一种液体火箭发动机的故障检测方法、系统、设备和介质技术方案

本发明专利技术公开一种液体火箭发动机的故障检测方法、系统、设备和介质，包括：根据液体火箭发动机的结构特征，构建第一BP神经网络模型；并对第一BP神经网络模型采用自适应遗传算法进行优化，获得最优权值和阈值；根据最优权值和阈值，构建AGABP网络模型；将液体火箭发动机正常工作时的历史数据输入到所述AGABP网络模型中进行训练，获得第二AGABP网络模型；将取液体火箭发动机的实时数据输入到第二AGABP网络模型，并将第二AGABP网络模型的输出结果和液体火箭发动机内传感器的实时检测数据进行对比，判断得出液体火箭发动机是否发生故障。本发明专利技术能够对液体火箭发动机工作进行实时的故障检测，且与BP神经网络模型预测结果相比，具有更高的系统灵敏性和鲁棒性。有更高的系统灵敏性和鲁棒性。有更高的系统灵敏性和鲁棒性。

【技术实现步骤摘要】
一种液体火箭发动机的故障检测方法、系统、设备和介质


[0001]本专利技术涉及发动机故障检测
，特别是涉及一种液体火箭发动机的故障检测方法、系统、设备和介质。

技术介绍

[0002]液体火箭发动机(Liquid Rocket Engine，LRE)是运载火箭系统的重要动力装置和组成部分，其可靠、安全是航空航天任务顺利完成的必要保障，通过对液体火箭发动机进行有效的故障诊断和健康管理，可以减少事故的发生概率，减少不必要的财产损失。目前针对液体火箭发动机的故障检测方法主要分为三类：基于模型驱动的方法、基于数据驱动的方法和基于人工智能的方法。
[0003]目前，在对液体火箭发动机进行故障检测的方法中，基于模型驱动的方法需要根据系统运行的规律建立系统的模型，其诊断结果的准确性高度依赖所建立模型与实际的符合程度，但是，液体火箭发动机作为一个复杂的非线性系统，其强非线性、非平稳性以及不确定性，使得人们难以建立准确的系统模型，该方法通常结合其他方式使用。基于数据驱动的方法是根据系统的输出与故障之间的关系，对发动机的输出信号进行测量分析处理，该类方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种液体火箭发动机的故障检测方法，其特征在于，包括：S1、根据液体火箭发动机的结构特征，构建第一BP神经网络模型；S2、对所述第一BP神经网络模型采用自适应遗传算法进行优化，获得所述第一BP神经网络模型的最优权值和阈值；S3、根据所述最优权值和阈值，构建AGABP网络模型；S4、获取液体火箭发动机正常工作时的历史数据，并将所述历史数据输入到所述AGABP网络模型中进行训练，获得第二AGABP网络模型；S5、获取液体火箭发动机的实时数据，并将所述实时数据输入到所述第二AGABP网络模型，获得所述第二AGABP网络模型的输出结果；S6、将所述第二AGABP网络模型的输出结果和液体火箭发动机内传感器的实时检测数据进行对比，判断液体火箭发动机是否发生故障。2.根据权利要求1所述的液体火箭发动机的故障检测方法，其特征在于，所述S2，包括：S21、采用自适应遗传算法对所述第一BP神经网络模型进行初始值编码，得到初始种群；S22、计算所述初始种群每个个体的适应度值；S23、采用轮盘赌的方法模拟自然选择，进行选择操作；S24、采用实数交叉的方法，进行交叉操作；S25、进行变异操作；S26、计算种群每个个体的适应度值，判断是否满足进化条件，若满足进化条件，则输出种群中适应度值最优的个体作为最优解；若不满足进行条件，则进入S23。3.根据权利要求2所述的液体火箭发动机的故障检测方法，其特征在于，所述S24，，采用如下计算公式：式中，k1、k2为常数，p
c
表示交叉概率，f
max
表示种群最大的适应度值，f
avg
表示种群平均适应度值，f
′
表示要交叉的两个个体中较大的适应度值。4.根据权利要求2所述的液体火箭发动机的故障检测方法，其特征在于，所述S25，采用如下计算公式：式中k3、k4为常数，p
m
表示变异概率，f
max
表示种群最大的适应度值，f
avg
表示种群平均适应度值，f表示要变异个体的适应度值。5.根据权利要求1所述的液体火箭发动机的故障检测方法，其特征在于，所述S6，包括：将所述第二AGABP网络模型的输出结果和液体火箭发动机内传感器的实时检测数据进行对比，得到残差数据；判断所述残差数据的数值是否在预设的阈值范围内，若是，则液体火箭发动机处于正常工作状态，若否...

【专利技术属性】
技术研发人员：王涛，余华煌，陈发银，
申请(专利权)人：中山大学，
类型：发明
国别省市：