运载火箭试验大数据存储架构设计与应用

运载火箭试验产生的数据量呈现出爆炸式增长,主要特点表现为数据种类多、数据密度大、数据持续时间长。传统单机部署和基于关系型数据库与文件的系统架构的不足逐渐显现,不同种类的数据不做区分存储,存储和查询效率低,数据无备份,存在单点故障导致数据丢失的问题,无法满足海量数据场景下的存储计算业务需求。利用大数据技术思想,针对运载火箭存储计算业务的需求,设计出一套运载火箭试验大数据存储架构,并给出了各存储组件的存储模型设计方法。通过实际工程应用表明：该架构具备良好的可靠性、可扩展性和可维护性,是一种切实可行的大数据存储架构设计,能够满足运载火箭试验数据的存储计算等业务需求。     

基于BiSNet的航天发动机转子智能健康监控

航天发动机某部件转子健康监控,对检测发动机能否正常工作进而影响航天发射任务的成败至关重要。传统健康监控方法需要依赖经验和专业知识,在对故障机理深入理解后才能构建相应的健康监控模型。针对传统转子健康监控手段效率低、适应性差、过度依赖专家经验等不足,结合海量转子振动健康监控历史数据,提出并设计采用神经网络BiSNet的人工智能方法,对航天领域运载火箭发动机某部件转子的健康状态进行智能建模并完成监控。通过与传统监控手段和主流基准神经网络方式对照实验得出结论,基于历史数据驱动的神经网络BiSNet可为航天转子智能健康监控提供便捷准确的建模预测。     

IPL：运载火箭测试数据自动判读语言

为确保运载火箭测试数据的完整性与正确性，克服传统人工判读模式判读效率低、易误判漏判以及通用编程语言自动判读模式判读适应性、扩展性、复用性差的不足，提出并设计运载火箭测试数据处理领域的自动判读语言IPL（Interpretation Language），以及配套的语言解析与执行器，实现了运载火箭测试判据的形式化定义与描述，减轻了业务人员的学习、判读成本，使得海量测试数据的判读在分钟级即可全部自动完成，目前已在多种新一代运载火箭工程实践中得到成功应用。     

运载火箭遥测数据智能判读算法应用

在运载火箭高发射密度、高判读需求、高数据量的背景下，现有自动化判读的判据覆盖率不全、判据编写门槛高、耗时多的问题日益凸显，缺少较通用的算法对传统判读算法未覆盖的判读任务进行判读补充，进而影响运载火箭效果评估与系统性能评定。为充分挖掘海量遥测数据中隐含的参数变化规律，设计智能判读算法作为传统算法的有益补充，提升传统判读的判读覆盖率和判读效率。以液体运载火箭长期加电试验产生的遥测数据为研究对象，设计集成神经网络智能判读算法，在给出的判读指标下研究得出，集成神经网络在频率异常、丢帧等五种现有判据难以描述的判读场景下，判读性能提升30%，提高了现有判据的覆盖率，后续可为判读体系完善和智能判读落地提供研究参考。