[发明专利]一种基于改进贝叶斯算法的固液火箭发动机故障诊断方法

说明书

本发明公开了一种基于改进贝叶斯算法的固液火箭发动机故障诊断方法，属于故障诊断领域，具体为：首先，针对固液火箭发动机，通过对部件模型添加故障因子，获取各种故障信号；基于步进法对故障信号进行处理，将观测信息由一维提升到高维空间中；使用K‑PCA方法对高维特征进行降维处理，提取各故障信号的主成分特征；然后，建立基于FCM的模糊多态贝叶斯网络，并利用主成分特征进行训练，得到贝叶斯网络各节点的状态数；最后，利用各节点的状态数对应各部件模型发生的故障概率分布，并与各自设定的阈值相比较，判断对应的部件模型是否发生故障。本发明实现了对观测信号尺度的模糊处理，提高了对不确定性故障的诊断能力，具有准确率高、适应性强的优点。

技术领域

本发明属于故障诊断领域，涉及固液火箭发动机的故障诊断方法，具体为一种基于改进贝叶斯算法的固液火箭发动机故障诊断方法。

背景技术

固液火箭发动机在结构复杂度和推力可控性的综合性能上，具有液体和固体发动机无可比拟的优势，在航天各个应用领域均展现出了广泛的应用前景。从目前国内外固液火箭发动机的发展来看，虽然其探索性研制取得了一定的成功，但是可靠性仍然是制约其广泛使用的重要因素。因此，针对固液火箭发动机设计高可靠性的故障诊断系统对于其未来实际应用具有重要工程意义。

火箭发动机的故障诊断通常是利用发动机自带的传感器测量，得到的转速、流量和压强等信号，结合故障诊断算法，对发动机工作过程中可能遇到的故障进行诊断识别。当前存在的故障诊断算法主要是基于机理模型或神经网络的方法；如Kawatsu K等人针对液体火箭发动机提出一种基于模型的EMA故障诊断方法(见文献[1])。Cha J等人利用非线性卡尔曼滤波方法对液体火箭发动机瞬态状态进行故障检测与诊断(见文献[2])。Yu H等人针对液体火箭发动机提出了一种利用自适应遗传算法优化BP神经网络的故障诊断方法(见文献 [3])。Wang L等人提出使用卷积神经网络(CNN)自适应地提取时频图特征的方式进行故障诊断(见文献[4])。

由于固液火箭发动机的复杂性导致很难获取精确的数学模型，使得基于机理模型方式往往实际应用诊断准确度不高，或者只能对少数几种故障进行诊断。而基于神经网络学习诊断的基础是实验数据，固液火箭发动机由于型号和环境的不同会导致不同的实验结果，并且单次试验的成本较为高昂，难以获得大量试验数据，因此这种方法不适用于固液火箭发动机。而贝叶斯网络理论体系可以表达变量之间的概率关系，同时有着坚实的数学理论基础，非常适合解决不确定性问题，被广泛应用于故障诊断。

采用贝叶斯网络用于固液火箭发动机故障诊断具有一定的应用基础，而由于固液火箭发动机时序信号的隐性特征与观测信息尺度的单一化，需要对其进行改进。

发明内容

针对上述问题，本发明提出了一种基于改进贝叶斯算法的固液火箭发动机故障诊断方法，通过将步进法与核主成分分析(K-PCA)相结合，并根据模糊C均值聚类算法(FCM)建立模糊多态贝叶斯网络，使观测信号尺度得到模糊处理，达到了对固液火箭发动机故障诊断的作用，具有准确率高，适应性强的优势。

所述基于改进贝叶斯算法的固液火箭发动机故障诊断方法，分以下步骤：

步骤一、针对固液火箭发动机，通过对部件模型添加故障因子，利用传感器获取各种故障发生的初始信号；

部件模型包括转子，氧化剂管路，离心泵，涡轮泵转子和燃烧室等；

通过修改故障因子的大小，进一步模拟发动机部件故障发生的程度。

步骤二、基于步进法对故障初始信号进行处理，将每个传感器通道得到的观测信息由一维提升到高维空间中；使用K-PCA方法对每个通道的高维特征分别进行降维处理，提取各故障发生信号的主成分特征作为反映故障的信息；

提取的特征包括：极大值，极小值，振幅，均值，方差，峭度和回归斜率；