-
题名基于可解释模型的火箭推力故障辨识与轨迹预测方法
- 1
-
-
作者
周登极
刘巧珍
岳梦云
黄大文
王煜林
-
机构
上海交通大学动力机械与工程教育部重点实验室
北京宇航系统工程研究所
-
出处
《电子测量与仪器学报》
CSCD
北大核心
2023年第11期72-80,共9页
-
文摘
针对运载火箭飞行过程中的强非线性和高不确定性问题,以及火箭推力下降故障对飞行过程可靠性和安全性的重大影响,基于注意力机制提出一种可解释机器学习模型以提高火箭推力下降故障检测、故障发动机定位、故障程度估计、以及故障后轨迹预测的准确性和鲁棒性,使用注意力层提取高维时序飞行监测数据的特征,以特征矩阵简洁表达高维时序数据,进而采用自注意力及全连接网络预测推力下降发生的位置和推力下降程度,并通过长短期记忆单元对特征向量进行解码实现未来时段内飞行轨迹准确预测。在火箭推力下降数据集上对提出的模型进行测试,验证了模型的有效性。结果表明,提出的模型的故障定位准确率为96.0%,故障严重程度估计精度为94.7%,轨迹预测平均误差为0.94%,提出的模型在推力下降故障模式中具有良好的应用效果。
-
关键词
可解释机器学习模型
注意力机制
推力下降故障
故障严重程度
轨迹预测
-
Keywords
interpretable machine learning model
attention mechanism
thrust drop fault
fault severity
trajectory prediction
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于深度学习与SAE网络的火箭推力下降故障诊断
- 2
-
-
作者
陈海鹏
闫杰
符文星
-
机构
西北工业大学无人系统研究院
-
出处
《载人航天》
CSCD
北大核心
2022年第2期237-243,共7页
-
基金
国家自然科学基金(U1730135,61603297)
陕西省自然科学基金(2020JQ-219)。
-
文摘
针对运载火箭动力系统在发动机推力下降故障诊断中存在的推力下降程度及故障时间测算不精确的问题,提出了一种基于深度学习的故障诊断方法。不同时刻及程度的推力故障下,利用运载火箭六自由度运动学模型生成的过载信息作为故障训练样本,采用堆栈自动编码器方法训练网络,利用训练好的网络辨识发动机推力下降程度,带入六自由度仿真模型中可以实现在线故障诊断。数字仿真证实:该方法可以对火箭发动机的不同时刻与不同推力下降程度的推力损失进行故障诊断,与普通神经网络方法相比,精确性更高。
-
关键词
推力下降故障
运载火箭
故障诊断
深度学习
SAE网络
-
Keywords
thrust descent fault
launch vehicle
fault diagnosis
deep learning
Stacked Auto Encoder
-
分类号
V433
[航空宇航科学与技术—航空宇航推进理论与工程]
-
