CN110082115A - 一种针对运载火箭的在线单发推力故障诊断方法 - Google Patents
一种针对运载火箭的在线单发推力故障诊断方法 Download PDFInfo
- Publication number
- CN110082115A CN110082115A CN201910329499.3A CN201910329499A CN110082115A CN 110082115 A CN110082115 A CN 110082115A CN 201910329499 A CN201910329499 A CN 201910329499A CN 110082115 A CN110082115 A CN 110082115A
- Authority
- CN
- China
- Prior art keywords
- shot
- carrier rocket
- thrust
- state
- equation
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/14—Testing gas-turbine engines or jet-propulsion engines
Abstract
本发明公开了一种针对运载火箭的在线单发推力故障诊断方法,包括以下步骤:S100基于运载火箭的姿态运动学和动力学方程建立运载火箭状态方程,并将带辨识量增广至状态量中,根据运载火箭实际单发推力数量建立相应数量的运载火箭单发推力故障诊断的系统状态方程和量测方程;S200在运载火箭\导弹实时飞行过程中,利用无迹卡尔曼滤波实现对运载火箭单发推力的估计,并获取估计误差和协方差阵;S300利用误差和协方差阵进行概率匹配计算,实现推力故障定位,取故障发动机的输出推力。本发明具有结构简单、设计过程简洁的特点且收敛速度快,辨识精度高,因此在运载火箭单发推力故障诊断中具有广阔的应用前景。
Description
技术领域
本发明属于飞行器控制技术领域,特别是涉及一种针对运载火箭的单发推力故障诊断方法。
背景技术
运载火箭飞行环境十分复杂且对动力系统有较高要求,动力系统出现故障直接影响运载火箭打击能力、控制性能,严重影响运载火箭可靠性。因此开展运载火箭在线单发推力故障诊断设计,可大幅提高运载火箭可靠性。飞行过程中运载火箭\导弹因涡轮泵故障、推力室故障和管路阀门故障等情况直接影响发动机正常工作,造成某个单发发动机出现推力损失或直接关机。一方面运载火箭动力系统故障直接影响运载火箭打击能力,导致运载火箭不能飞行至预计的轨道,从而引发发射任务失败等情况发生;另一方面动力系统故障会造成动力系统分布不均匀,从而产生极大的干扰力矩,影响运载火箭姿态稳定性,严重可能引发导弹失稳情况发生,因此亟需研究一种辨识速度快、结果准确的运载火箭单发推力故障诊断方法,对增强运载火箭\可靠性,提高发射、打击任务成功率有重要的研究意义。
通过对已有技术文献进行检索分析,目前没有直接利用运载火箭\导弹动力学特性开展发动机单发推力辨识的研究,对动力系统研究主要集中在发动机故障诊断和总推力估计两个方面。在发动机故障诊断方面,主要有“基于动态云BP网络的液体火箭发动机故障诊断方法”,刘垠杰,《航空动力学报》,第27卷第12期,2012年,将云模型与BP神经网络以串联方式有机结合,首先利用云变换方法进行网络的结构辨识和云模型的特征提取,同时通过在输出层引入单位延时环节描述发动机工作过程动态特性,研究提出了基于动态云 BP网络的液体火箭发动机故障诊断方法,实现对发动机故障模式诊断然而该方法的辨识速度较慢且无法精确获得运载火箭\导弹单发推力,不具有工程实践意义。在导弹总推力估计方面,主要有“参数估计法在运载火箭动力系统故障诊断中的应用”,符文星,《弹箭与制导学报》,第27卷第1期,2007年,通过建立运载火箭的数学模型,成功应用基于强跟踪滤波器的状态和参数联合估计方法,实现对运载火箭推力参数的正确估计,但该方法只能实现对发动机总推力估计,无法应对单发发动机故障模式的迅速诊断与定位需求。
发明内容
本发明目的是为了解决飞行过程中运载火箭在线推力故障诊断问题,提供一种基于无迹卡尔曼滤波和概率匹配的单发推力故障诊断方法。
本发明通过以下技术方案实现:一种针对运载火箭的在线单发推力故障诊断方法,所述故障诊断方法包括以下步骤:
S100基于运载火箭的姿态运动学和动力学方程建立运载火箭状态方程,并将带辨识量增广至状态量中,根据运载火箭实际单发推力数量建立相应数量的运载火箭单发推力故障诊断的系统状态方程和量测方程,为故障诊断提供基础;
S200在运载火箭\导弹实时飞行过程中,利用无迹卡尔曼滤波实现对运载火箭单发推力的估计,并获取估计误差和协方差阵;
S300利用误差和协方差阵进行概率匹配计算,实现对运载火箭推力故障定位,并利用无迹卡尔曼滤波的辨识结果直接获取故障发动机的输出推力。
进一步的,在步骤S100中,具体的,
采用扩展卡尔曼滤波器对发动机推力进行估计,发动机产生控制力矩可表示为:
即控制力矩可表示为
其中:
系统姿态动力学模型可表示为如下形式:
其中,z为状态向量,f(z)为状态向量的非线性函数向量,
B为系统的控制矩阵,
T作为发动机喷管推力向量,是系统的输入向量,T=[T1 T2 T3 T4]T;
w为系统的状态扰动向量,y为系统的测量向量,是导弹滚转角速度、偏航角速度、俯仰角速度、俯仰角、偏航角和滚转角的测量量,v为系统的测量噪声向量,
当第i(i=1,2,3,4)个发动机喷管出现推力损失后,设其推力变为式(6)变为如下形式
其中,G(i)(k)为矩阵G(k)的第i列,G(0,i)(k)为矩阵G(k)的第i列设置为零后的矩阵, Ti(k)表示除故障发动机以外的其它发动机推力组成的向量,
式也可写为
其中,
将发动机单发推力量估计值增广至系统状态向量中可得到新的状态方程,基于无迹卡尔曼滤波算法可对系统状态向量进行更新,最终实现发动机单发推力辨识,
液体火箭共有四个发动机喷管参与动力推进和姿态调整,即1号单发发动机,2号单发发动机,3号单发发动机和4号单发发动机,
因此采用以上方法建立四个推力估计滤波器,分别将1号单发发动机推力估计值、2 号单发发动机推力估计值、3号单发发动机推力估计值和4号单发发动机推力估计值增广到系统状态向量中,每个推力估计滤波器的状态向量均包含系统状态量z(k)和相应的单发发动机推力估计值,推力估计滤波器包含系统状态方程、量测方程和无迹卡尔曼滤波器,无迹卡尔曼滤波器基于系统方程(状态方程和量测方程)和运载火箭惯导系统输出量对状态方程中的状态量进行不断更新,即可对相应的单发发动机推力估计值进行不断更新,即可利用四个推力估计滤波器实现对运载火箭单发推力值的估计更新。
第i个推力估计滤波器的状态向量为
其中zi(k)表示系统的状态向量,为运载火箭的姿态角和姿态角速度,表示第i个火箭单发推力值的估计值,
对于第i个推力估计滤波器,增广的状态向量满足如下状态方程
也可以写成如下形式:
其中T=[T1 T2 T3 T4]T,表示发动机单发推力值,
基于以上过程建立了针对运载火箭四个单发发动机的四个系统状态方程和观测方程。其中状态量分别为运载火箭姿态角速度和姿态角和相应的单发发动机,观测量为运载火箭系统姿态角速度和姿态角,均可直接从运载火箭惯导系统中直接获得。
进一步的,步骤S200中包括以下步骤:
S210 Sigma点采样,根据UT变换计算状态向量矩阵:
采用采样策略,得到k时刻状态估计的Sigma点集{χk/k(i) i=1,...,2n+1},和相应的权值Wl m和Wl c,其中2n+1为所用的采样策略的采样Sigma点个数,
S220用状态方程传递采样点:
χk+1/k(i)=f(χk/k(i)) (13)
S230用预测采样点χk+1/k(i),权值Wl m和Wl c计算预测均值和协方差矩阵Pk+1/k,
S240用式(13)预测量测采样点
zk+1/k(i)=χk+1/k(i) (16)
S250测量测值和协方差
这里,Pzz是量测向量协方差矩阵;Pχz是状态向量与量测向量的协方差矩阵。
S260算UKF增益,更新状态向量和方差
如上式可知,系统方程包含状态方程和量测方程,量测量包含运载火箭姿态角和姿态角速度,可直接通过惯航系统输出获得,无迹卡尔曼滤波器通过系统量测量实时对系统状态量进行迭代更新,即对包含运载火箭姿态角、姿态角速度和单发推力估计值的状态量进行更新估计,即可初步实现对运载火箭单发推力值估计,四个推力估计滤波器可分别输出四个单发推力值的估计值,当发动机出现故障后,与故障发动机对应的滤波器仍可以对实际运载火箭单发推力进行准确估计,而其它滤波器估计模型与实际模型出现偏差,即其它滤波器系统方程与实际运载火箭系统出现偏差,因此无法进行准确估计,可利用概率匹配的方法对故障进行定位,从而实现动力系统故障诊断研究。
进一步的,通过对四个无迹卡尔曼滤波输出残差进行比较分析,即可实现故障定位,
第i个扩展卡尔曼滤波器的残差为ri(k),可表示为
ri(k)=y(k)-xi(k|k-1) (23)
第i个扩展卡尔曼滤波器的残差协方差阵∑i(k)表示为
根据概率论与数理统计定义,结合系统残差和协方差阵可给出该条件下的故障概率,有如下形式
其中,|·|为矩阵的行列式,q为测量数据向量的维数,
由上式可知,扩展卡尔曼滤波器的残差值越小,则由该滤波器解算得到的准确概率越高,对四个扩展卡尔曼滤波观测器的系统残差和协方差阵进行分析,采用式所示概率公式计算各个滤波器的故障概率,并对概率进行比较,概率最大所对应的发动机即为故障发动机,而其它滤波器对应的故障概率为零,即可实现故障定位,并通过该滤波器的状态更新值实现推力估计。
本发明的有益效果在于:本发明设计了一种针对运载火箭的在线单发推力故障诊断方法。该方法首先基于运载火箭的姿态运动学和动力学方程建立运载火箭状态方程,并将带辨识量增广至状态量中,根据运载火箭实际单发推力数量建立相应数量的运载火箭单发推力故障诊断的系统状态方程和量测方程,为故障诊断提供基础;然后利用无迹卡尔曼滤波算法实现对运载火箭单发推力的估计,并获取估计误差和协方差阵;最后利用误差和协方差阵进行概率匹配计算,实现对运载火箭推力故障定位,并利用无迹卡尔曼滤波的辨识结果直接获取故障发动机的输出推力。该辨识方法只利用了运载火箭\导弹系统姿态角、姿态角速度信息,基于运载火箭\导弹的动力学特性完成了单发发动机故障诊断,无需添加多余的监测元件,具有结构简单、设计过程简洁的特点且收敛速度快,辨识精度高,因此在运载火箭单发推力故障诊断中具有广阔的应用前景。
附图说明
图1为本发明的一种针对运载火箭的在线单发推力故障诊断方法的流程图。
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做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。
参照图1所示,本发明提供了一种针对运载火箭的在线单发推力故障诊断方法的一实施例,所述故障诊断方法包括以下步骤:
S100基于运载火箭的姿态运动学和动力学方程建立运载火箭状态方程,并将带辨识量增广至状态量中,根据运载火箭实际单发推力数量建立相应数量的运载火箭单发推力故障诊断的系统状态方程和量测方程,为故障诊断提供基础;
S200在运载火箭\导弹实时飞行过程中,利用无迹卡尔曼滤波实现对运载火箭单发推力的估计,并获取估计误差和协方差阵;
S300利用误差和协方差阵进行概率匹配计算,实现对运载火箭推力故障定位,并利用无迹卡尔曼滤波的辨识结果直接获取故障发动机的输出推力。
参照图1所示,在本部分优选实施例中,在步骤S100中,具体的,
采用扩展卡尔曼滤波器对发动机推力进行估计,发动机产生控制力矩可表示为:
即控制力矩可表示为
其中:
系统姿态动力学模型可表示为如下形式:
其中,z为状态向量,f(z)为状态向量的非线性函数向量,
B为系统的控制矩阵,
T作为发动机喷管推力向量,是系统的输入向量,T=[T1 T2 T3 T4]T;
w为系统的状态扰动向量,y为系统的测量向量,是导弹滚转角速度、偏航角速度、俯仰角速度、俯仰角、偏航角和滚转角的测量量,v为系统的测量噪声向量,
当第i(i=1,2,3,4)个发动机喷管出现推力损失后,设其推力变为式(6)变为如下形式
其中,G(i)(k)为矩阵G(k)的第i列,G(0,i)(k)为矩阵G(k)的第i列设置为零后的矩阵, Ti(k)表示除故障发动机以外的其它发动机推力组成的向量,
式也可写为
其中,
将发动机单发推力量估计值增广至系统状态向量中可得到新的状态方程,基于无迹卡尔曼滤波算法可对系统状态向量进行更新,最终实现发动机单发推力辨识,
液体火箭共有四个发动机喷管参与动力推进和姿态调整,即1号单发发动机,2号单发发动机,3号单发发动机和4号单发发动机,
因此采用以上方法建立四个推力估计滤波器,分别将1号单发发动机推力估计值、2 号单发发动机推力估计值、3号单发发动机推力估计值和4号单发发动机推力估计值增广到系统状态向量中,每个推力估计滤波器的状态向量均包含系统状态量z(k)和相应的单发发动机推力估计值,推力估计滤波器包含系统状态方程、量测方程和无迹卡尔曼滤波器,无迹卡尔曼滤波器基于系统方程(状态方程和量测方程)和运载火箭惯导系统输出量对状态方程中的状态量进行不断更新,即可对相应的单发发动机推力估计值进行不断更新,即可利用四个推力估计滤波器实现对运载火箭单发推力值的估计更新。
第i个推力估计滤波器的状态向量为
其中zi(k)表示系统的状态向量,为运载火箭的姿态角和姿态角速度,表示第i个火箭单发推力值的估计值,
对于第i个推力估计滤波器,增广的状态向量满足如下状态方程
也可以写成如下形式:
其中T=[T1 T2 T3 T4]T,表示发动机单发推力值,
基于以上过程建立了针对运载火箭四个单发发动机的四个系统状态方程和观测方程。其中状态量分别为运载火箭姿态角速度和姿态角和相应的单发发动机,观测量为运载火箭系统姿态角速度和姿态角,均可直接从运载火箭惯导系统中直接获得。
参照图1所示,在本部分优选实施例中,步骤S200中包括以下步骤:
S210Sigma点采样,根据UT变换计算状态向量矩阵:
采用采样策略,得到k时刻状态估计的Sigma点集{χk/k(i) i=1,...,2n+1},和相应的权值Wl m和Wl c,其中2n+1为所用的采样策略的采样Sigma点个数,
S220用状态方程传递采样点:
χk+1/k(i)=f(χk/k(i)) (13)
S230用预测采样点χk+1/k(i),权值Wl m和Wl c计算预测均值和协方差矩阵Pk+1/k,
S240用式(13)预测量测采样点
zk+1/k(i)=χk+1/k(i) (16)
S250测量测值和协方差
这里,Pzz是量测向量协方差矩阵;Pχz是状态向量与量测向量的协方差矩阵。
S260算UKF增益,更新状态向量和方差
如上式可知,系统方程包含状态方程和量测方程,量测量包含运载火箭姿态角和姿态角速度,可直接通过惯航系统输出获得,无迹卡尔曼滤波器通过系统量测量实时对系统状态量进行迭代更新,即对包含运载火箭姿态角、姿态角速度和单发推力估计值的状态量进行更新估计,即可初步实现对运载火箭单发推力值估计,四个推力估计滤波器可分别输出四个单发推力值的估计值,当发动机出现故障后,与故障发动机对应的滤波器仍可以对实际运载火箭单发推力进行准确估计,而其它滤波器估计模型与实际模型出现偏差,即其它滤波器系统方程与实际运载火箭系统出现偏差,因此无法进行准确估计,可利用概率匹配的方法对故障进行定位,从而实现动力系统故障诊断研究。
参照图1所示,在本部分优选实施例中,上文针对四个单发发动机建立了相应的推力估计滤波器,并通过传感器量测信息对状态向量进行更新,实时获取了相应推力值的估计值。四个推力估计滤波器分别假设1号发动机故障、2号发动机故障、3号发动机和4号发动机故障进行建模,当某发动机故障情况后,卡尔曼滤波观测器的预测值与实际值之间出现残差,残差越小,表示滤波器模型与系统模型越匹配,而残差越大,表明滤波器与实际故障系统不匹配。通过对四个无迹卡尔曼滤波输出残差进行比较分析,即可实现故障定位。通过对四个无迹卡尔曼滤波输出残差进行比较分析,即可实现故障定位,
第i个扩展卡尔曼滤波器的残差为ri(k),可表示为
ri(k)=y(k)-xi(k|k-1) (23)
第i个扩展卡尔曼滤波器的残差协方差阵∑i(k)表示为
根据概率论与数理统计定义,结合系统残差和协方差阵可给出该条件下的故障概率,有如下形式
其中,|·|为矩阵的行列式,q为测量数据向量的维数,
由上式可知,扩展卡尔曼滤波器的残差值越小,则由该滤波器解算得到的准确概率越高,对四个扩展卡尔曼滤波观测器的系统残差和协方差阵进行分析,采用式所示概率公式计算各个滤波器的故障概率,并对概率进行比较,概率最大所对应的发动机即为故障发动机,而其它滤波器对应的故障概率为零,即可实现故障定位,并通过该滤波器的状态更新值实现推力估计。
Claims (4)
1.一种针对运载火箭的在线单发推力故障诊断方法,其特征在于,所述故障诊断方法包括以下步骤:
S100基于运载火箭的姿态运动学和动力学方程建立运载火箭状态方程,并将带辨识量增广至状态量中,根据运载火箭实际单发推力数量建立相应数量的运载火箭单发推力故障诊断的系统状态方程和量测方程,为故障诊断提供基础;
S200在运载火箭\导弹实时飞行过程中,利用无迹卡尔曼滤波实现对运载火箭单发推力的估计,并获取估计误差和协方差阵;
S300利用误差和协方差阵进行概率匹配计算,实现对运载火箭推力故障定位,并利用无迹卡尔曼滤波的辨识结果直接获取故障发动机的输出推力。
2.根据权利要求1所述的一种针对运载火箭的在线单发推力故障诊断方法,其特征在于,在步骤S100中,具体的,
采用扩展卡尔曼滤波器对发动机推力进行估计,发动机产生控制力矩可表示为:
即控制力矩可表示为
其中:
系统姿态动力学模型可表示为如下形式:
其中,z为状态向量,f(z)为状态向量的非线性函数向量,
B为系统的控制矩阵,
T作为发动机喷管推力向量,是系统的输入向量,T=[T1 T2 T3 T4]T;
w为系统的状态扰动向量,y为系统的测量向量,是导弹滚转角速度、偏航角速度、俯仰角速度、俯仰角、偏航角和滚转角的测量量,v为系统的测量噪声向量,
当第i(i=1,2,3,4)个发动机喷管出现推力损失后,设其推力变为式(6)变为如下形式
其中,G(i)(k)为矩阵G(k)的第i列,G(0,i)(k)为矩阵G(k)的第i列设置为零后的矩阵,Ti(k)表示除故障发动机以外的其它发动机推力组成的向量,
式也可写为
其中,
将发动机单发推力量估计值增广至系统状态向量中可得到新的状态方程,基于无迹卡尔曼滤波算法可对系统状态向量进行更新,最终实现发动机单发推力辨识,
液体火箭共有四个发动机喷管参与动力推进和姿态调整,即1号单发发动机,2号单发发动机,3号单发发动机和4号单发发动机,
因此采用以上方法建立四个推力估计滤波器,分别将1号单发发动机推力估计值、2号单发发动机推力估计值、3号单发发动机推力估计值和4号单发发动机推力估计值增广到系统状态向量中,每个推力估计滤波器的状态向量均包含系统状态量z(k)和相应的单发发动机推力估计值,推力估计滤波器包含系统状态方程、量测方程和无迹卡尔曼滤波器,无迹卡尔曼滤波器基于系统方程(状态方程和量测方程)和运载火箭惯导系统输出量对状态方程中的状态量进行不断更新,即可对相应的单发发动机推力估计值进行不断更新,即可利用四个推力估计滤波器实现对运载火箭单发推力值的估计更新。
第i个推力估计滤波器的状态向量为
其中zi(k)表示系统的状态向量,为运载火箭的姿态角和姿态角速度,表示第i个火箭单发推力值的估计值,
对于第i个推力估计滤波器,增广的状态向量满足如下状态方程
也可以写成如下形式:
其中T=[T1 T2 T3 T4]T,表示发动机单发推力值,
基于以上过程建立了针对运载火箭四个单发发动机的四个系统状态方程和观测方程。其中状态量分别为运载火箭姿态角速度和姿态角和相应的单发发动机,观测量为运载火箭系统姿态角速度和姿态角,均可直接从运载火箭惯导系统中直接获得。
3.根据权利要求1所述的一种针对运载火箭的在线单发推力故障诊断方法,其特征在于,步骤S200中包括以下步骤:
S210Sigma点采样,根据UT变换计算状态向量矩阵:
采用采样策略,得到k时刻状态估计的Sigma点集{χk/k(i) i=1,...,2n+1},和相应的权值Wl m和Wl c,其中2n+1为所用的采样策略的采样Sigma点个数,
S220用状态方程传递采样点:
χk+1/k(i)=f(χk/k(i)) (13)
S230用预测采样点χk+1/k(i),权值Wl m和Wl c计算预测均值和协方差矩阵Pk+1/k,
S240用式(13)预测量测采样点
zk+1/k(i)=χk+1/k(i) (16)
S250测量测值和协方差
这里,Pzz是量测向量协方差矩阵;Pχz是状态向量与量测向量的协方差矩阵。
S260算UKF增益,更新状态向量和方差
如上式可知,系统方程包含状态方程和量测方程,量测量包含运载火箭姿态角和姿态角速度,可直接通过惯航系统输出获得,无迹卡尔曼滤波器通过系统量测量实时对系统状态量进行迭代更新,即对包含运载火箭姿态角、姿态角速度和单发推力估计值的状态量进行更新估计,即可初步实现对运载火箭单发推力值估计,四个推力估计滤波器可分别输出四个单发推力值的估计值,当发动机出现故障后,与故障发动机对应的滤波器仍可以对实际运载火箭单发推力进行准确估计,而其它滤波器估计模型与实际模型出现偏差,即其它滤波器系统方程与实际运载火箭系统出现偏差,因此无法进行准确估计,可利用概率匹配的方法对故障进行定位,从而实现动力系统故障诊断研究。
4.根据权利要求1所述的一种针对运载火箭的在线单发推力故障诊断方法,其特征在于,通过对四个无迹卡尔曼滤波输出残差进行比较分析,即可实现故障定位,
第i个扩展卡尔曼滤波器的残差为ri(k),可表示为
ri(k)=y(k)-xi(k|k-1) (23)
第i个扩展卡尔曼滤波器的残差协方差阵∑i(k)表示为
根据概率论与数理统计定义,结合系统残差和协方差阵可给出该条件下的故障概率,有如下形式
其中,|·|为矩阵的行列式,q为测量数据向量的维数,
由上式可知,扩展卡尔曼滤波器的残差值越小,则由该滤波器解算得到的准确概率越高,对四个扩展卡尔曼滤波观测器的系统残差和协方差阵进行分析,采用式所示概率公式计算各个滤波器的故障概率,并对概率进行比较,概率最大所对应的发动机即为故障发动机,而其它滤波器对应的故障概率为零,即可实现故障定位,并通过该滤波器的状态更新值实现推力估计。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910329499.3A CN110082115B (zh) | 2019-04-23 | 2019-04-23 | 一种针对运载火箭的在线单发推力故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910329499.3A CN110082115B (zh) | 2019-04-23 | 2019-04-23 | 一种针对运载火箭的在线单发推力故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110082115A true CN110082115A (zh) | 2019-08-02 |
CN110082115B CN110082115B (zh) | 2020-10-16 |
Family
ID=67416272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910329499.3A Active CN110082115B (zh) | 2019-04-23 | 2019-04-23 | 一种针对运载火箭的在线单发推力故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110082115B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111221345A (zh) * | 2020-01-23 | 2020-06-02 | 北京航天自动控制研究所 | 一种基于决策树的飞行器动力系统故障在线辨识方法 |
CN111502862A (zh) * | 2020-04-29 | 2020-08-07 | 内蒙动力机械研究所 | 一种堵盖型低通滤波器 |
CN111930094A (zh) * | 2020-07-13 | 2020-11-13 | 北京航空航天大学 | 一种基于扩展卡尔曼滤波的无人机执行机构故障诊断方法 |
CN112378670A (zh) * | 2020-11-10 | 2021-02-19 | 北京航空航天大学 | 一种基于改进粒子滤波的火箭发动机故障检测方法 |
CN112526884A (zh) * | 2020-12-04 | 2021-03-19 | 北京航空航天大学 | 一种故障系统自适应容错方法及系统 |
CN112597706A (zh) * | 2021-01-04 | 2021-04-02 | 中国人民解放军96901部队22分队 | 一种运载火箭执行机构故障在线诊断方法 |
CN113128570A (zh) * | 2021-03-30 | 2021-07-16 | 北京航空航天大学 | 基于增广粒子滤波的液体火箭发动机推力室故障诊断方法 |
CN116700203A (zh) * | 2023-05-04 | 2023-09-05 | 中国人民解放军国防科技大学 | 一种运载火箭姿态控制系统的故障检测与隔离方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000055599A (ja) * | 1998-08-03 | 2000-02-25 | Kawasaki Heavy Ind Ltd | 追尾装置によるロケット軌道推定法、ロケット未来位置予測法、ロケット識別法、ロケット状況検知法 |
EP2128765A2 (en) * | 2008-05-30 | 2009-12-02 | Honeywell International Inc. | Systems and methods for diagnosing faults in electronic systems |
CN103363993A (zh) * | 2013-07-06 | 2013-10-23 | 西北工业大学 | 一种基于无迹卡尔曼滤波的飞机角速率信号重构方法 |
CN106595705A (zh) * | 2016-11-22 | 2017-04-26 | 北京航天自动控制研究所 | 一种基于gps的飞行中惯性初始基准偏差估计方法 |
-
2019
- 2019-04-23 CN CN201910329499.3A patent/CN110082115B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000055599A (ja) * | 1998-08-03 | 2000-02-25 | Kawasaki Heavy Ind Ltd | 追尾装置によるロケット軌道推定法、ロケット未来位置予測法、ロケット識別法、ロケット状況検知法 |
EP2128765A2 (en) * | 2008-05-30 | 2009-12-02 | Honeywell International Inc. | Systems and methods for diagnosing faults in electronic systems |
CN103363993A (zh) * | 2013-07-06 | 2013-10-23 | 西北工业大学 | 一种基于无迹卡尔曼滤波的飞机角速率信号重构方法 |
CN106595705A (zh) * | 2016-11-22 | 2017-04-26 | 北京航天自动控制研究所 | 一种基于gps的飞行中惯性初始基准偏差估计方法 |
Non-Patent Citations (1)
Title |
---|
淡鹏等: "一种火箭及上面级外弹道实时滤波算法", 《雷达科学与技术》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111221345A (zh) * | 2020-01-23 | 2020-06-02 | 北京航天自动控制研究所 | 一种基于决策树的飞行器动力系统故障在线辨识方法 |
CN111221345B (zh) * | 2020-01-23 | 2023-04-14 | 北京航天自动控制研究所 | 一种基于决策树的飞行器动力系统故障在线辨识方法 |
CN111502862A (zh) * | 2020-04-29 | 2020-08-07 | 内蒙动力机械研究所 | 一种堵盖型低通滤波器 |
CN111930094A (zh) * | 2020-07-13 | 2020-11-13 | 北京航空航天大学 | 一种基于扩展卡尔曼滤波的无人机执行机构故障诊断方法 |
CN112378670A (zh) * | 2020-11-10 | 2021-02-19 | 北京航空航天大学 | 一种基于改进粒子滤波的火箭发动机故障检测方法 |
CN112378670B (zh) * | 2020-11-10 | 2021-10-15 | 北京航空航天大学 | 一种基于改进粒子滤波的火箭发动机故障检测方法 |
CN112526884A (zh) * | 2020-12-04 | 2021-03-19 | 北京航空航天大学 | 一种故障系统自适应容错方法及系统 |
CN112597706A (zh) * | 2021-01-04 | 2021-04-02 | 中国人民解放军96901部队22分队 | 一种运载火箭执行机构故障在线诊断方法 |
CN112597706B (zh) * | 2021-01-04 | 2022-11-29 | 中国人民解放军96901部队22分队 | 一种运载火箭执行机构故障在线诊断方法 |
CN113128570A (zh) * | 2021-03-30 | 2021-07-16 | 北京航空航天大学 | 基于增广粒子滤波的液体火箭发动机推力室故障诊断方法 |
CN113128570B (zh) * | 2021-03-30 | 2022-12-20 | 北京航空航天大学 | 基于增广粒子滤波的液体火箭发动机推力室故障诊断方法 |
CN116700203A (zh) * | 2023-05-04 | 2023-09-05 | 中国人民解放军国防科技大学 | 一种运载火箭姿态控制系统的故障检测与隔离方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110082115B (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110082115A (zh) | 一种针对运载火箭的在线单发推力故障诊断方法 | |
CN109933847B (zh) | 一种改进的主动段弹道估计算法 | |
Lu et al. | Nonlinear aircraft sensor fault reconstruction in the presence of disturbances validated by real flight data | |
Morelli et al. | Real-time dynamic modeling: data information requirements and flight-test results | |
CN106354901A (zh) | 一种运载火箭质量特性及动力学关键参数在线辨识方法 | |
CN111024143A (zh) | 一种高超声速飞行器传感器连锁故障诊断与容错控制方法 | |
CN112710298B (zh) | 基于动力学模型辅助的旋转弹用地磁卫星组合导航方法 | |
Rhudy et al. | Sensitivity analysis of extended and unscented Kalman filters for attitude estimation | |
CN112348124A (zh) | 一种基于数据驱动的微小故障诊断方法及装置 | |
CN113761809B (zh) | 一种基于深度神经网络的无源探测定轨方法 | |
CN110532621A (zh) | 一种飞行器气动参数在线辨识方法 | |
Brossard et al. | Tightly coupled navigation and wind estimation for mini UAVs | |
CN109696090A (zh) | 一种针对运载火箭\导弹的在线单发推力辨识方法 | |
CN112797988B (zh) | 基于神经网络的未知机动航天器轨道确定方法 | |
Han et al. | Quadratic-Kalman-filter-based sensor fault detection approach for unmanned aerial vehicles | |
Kumar et al. | Rotorcraft parameter identification from real time flight data | |
CN106863297A (zh) | 一种空间绳系机器人视觉精确逼近方法 | |
Kumar et al. | Nonlinear longitudinal aerodynamic modeling using neural Gauss-Newton method | |
Grauer et al. | Aeroelastic modeling of X-56A stiff-wing configuration flight test data | |
CN112287560A (zh) | 一种用于火箭在线轨迹规划的求解器设计方法 | |
CN104613984B (zh) | 临近空间飞行器传递对准模型不确定性的鲁棒滤波方法 | |
D’Antuono et al. | Estimation of aerodynamic angles and wind components for a launch vehicle | |
Saderla et al. | Parameter estimation of UAV from flight data using neural network | |
Abraham et al. | In-flight estimation of helicopter gross weight and mass center location | |
CN111191770B (zh) | 一种基于模糊神经网络的火箭系统健康状态评估方法 |
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 |