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。     

一种火箭推进系统非线性动态神经网络模型

为了获得实时、准确、可靠的液体火箭推进系统非线性动态模型，使其适用于控制系统的设计和故障检测与诊断，基于RBF（Radial Basis Function）神经网络理论和系统工作机理，综合考虑了系统的动态信息，适当选择了输入输出参数，建立了一种多输入多输出的液体火箭推进系统非线性动态模型。模型的输出与实际试车结果的对比分析表明，模型的计算时间短、实时性强、精度高，可用于液体火箭推进系统的实时状态监控、故障诊断及控制系统设计等。     

神经网络在液体火箭发动机故障检测中的应用(Ⅱ)模式识别技术

基于模糊超球神经网络,提出了一种液体火箭发动机故障的实时检测系统。它采用模式识别技术,在建立正常工作状态的样板模式之后,把当前样本与样板模式进行比较,进而判断发动机工作状态。发动机试车数据分析表明：模糊超球神经网络对输入样本非常敏感     

应用BP-ART混合神经网络的推进系统状态监控实时系统

应用ＢＰ－ＡＲＴ混合神经网络提出了一种供推进系统状态监控实时使用的系统,其拓扑结构为： 第一层处理单元由ＢＰ神经网络组成, 每个ＢＰ网络代表一个相应的推进系统组件; 第二层处理单元为一个ＡＲＴ神经网络, 网络的每一个输出代表推进系统的一种“健康状态”, 据此可对其故障进行“诊断”。该混合结构充分发挥了两类网络的优点, 给出的具体应用实例也显示出在推进系统实时状态监控与故障诊断应用中的有效性     

基于神经网络的涡轮泵多故障诊断

针对液体火箭发动机的涡轮泵系统中，常出现多故障同时发生的现象，分析了涡轮泵常见故障的特征表现，建立了涡轮泵系统的标准故障模式，在此基础上，提出了采用建立并行BP神经网络进行多故障诊断分类的方法，结果表明，并行BP神经网络结构简单，学习诊断速度快，对单一故障的诊断分类优于基本BP网络，且能对并发故障进行诊断分类。     

导弹推进剂加注设备实时智能诊断系统

为了对导弹推进剂加注设备及其操作进行有益地监控,从导弹推进剂加注设备结构和特点出发,基于知识的专家系统,神经网络的专家系统和实时专家系统的特点和结构组成,提出了实时智能诊断系统模型,建立了某型号导弹推进剂加注设备实时智能诊断系统,并将其应用于“XXX工程加注操作自动化监控系统”,实现了导弹推进剂加注设备的实时智能诊断。     

基于RBF网络的火箭发动机动态过程建模

提出了基于径向基函数神经网络（ＲＢＦＮ）的火箭发动机动态过程建模,仿真计算表明：采用ＲＢＦＮ建模,可以达到很好的逼近精度,而且网络训练速度大大加快,可以更好地适应实时状态监控和故障诊断,有实际的工程运用价值。     

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。     

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。     

应用自组织网络识别火箭发动机泄漏故障

以一个典型的泵压式液体火箭发动机（LRE）为对象，针对发动机的几种泄漏故障，先用主成分分析法对泄漏故障的原始样本进行降维，然后利用降维的样本，用自组织网络对泄漏故障进行识别，仿真结果表明，这一方法能对泄漏故障进行很好的识别。     

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。     

液体火箭发动机高速涡轮泵的振动故障检测

讨论了涡轮泵故障的几个主要原因，据此提取涡轮泵振动数据的特征，用BP神经网络的方法进行故障检测。BP神经网络的训练样本集由一个具有无监督聚类功能的神经网络从原始的特征向量集获取。     

基于人工神经网络的燃速相关性研究

采用基于误差反向传播算法(BP算法)的人工神经网络技术,通过一维模型的分析计算,表明了该方法应用于燃速相关性研究是可行的,且具有更好的稳定性;初步建立了的燃速相关性二维模型,考虑了发动机尺寸效应对燃速的影响,并利用试验数据进行了验证,结果表明二维模型有较高的燃速预示精度。可以利用该方法开展燃速相关性分析。