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。     

基于振动检测的发动机故障诊断算法研究

基于振动检测的发动机故障诊断算法,分析发动机发生故障时振动信号所具有的特征和故障诊断指标选择,对振动信号预处理、特征提取、状态识别和诊断决策分别进行了介绍,研究出采用振幅和频率两参量包络曲线法诊断发动机故障的算法,通过发动机热试车验证了采用发动机振动检测来判断发动机故障的算法的正确性。     

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.     

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。     

液体火箭发动机滚动轴承故障诊断方法初探

轴承故障在回转机械的各种故障中占有很大比例,轴承故障的诊断和检测是机械故障诊断重点发展的技术之一。本文结合发动机滚动轴承使用情况,介绍了液体火箭发动机滚动轴承故障诊断的作用、工作过程、诊断与检测方法。     

基于神经网络算法的液体火箭发动机实时故障检测方法研究

以某液体火箭发动机为研究对象,将实时故障检测作为中心,分析了神经网络算法的特点及其实现步骤,利用Lab Windows/CVI与MATLAB混合编程的原理,实现和改进了基于神经网络的发动机实时故障检测方法,并用多次试车数据进行了检验.试车数据验证结果表明,该方法能及时、准确、有效地检测发动机稳态过程的故障.研究结果对发展未来液体火箭发动机的箭载故障检测系统具有重要的参考价值.     

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。