棒性，多层网络模型下没有明显的网络退化，能够保持较高的故障诊断正确率。在处理2种轴承故障数据集时，与其他模型相比，所提方法训练误差更低，平均故障诊断正确率提高1%~6%。      

多层前向神经网络的微弱信号检测

多层前向神经网络是一种非线性动力学信息处理系统，是可以实现传统计算机难以实现的高速信息处理能力和最佳信息的检测方法。探讨了神经网络的弱信号检测方法，定性分析了其噪声抑制的原理，给出了神经网络系统框图及实测结果。     

应用支持向量回归机探索发动机VSV调节规律

发动机可调静子叶片（VSV）调节规律极其复杂,通过挖掘快速存取记录装置（QAR）数据对VSV调节规律进行了深入研究。首先,通过PW4077D发动机健康状态的QAR数据,建立基于粒子群优化（PSO）算法的支持向量回归机（SVR）模型,来探索VSV调节规律;然后,利用后续航班数据对PSO-SVR模型进行验证,并将验证结果与传统的PSO-BP神经网络模型进行对比;最后,应用PSO-SVR模型进行发动机故障诊断。研究结果表明:PSO-SVR模型的回归预测精度优于PSO-BP神经网络模型,能够准确反映VSV的调节规律。可将其用于发动机的状态监控和故障诊断,亦可为VSV控制系统设计提供参考。