Elman型神经网络在液体火箭发动机故障预测中的应用

提出一种将Elman神经网络应用于液体火箭发动机故障预测的模型,并进行了多参数多步预测。仿真计算结果表明,较传统的静态BP网络预测模型,该模型结构简单,动态特性好,对于液体火箭发动机重要参数的预测效果较好,收敛速度快且精度高,具有较好的非线性时序预测能力,说明其在液体火箭发动机的故障预测中应用的可行性。     

液体火箭发动机启动过程检测研究

建立了火箭发动机启动过程的RBF神经网络模型,将神经网络辨识方法与包络线方法结合,提出分层次检测方案,并根据大型液体火箭的故障仿真结果进行了仿真实例验证,较好地验证了检测方案及模型的有效性和实用性.     

神经网络专家系统在发动机故障诊断中的应用

将神经网络与专家系统相结合形成了神经网络专家系统，其核心部分采用BP神经网络．以发动机为诊断对象，获取故障数据后，采用3层BP神经网络模型对网络进行训练，经过几种不同网络参数的对比后，设定了合理的网络训练参数，训练后获得了期望的误差值0．01，并采用VB6．0软件设计了专家系统的人机交互界面，为专家系统在发动机故障诊断中的应用提供了有益的参考．     

基于聚类分析的液体火箭发动机稳态过程故障程度评估方法

目前液体火箭发动机稳态过程的故障检测与评估的研究相对较少,挖掘发动机稳态过程故障信息数据对运载火箭保障发射任务成功率、降低运行成本、实现可重复使用等具有重要意义,提出基于聚类分析的故障程度评估方法,构建了故障程度评估算法,通过采用液体火箭发动机的仿真数据,验证评估单一故障程度与二度故障程度。验证结果表明,该算法评估效果满足要求。     

基于注意力机制循环神经网络的液体火箭发动机故障检测

针对液体火箭发动机主级段工作过程,采用多变量非线性时间序列分析理论,在两级注意力机制循环神经网络（Dual Stage Attention Based Recurrent Neural Networks,DA-RNN）的基础上,提出一种新型时序分析工具——卷积两级注意力机制循环神经网络（Convolutional Dual Stage Attention Based Recurrent Neural Networks,CDA-RNN）,从而建立故障趋势预测模型。通过对预测残差进行自相关性分析并定义故障置信概率,提出了故障检测量化依据。利用发生微弱故障的热试车数据进行验证,结果表明,CDA-RNN模型对非稳态工作段微弱故障多参数检测具有良好鲁棒性,该方法十分有效,具有直接应用价值。     

液体火箭发动机地面试车实时故障检测与报警系统

建立了液体火箭发动机地面试车过程的实时故障检测与报警系统,完成了系统的硬件、软件结构设计与功能分析,实现了发动机试车过程实时故障检测的综合决策与报警.系统经过了大量的试车数据考核和在线综合测试,并两次参加了发动机地面试车试验的在线验证.验证结果表明,系统能及时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,并具有良好的可靠性、稳健性和可扩展性,对开发建立工程实用的液体火箭发动机健康监控系统具有重要的应用价值.     

大型泵压式液体火箭发动机故障综合分析

基于发动机故障模拟研究，结合实际试车数据统计分析，归纳出了泵压式液体火箭发动机的主要故障模式；从故障检测与诊断的角度，研究了发动机监测参数的选择与评价，并提出了监测参数选择与评价的三种标准；推荐了分别用于监控系统门限检测和故障诊断的两组参数，为发动机的故障检测与诊断奠定了重要基础。     

支持向量机在液体火箭发动机稳态段故障检测和诊断中的应用

将支持向量机方法用于某大型液体火箭发动机稳态试车数据的挖掘,建立了多故障分类器,采用23次试车数据对上述挖掘结果进行了测试,将测试结果与人工神经网络方法等所得结果进行了比较.并利用28类仿真稳态故障数据对该方法进行了进一步验证.结果表明,支持向量机方法是一种可基于小样本的、有效的液体火箭发动机故障检测与诊断方法.     

液体火箭发动机地面试车故障检测的自适应相关方法

提出了一种用于液体火箭发动机地面试车故障检测的自适应相关方法，应用统计理论指导其检测阈值的选择，推导了均值为向量和协方差矩阵的逆阵的递推估计公式，使得算法具有自适应性。用实际试车数据验证了方法的有效性。     

新一代中型运载火箭故障诊断和容错重构总体方案研究

长征系列火箭已经进入高密度研制和发射时代，但由于动力系统故障导致发射任务失败的情况时有发生。随着新一代液体运载火箭对高效率、高可靠要求不断提升，中国运载火箭故障适应性不足的问题日益凸显。以新一代中型液体运载火箭发动机故障为研究对象，按照在线故障诊断、任务重构以及制导姿控律重构的故障应对流程，构建了故障诊断和容错重构的总体方案，有效提升了火箭对发动机故障的适应性，为进一步打造智慧火箭奠定基础。     

Safety Analysis of Liquid Rocket Engine Using Bayesian Networks

Safety analysis for liquid rocket engine has a great meaning for shortening development cycle, saving development expenditure and reducing development risk. The relationship between the structure and component of liquid rocket engine is much more complex, furthermore test data are absent in development phase. Thereby, the uncertainties exist in safety analysis for liquid rocket engine. A safety analysis model integrated with FMEA（failure mode and effect analysis） based on Bayesian networks （BN） is brought forward for liquid rocket engine, which can combine qualitative analysis with quantitative decision. The method has the advantages of fusing multi-information, saving sample amount and having high veracity. An example shows that the method is efficient.     

基于粗糙集理论的液体火箭发动机故障诊断

粗糙集理论作为一种处理不完备信息的有力工具,已广泛应用于人工智能的许多领域,特别是数据挖掘和知识发现领域。文章将基于粗糙集理论的数据挖掘技术应用于液体火箭发动机故障诊断的知识发现,在智能诊断的知识自动获取方面取得较好的结果。     

液体火箭发动机涡轮泵状态监测与故障诊断系统研究

针对火箭发动机地面试车时间短、工作转速高且重复性不好的特点，根据实时性、有效性、可靠性、开放性与通用性的系统设计原则，研制了火箭发动机涡轮泵状态监测与故障诊断系统－－TCMD2000。该系统采用并行冗余结构，保证同步整周期采样的同时，实现了高速连续数据采集和存储，并应用了进动分析方法提高故障诊断的准确性。对TCMD2000系统进行了发动机试车故障监测考核。结果表明，所研制的TCMD2000系统达到了设计指标，适合火箭发动机的状态监测与故障诊断。在发动机研制过程中，对诊断发动机故障和排除故障发挥了作用。     

液体导弹发动机马尔可夫链和RBF网络辨识方法研究

分析了液体导弹发动机辨识方法,对基于马尔可夫链和RBF神经网络的液体导弹发动机的辨识原理和方法进行了较详细的叙述,依据某型液体导弹发动机实际测试数据,对其进行了仿真研究,并对仿真结果进行了比较分析.结果表明,基于动态系统马尔可夫链的液体导弹发动机的辨识方法优于基于RBF神经网络的辨识方法.     

火箭发动机涡轮泵振动信号的同步整周期采集

针对火箭发动机涡轮泵测速系统的特点，开发了多倍频分频技术和双阈值触发技术，保证了涡轮泵振动信号的同步、同相基整周期采集，同时消除了转速信号中的局部失真和尖脉冲干扰的影响，提高了转速测量的可靠性。火箭发动机试车实测表明，这两项技术是适用、有效的。     

液体火箭发动机故障模式分析

当前新研制的液体发动机特别强调高可靠性和低成本，以往追求高性能和低质量为主的设计目标现已降为次要地位。新研制的发动机都要求进行可靠性设计。在发动机可靠性设计中，为消除故障隐患，提高产品可靠性。采用了行之有效的故障树分析（ＦＴＡ）及故障模式，后果及严重度分析（ＦＭＥＣＡ）。美国先进运载系统（ＡＬＳ）航天运输主发动机（ＳＴＭＥ）的设计工作采用了这种可靠性设计法，以确保发动机达到要求的可靠性指标?..