CN109991956B - 一种液体火箭发动机稳态故障预测方法 - Google Patents

一种液体火箭发动机稳态故障预测方法 Download PDF

Info

Publication number
CN109991956B
CN109991956B CN201910266655.6A CN201910266655A CN109991956B CN 109991956 B CN109991956 B CN 109991956B CN 201910266655 A CN201910266655 A CN 201910266655A CN 109991956 B CN109991956 B CN 109991956B
Authority
CN
China
Prior art keywords
moving average
rocket engine
liquid rocket
steady
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910266655.6A
Other languages
English (en)
Other versions
CN109991956A (zh
Inventor
熊靖宇
程玉强
吴建军
黄强
朱晓彬
胡润生
崔星
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN201910266655.6A priority Critical patent/CN109991956B/zh
Publication of CN109991956A publication Critical patent/CN109991956A/zh
Application granted granted Critical
Publication of CN109991956B publication Critical patent/CN109991956B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing Of Engines (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开一种液体火箭发动机稳态故障预测方法，包括对需进行预测的多个参数分别建立自回归滑动平均模型，通过历史试车数据对所述自回归滑动平均模型进行训练，获得自回归滑动平均模型的阶数和待估参数；将液体火箭发动机稳态过程中各个不同参数的实时数据样本代入上述确定的相应自回归滑动平均模型中各参数进行预测，将预测值与自适应阈值对比，若某一参数的预测值连续多次超出自适应阈值范围则预警一次，预警次数达到三次则发出故障报警。本发明提供的液体火箭发动机稳态故障预测方法，能成功的提前预测液体火箭发动机工作过程中稳态阶段将出现故障的情况，以便提前进行其他控制措施，减少液体火箭发动机发生故障所造成的损失。

Description

一种液体火箭发动机稳态故障预测方法
技术领域
本发明涉及故障预测方法技术领域，尤其是一种液体火箭发动机稳态故障预测方法。
背景技术
液体火箭发动机是当今航天系统中最重要的动力装置，恶劣的工作条件使其成为航天系统中故障的敏感多发部位，而且其故障的发生和发展具有快速与破坏性极大的特点。根据统计，在美国，液体火箭发动机故障约占运载器总故障的60％以上。因此如何提高运载火箭“心脏”的安全性和可靠性是重中之重。伴随着人类对太空探索的不断深入和航天任务要求不断提高，尤其是近年来可重复使用运载火箭逐步变为现实。对于液体火箭发动机的性能和自动化水平要求不断提高，同时发动机故障诊断与健康监控与诊断技术的内涵也在不断丰富。人们已经不再满足于对故障进行被动的感知，而是更希望实现对机械装备故障的主动预测和实现寿命预估。对于液体火箭发动机而言，其稳态是发动机工作过程中时间持续最长的阶段，是液体火箭发动机工作过程中最主要的阶段，如果在故障还未发生时，能提前准确地预测到故障，就能为后续对其控制赢得更多的时间。
发明内容
本发明提供一种液体火箭发动机稳态故障预测方法，用于克服现有技术中无法准确的预测液体火箭发动机稳态时出现故障的情况等缺陷，实现提前预测液体火箭发动机工作过程中稳态阶段将出现故障的情况，以便提前进行其他控制措施，减少液体火箭发动机发生故障所造成的损失。
为实现上述目的，本发明提出一种液体火箭发动机稳态故障预测方法，包括以下步骤：
S1：对需进行预测的多个参数分别建立自回归滑动平均模型，通过以往台次稳态运行时的试车数据对所述自回归滑动平均模型进行训练，获得自回归滑动平均模型的阶数和待估参数，所述历史试车数据为按照时间序列呈平稳状态的数据；
S2：将液体火箭发动机稳态过程中各个不同参数的测试样本按时间序列代入步骤S1确定的相应自回归滑动平均模型中，通过步骤S1建立的自回归滑动平均模型对液体火箭发动机稳态过程中各参数进行预测，将预测值与自适应阈值对比，若某一项参数的预测值连续多次超出自适应阈值范围则记为一次预警，预警次数累计达到三次则发出故障报警。
本发明提供的液体火箭发动机稳态故障预测方法，首先利用历史试车数据对需进行预测的不同参数分别建立自回归滑动平均模型，再利用建立的自回归滑动平均模型对液体火箭发动机稳态过程中各个参数进行故障预测；其中，建立自回归滑动平均模型包括：在原始模型中输入需进行预测的不同参数的历史试车数据；选定自回归滑动平均模型阶数p、q；求解自回归系数φi和模型的滑动平均系数θj；确定自回归滑动平均模型阶数p、q。本发明的故障预测方法能同时监测多项不同参数，能成功的提前预测液体火箭发动机工作过程中最主要阶段(稳态)将出现故障的情况，以便提前采取其他控制措施，减少液体火箭发动机发生故障所造成的损失。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为本发明故障预测方法的过程图；
图2为液体火箭发动机的运行阶段图；
图3为液体火箭发动机处于稳态阶段时燃料泵出口压力、燃料泵入口压力和燃料泵转速的状态图；
图4a为实施例一对发动机处于稳态时的燃料泵出口压力的故障预测结果及与实际值的对比图；
图4b为实施例一对发动机处于稳态时的燃料泵出口流量的故障预测结果及与实际值的对比图；
图4c为实施例一对发动机处于稳态时的推力室室压的故障预测结果及与实际值的对比图；
图5a为实施例二对发动机处于稳态时的氧泵出口压力的故障预测结果及与实际值的对比图；
图5b为实施例二对发动机处于稳态时的氧泵转速的故障预测结果及与实际值的对比图；
图5c为实施例二对发动机处于稳态时的推力室室压的故障预测结果及与实际值的对比图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提出一种液体火箭发动机稳态故障预测方法(参见图1)，包括以下步骤：
S1：对需进行预测的多个参数分别建立自回归滑动平均模型，通过以往台次稳态运行时的试车数据对所述自回归滑动平均模型进行训练，获得自回归滑动平均模型的阶数和待估参数，所述历史试车数据为按照时间序列呈平稳状态的数据，具体包括：
S11：在原始模型中输入需进行预测的不同参数的历史试车数据；
优选地，所述步骤S11中，所述原始模型为：
Figure BDA0002017062180000041
Figure BDA0002017062180000042
其中，xt、xt-i为液体火箭发动机稳态过程中各个参数在t、t-j时刻的实际值；
Figure BDA0002017062180000043
为液体火箭发动机稳态过程中各个参数在t时刻的预测值；ut、ut-j为t、t-j时刻的白噪声；φi为自回归系数，θj为模型的滑动平均系数，p、q为模型阶数。对于平稳的数据预测，自回归滑动平均模型具有较高的预测精度。
所述历史试车数据为液体火箭发动机以往试车时，稳态阶段的数据，利于建立的自回归滑动平均模型对发动机各个参数的准确故障预测。稳态为液体火箭发动机运行的最主要阶段(参见图2)，做好这一阶段发动机故障的预测，以便提前采取其他控制措施，减少液体火箭发动机发生故障所造成的损失。
S12：选定不同参数对应的自回归滑动平均模型阶数p、q；
根据所述自回归滑动平均模型来预测历史试车数据的预测结果与实际结果比较来选定发动机各个不同参数所建立的自回归滑动平均模型阶数p、q，由于预测值往往与邻近时间的参数相关性较大，与时间间隔较远的参数相关性较小，因此一般在选定p、q时会根据经验选择3或4。
S13：求解不同参数对应的自回归滑动平均模型中的自回归系数φi和模型的滑动平均系数θj；
优选地，所述步骤S13中，
是将历史试车数据代入式(2)
Figure BDA0002017062180000051
采用最小二乘法对模型中的自回归系数φi和模型的滑动平均系数θj进行求解，其中，
Figure BDA0002017062180000052
代表试车时的参数预测值，ut-j代表t-j时刻的白噪声，φi代表自回归系数，θj为模型的滑动平均系数，p、q为模型阶数。
S14：将不同参数历史试车数据代入步骤S11～S13得到的相应自回归滑动平均模型中进行预测，并将预测结果与实际结果进行比较，确定自回归滑动平均模型阶数p、q；
若预测结果与实际结果的偏差属于白噪声u，则进行步骤S2；
若预测结果与实际结果的偏差不属于白噪声u，则未通过检验而返回步骤S12，重新选定阶数p、q的值，重新进行步骤S13和步骤S14，直至预测结果与实际结果的偏差为白噪声u；
优选地，所述步骤S1中，所述多个参数包括：推力室室压、燃料泵与氧涡轮泵出口压力、燃料泵与氧涡轮泵入口压力、燃料泵与氧涡轮泵出口流量、燃料泵和氧涡轮泵转速等，发动机稳态运行时数据较为平稳，且能进行数据监测的参数均能使用本发明进行监测。
S2：将液体火箭发动机稳态过程中各个不同参数的测试样本按时间序列代入步骤S1确定的相应自回归滑动平均模型中，通过步骤S1建立的自回归滑动平均模型对液体火箭发动机稳态过程中各参数进行预测，将预测值与自适应阈值对比，若某一项参数的预测值连续多次超出自适应阈值范围则记为一次预警，预警次数累计达到三次则发出故障报警。
步骤S1中所述以往台次稳态运行时的试车数据为用于建模的是同一型号发动机以往的试车数据；步骤S2中所述测试样本是用于液体火箭发动机稳态故障预测的测试数据，所述测试样本就是另一次试车数据，然后按时序向步骤S1建立的自回归滑动平均模型输入该试车数据。
所述自适应阈值就是随着时间推进，这个阈值会随自身数据发生变化而变化，每次有新的数据输入，那么这些数据的平均值也就是期望还有方差也就会发生改变。
优选地，所述步骤S2中，所述故障预测按不同参数被预测为故障的次数来判断；当各个参数被预测为故障的次数≥3，则会出现预警。这样设置能有效排除预测结果的偶然性，增大预测结果的准确性。
当所有被预测的参数中至少有三个被预测为故障，则会触发报警。
当一项参数的某个时间节点的预测值三次超过自适应阈值，则记为一次故障。这样设置能有效排除预测结果的偶然性，增大预测结果的准确性。
优选地，所述自适应阈值Tv：
Tv＝μ±nσ (3)
则监测参数所在的正常区间为：[μ-nσ,μ+nσ]；
其中μ为按照时间序列的实时数据样本数学期望；σ为按照时间序列的实时数据样本方差，n为带宽系数，根据统计学上的3σ定则，n选取3，或由实际阈值宽窄效果根据经验选定，对于服从正态分布的故障预测参数，其取值落在[μ-3σ,μ+3σ]的概率为99.74％。
液体火箭发动机在稳态时，发动机的各个不同关键参数也基本处于较为平稳的状态，图3a、图3b和图3c为液体火箭发动机处于稳态阶段时燃料泵出口压力、燃料泵入口压力和燃料泵转速的状态图，从图可知，在液体火箭发动机在稳态时燃料泵出口压力、燃料泵入口压力和燃料泵转速是较为平稳的。
本发明利用试车数据对液体火箭发动机在稳态运行时的关键参数进行时间序列上的预测。将预测的参数值大小与自适应阈值做比较，如果发动机参数的预测值超出了自适应阈值的范围，则判断发动机出现了异常。采用连续、多参数报警原则：某一项参数在某个时间节点上的预测值连续三次超过自适应阈值，则为一次异常(预警一次)；对于多个参数，如果连续出现三次异常(预警次数≥3)，则判断发动机出现了故障，发出故障报警。
本发明的故障预测方法能同时监测多项不同参数，能成功的提前预测液体火箭发动机工作过程中最主要阶段(稳态)将出现故障的情况，以便提前采取其他控制措施，减少液体火箭发动机发生故障所造成的损失。
实施例一
本实施例提供一种液体火箭发动机稳态故障预测方法，包括以下步骤：
S1：利用历史试车数据做为训练样本对燃料泵与氧泵出口压力、燃料泵与氧泵出口流量、燃料泵与氧泵转速、推力室室压分别建立自回归滑动平均模型，具体包括：
S11：在原始模型中输入燃料泵与氧泵出口压力、燃料泵与氧泵出口流量、燃料泵与氧泵转速、推力室室压的历史试车数据；
S12：选定不同参数对应的自回归滑动平均模型阶数p、q，本实施例各个参数的阶数p、q均选定p＝3，q＝2；
S13：求解不同参数对应的自回归滑动平均模型中的自回归系数φi和模型的滑动平均系数θj；
自回归系数φi(Phi)和模型的滑动平均系数θj(theta)并不是只有两个值，比如说就发动机推力室室压，它对应建立的自回归滑动平均模型的阶数p选了3阶，也就是p＝3时，Phi中i＝1、2、3，有Phi1、Phi2、Phi3三个值，7个参数的p都选3阶Phi就有21个值。
步骤S13的具体求解过程：
将式(1)展开可以得到：
Figure BDA0002017062180000091
按时间序列上是从第一个样本开始的，因此对于起始的几个样本，当xt、ut下标为0或负时，其值取为0，可以由式(4)可以得到式(5)：
Figure BDA0002017062180000092
其中，xt为液体火箭发动机稳态过程中各个参数在t时刻的实际值，t＝1、2、3…..；ut为t时刻的白噪声，t＝1、2、3…..；φi为自回归系数，θj为模型的滑动平均系数。
将式(5)反代入到式(1)中，可将式(1)改写成以下形式：
Figure BDA0002017062180000093
其中，ut为t时刻的白噪声，t＝1、2、3…..；
Figure BDA0002017062180000094
xt-i为液体火箭发动机稳态过程中各个参数在t-j时刻的实际值；待估计的参数为
Figure BDA0002017062180000095
φi为自回归系数，θj为模型的滑动平均系数，p、q为模型阶数；
Figure BDA0002017062180000096
为关于
Figure BDA0002017062180000097
和
Figure BDA0002017062180000098
的函数；
构建优化指标残差平方和
Figure BDA0002017062180000099
其表示为：
Figure BDA00020170621800000910
其中，
Figure BDA00020170621800000911
为残差平方；xt为液体火箭发动机稳态过程中各个参数在t时刻的实际值；
Figure BDA00020170621800000912
为关于
Figure BDA00020170621800000913
和
Figure BDA00020170621800000914
的函数；
当找到
Figure BDA00020170621800000915
使得
Figure BDA00020170621800000916
达到极小时就为参数
Figure BDA00020170621800000917
的最小二乘估计。将历史试车数据样本代入式(6)，利用计算机对
Figure BDA0002017062180000101
进行估计，得到自回归系数φi和模型的滑动平均系数θj
S14：将燃料泵与氧泵出口压力、燃料泵与氧泵出口流量、燃料泵与氧泵转速、推力室室压7个发动机参数的历史试车数据代入步骤S11～S13得到的相应自回归滑动平均模型中进行预测，并将预测结果与实际结果进行比较，确定自回归滑动平均模型阶数p、q；
若预测结果与实际结果的偏差属于白噪声u，则进行下步；
若预测经过结果与实际结果的偏差不属于白噪声u，则未通过检验而返回步骤S12，重新选定阶数p、q的值，重新进行步骤S13和步骤S14，直至预测结果与实际结果的偏差为白噪声u。经过检验，本实施例中待故障预测的各个参数的自回归滑动平均模型阶数p、q均确定为p＝3，q＝2。
S2：将本实施例的液体火箭发动机稳态过程中燃料泵与氧泵出口压力、燃料泵与氧泵出口流量、燃料泵与氧泵转速、推力室室压的实时数据作为测试样本代入步骤S1确定的相应自回归滑动平均模型中，进行不同参数的预测，将预测值与自适应阈值对比，完成故障预测，结果参见表1和图4a、图4b和图4c。
从表1可知，在428.30秒时，燃料泵出口压力Pepf发出预警信号，紧接着燃料泵出口流量Qmpf在428.32秒时发出预警信号，推力室室压Pk在428.32秒时发出预警信号，此时发动机故障预警已累计达3次，立即触发发动机故障报警。事后分析为管路发生了堵塞，说明故障预测正确。
从图4a、图4b和图4c可知，通过本发明的液体火箭发动机稳态故障预测方法对燃料泵出口压力、燃料泵出口流量和推力室室压三个参数的预测结果与实际结果基本一致，本发明的预测方法预测精度较高。
实施例二
S1：利用历史试车数据做为样本对燃料泵与氧泵出口压力、燃料泵与氧泵出口流量、燃料泵与氧泵转速、推力室室压分别建立自回归滑动平均模型，具体包括：
S11：在原始模型中输入燃料泵与氧泵出口压力、燃料泵与氧泵出口流量、燃料泵与氧泵转速、推力室室压的历史试车数据；
S12：选定不同参数对应的自回归滑动平均模型阶数p、q，本实施例各个参数均选定p＝3，q＝2；
S13：求解不同参数对应的自回归滑动平均模型中的自回归系数φi和模型的滑动平均系数θj；
S14：将燃料泵与氧泵出口压力、燃料泵与氧泵出口流量、燃料泵与氧泵转速、推力室室压的历史试车数据代入步骤S11～S13得到的相应自回归滑动平均模型中进行预测，并将预测结果与实际结果进行比较，确定自回归滑动平均模型阶数p、q；
若预测结果与实际结果的偏差属于白噪声u，则进行步骤S2；
若预测经过结果与实际结果的偏差不属于白噪声u，则未通过检验而返回步骤S12，重新选定阶数p、q的值，重新进行步骤S13和步骤S14，直至预测结果与实际结果的偏差为白噪声u。经过检验，本实施例各个参数的自回归滑动平均模型阶数p、q均确定为p＝3，q＝2。
S2：将本实施例的液体火箭发动机稳态过程中燃料泵与氧泵出口压力、燃料泵与氧泵出口流量、燃料泵与氧泵转速、推力室室压的实时数据作为测试样本代入步骤S1确定的相应自回归滑动平均模型中，进行不同参数的预测，将预测值与自适应阈值对比，完成故障预测，结果参见表2和图5a、图5b和图5c。
从表2可知，推力室室压Pk在172.12秒时发出预警信号，氧泵转速No在172.13秒时发出预警信号，氧泵出口压力Pepo在172.14秒时发出预警信号，此时发动机故障预警已累计达3次，立即触发发动机故障报警。事后分析该次试车氧涡轮泵出现效率下降故障。
从图5a、图5b和图5c可知，通过本发明的液体火箭发动机稳态故障预测方法对氧泵出口压力、氧泵转速、推力室室压三个参数的预测结果与实际结果基本一致，本发明的预测方法预测精度较高。
表1 Test1次试车的故障预测参数预警信息
Figure BDA0002017062180000121
表2 Test2次试车的故障预测参数预警信息
Figure BDA0002017062180000122
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (9)

1.一种液体火箭发动机稳态故障预测方法，其特征在于，包括以下步骤：
S1：对需进行预测的多个参数分别建立自回归滑动平均模型，通过以往台次稳态运行时的试车数据对所述自回归滑动平均模型进行训练，获得自回归滑动平均模型的阶数和待估参数，历史试车数据为按照时间序列呈平稳状态的数据；
S2：将液体火箭发动机稳态过程中各个不同参数的测试样本按时间序列代入步骤S1确定的相应自回归滑动平均模型中，通过步骤S1建立的自回归滑动平均模型对液体火箭发动机稳态过程中各参数进行预测，将预测值与自适应阈值对比，若某一项参数的预测值连续多次超出自适应阈值范围则记为一次预警，预警次数累计达到三次则发出故障报警；
所述步骤S1具体包括：
S11：在原始模型中输入需进行预测的不同参数的历史试车数据；
S12：选定不同参数对应的自回归滑动平均模型阶数p、q；
S13：求解不同参数对应的自回归滑动平均模型中的自回归系数φi和模型的滑动平均系数θj；
S14：将不同参数历史试车数据代入步骤S11～S13得到的相应自回归滑动平均模型中进行预测，并将预测结果与实际结果进行比较，确定自回归滑动平均模型阶数p、q；
若预测结果与实际结果的偏差属于白噪声u，则进行步骤S2；
若预测结果与实际结果的偏差不属于白噪声u，则未通过检验而返回步骤S12，重新选定阶数p、q的值，重新进行步骤S13和步骤S14，直至预测结果与实际结果的偏差为白噪声u。
2.如权利要求1所述的一种液体火箭发动机稳态故障预测方法，其特征在于，所述步骤S1中，所述多个参数包括：推力室室压、燃料泵与氧涡轮泵出口压力、燃料泵与氧涡轮泵入口压力、燃料泵与氧涡轮泵出口流量、燃料泵和氧涡轮泵转速。
3.如权利要求1所述的一种液体火箭发动机稳态故障预测方法，其特征在于，所述步骤S11中，所述原始模型为：
Figure FDA0002384879700000021
Figure FDA0002384879700000022
其中，xt、xt-i为液体火箭发动机稳态过程中各个参数在t、t-j时刻的实际值；
Figure FDA0002384879700000023
为液体火箭发动机稳态过程中各个参数在t时刻的预测值；ut、ut-j为t、t-j时刻的白噪声；φi为自回归系数，θj为模型的滑动平均系数，p、q为模型阶数。
4.如权利要求3所述的一种液体火箭发动机稳态故障预测方法，其特征在于，所述步骤S11中，所述历史试车数据为液体火箭发动机以往试车时，稳态阶段的数据。
5.如权利要求1所述的一种液体火箭发动机稳态故障预测方法，其特征在于，所述步骤S13中，是将历史试车数据代入式(2)
Figure FDA0002384879700000024
采用最小二乘法对模型中的自回归系数φi和模型的滑动平均系数θj进行求解，其中，
Figure FDA0002384879700000025
代表试车时的参数预测值，ut-j代表t-j时刻的白噪声，φi代表自回归系数，θj为模型的滑动平均系数，p、q为模型阶数。
6.如权利要求1所述的一种液体火箭发动机稳态故障预测方法，其特征在于，所述步骤S2中，所述故障预测按不同参数被预测为故障的次数来判断。
7.如权利要求6所述的一种液体火箭发动机稳态故障预测方法，其特征在于，当所有被预测的参数中至少有三个被预测为故障，则会触发报警。
8.如权利要求7所述的一种液体火箭发动机稳态故障预测方法，其特征在于，当某一个参数的某个时间节点的预测值连续三次超过自适应阈值，则记为一次故障预警。
9.如权利要求8所述的一种液体火箭发动机稳态故障预测方法，其特征在于，所述自适应阈值Tv：
Tv＝μ±nσ (3)
则监测参数所在的正常区间为：[μ-nσ,μ+nσ]；其中，μ为按照时间序列的实时数据样本数学期望；σ为按照时间序列的实时数据样本方差；n为带宽系数，根据统计学上的3σ定则，n选取3，或由实际阈值宽窄效果根据经验选定。
CN201910266655.6A 2019-04-03 2019-04-03 一种液体火箭发动机稳态故障预测方法 Active CN109991956B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910266655.6A CN109991956B (zh) 2019-04-03 2019-04-03 一种液体火箭发动机稳态故障预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910266655.6A CN109991956B (zh) 2019-04-03 2019-04-03 一种液体火箭发动机稳态故障预测方法

Publications (2)

Publication Number Publication Date
CN109991956A CN109991956A (zh) 2019-07-09
CN109991956B true CN109991956B (zh) 2020-07-07

Family

ID=67132236

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910266655.6A Active CN109991956B (zh) 2019-04-03 2019-04-03 一种液体火箭发动机稳态故障预测方法

Country Status (1)

Country Link
CN (1) CN109991956B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111594831A (zh) * 2020-04-16 2020-08-28 南京航空航天大学 一种基于自回归滑动平均模型的燃烧不稳定主动抑制方法
CN114139309B (zh) * 2021-11-24 2024-07-02 中国人民解放军国防科技大学 一种液体火箭发动机推力室寿命预估方法
CN114414247B (zh) * 2021-12-13 2024-06-18 西安航天动力试验技术研究所 液体火箭发动机数据曲线分析方法
CN117291094B (zh) * 2023-09-14 2024-07-12 成都飞机工业（集团）有限责任公司 基于关联参数映射的无人机动力系统参数异常检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101734249A (zh) * 2010-01-08 2010-06-16 清华大学 一种燃料电池发动机稳态运行控制方法
WO2011043108A1 (ja) * 2009-10-09 2011-04-14 株式会社日立製作所 設備状態監視方法、監視システム及び監視プログラム
CN103473322A (zh) * 2013-09-13 2013-12-25 国家电网公司 基于时间序列模型的光伏发电功率超短期预测方法
CN105547705A (zh) * 2016-03-10 2016-05-04 西安工业大学 发动机性能退化趋势预测方法
CN103500364B (zh) * 2013-09-18 2016-10-26 广州供电局有限公司 电能质量稳态指标预测方法和系统
KR20170125238A (ko) * 2016-05-04 2017-11-14 두산중공업 주식회사 플랜트 이상 감지 학습 시스템 및 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011043108A1 (ja) * 2009-10-09 2011-04-14 株式会社日立製作所 設備状態監視方法、監視システム及び監視プログラム
CN101734249A (zh) * 2010-01-08 2010-06-16 清华大学 一种燃料电池发动机稳态运行控制方法
CN103473322A (zh) * 2013-09-13 2013-12-25 国家电网公司 基于时间序列模型的光伏发电功率超短期预测方法
CN103500364B (zh) * 2013-09-18 2016-10-26 广州供电局有限公司 电能质量稳态指标预测方法和系统
CN105547705A (zh) * 2016-03-10 2016-05-04 西安工业大学 发动机性能退化趋势预测方法
KR20170125238A (ko) * 2016-05-04 2017-11-14 두산중공업 주식회사 플랜트 이상 감지 학습 시스템 및 방법

Also Published As

Publication number Publication date
CN109991956A (zh) 2019-07-09

Similar Documents

Publication Publication Date Title
CN109991956B (zh) 一种液体火箭发动机稳态故障预测方法
CN109522600B (zh) 基于组合深度神经网络的复杂装备剩余使用寿命预测方法
US7415328B2 (en) Hybrid model based fault detection and isolation system
US8000930B2 (en) Monitoring a degrading system
EP1416348B1 (en) Methodology for temporal fault event isolation and identification
EP3105644B1 (en) Method of identifying anomalies
CN109211548A (zh) 一种机械故障诊断方法
CN108022058B (zh) 一种风力机状态可靠性评估方法
CN108304348B (zh) 一种基于二元维纳过程的轴承剩余寿命预测方法
CN113537328B (zh) 一种基于深度学习的旋转机械故障诊断方法和装置
Liu et al. Optimal multi-type inspection policy for systems with imperfect online monitoring
CN113392893B (zh) 业务故障的定位方法、装置、存储介质及计算机程序产品
CN110990788A (zh) 一种基于三元维纳过程的轴承剩余寿命预测方法
CN111506049A (zh) 基于aann网络系统的航空发动机控制系统多重故障诊断方法
CN116311594B (zh) 一种船舶子系统状态分析方法、装置及存储介质
CN105043776A (zh) 一种飞机发动机性能监控与故障诊断方法
CN110554682B (zh) 基于故障关联分析的故障检测推理方法
Kocak et al. Condition monitoring and fault diagnosis of a marine diesel engine with machine learning techniques
US20230168305A1 (en) Anomaly identification in an electrochemical system
CN114386603B (zh) 基于时序因果网络的火电厂发电机故障预警方法
CN114185321B (zh) 改进多分类孪生支持向量机的电动执行器故障诊断方法
Kenyon et al. Development of an intelligent system for detection of exhaust gas temperature anomalies in gas turbines
Coussirou et al. Anomaly detections on the oil system of a turbofan engine by a neural autoencoder.
Eustace A real-world application of fuzzy logic and influence coefficients for gas turbine performance diagnostics
CN115563868A (zh) 一种航空交流发电机油路系统故障诊断方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant