数据驱动智能故障诊断技术在液体火箭发动机的应用与展望

doi:10.7527/S1000-6893.2025.31427

流体力学与飞行力学

本期目录 | 过刊浏览 | 高级检索

前一篇 |

数据驱动智能故障诊断技术在液体火箭发动机的应用与展望

杨述明, 吴建军(), 谢昌霖, 程玉强, 王彪

国防科技大学空天科学学院，长沙 410073

收稿日期:2024-10-21 修回日期:2024-11-25 接受日期:2025-02-10 出版日期:2025-03-07 发布日期:2025-02-25
通讯作者: 吴建军 E-mail:jjwu@nudt.edu.cn
基金资助:
国家自然科学基金创新群体研究项目(T2221002)

Application issues of data-driven intelligent fault diagnosis technologies for liquid rocket engines

Shuming YANG, Jianjun WU(), Changlin XIE, Yuqiang CHENG, Biao WANG

College of Aerospace Science and Engineering，National University of Defense Technology，Changsha 410073，China

Received:2024-10-21 Revised:2024-11-25 Accepted:2025-02-10 Online:2025-03-07 Published:2025-02-25
Contact: Jianjun WU E-mail:jjwu@nudt.edu.cn
Supported by:
National Natural Science Foundation of China(T2221002)

摘要/Abstract

摘要：

故障诊断是保障液体火箭发动机安全性的关键技术之一，其中基于模型的诊断方法受限于诊断精度与模型准确度间不可调和的矛盾，以信号处理技术为典型代表的数据驱动诊断方法高度依赖专家领域知识。在人工智能和大数据快速发展背景下，数据驱动智能故障诊断方法获得了广泛关注，并在各种工程应用中取得了巨大成功。从机器学习的模型结构和特征工程2个维度，梳理数据驱动智能故障诊断方法在液体火箭发动机中的应用模式，进一步分析数据驱动智能故障诊断方法在液体火箭发动机实际健康监测应用中面临的3大挑战，并基于团队研究成果给出针对性解决措施，最后对数据驱动智能故障诊断方法存在的差距和下一步发展趋势进行总结。

关键词: 液体火箭发动机, 健康监测, 数据驱动, 机器学习, 智能故障诊断

Abstract:

Fault diagnosis is one of the key technologies to ensure the safety of liquid rocket engines. The model-based diagnostic methods are limited by the irreconcilable contradiction between diagnostic accuracy and model accuracy， while data-driven diagnostic methods， typified by signal processing techniques， rely heavily on expert domain knowledge. With the rapid development of artificial intelligence and big data， the data-driven intelligent fault diagnosis methods have received extensive attention and achieved great success in a great variety of engineering applications. Therefore， the application modes of the data-driven intelligent fault diagnosis methods in liquid rocket engines was reviewed from the perspectives of model structures and feature engineering of machine learning. The three major challenges faced by the the data-driven intelligent fault diagnosis methods in the practical health monitoring application of liquid rocket engines were further analyzed， and the corresponding solutions based on research achievements of our team were presented， respectively. Finally， review conclusions and future works of the data-driven intelligent fault diagnosis technology were proposed to inspire further exploration in this field.

Key words: liquid rocket engines, health monitoring, data-driven, machine learning, intelligent fault diagnosis

中图分类号:

V434

杨述明, 吴建军, 谢昌霖, 程玉强, 王彪. 数据驱动智能故障诊断技术在液体火箭发动机的应用与展望[J]. 航空学报, 2025, 46(15): 131427.

Shuming YANG, Jianjun WU, Changlin XIE, Yuqiang CHENG, Biao WANG. Application issues of data-driven intelligent fault diagnosis technologies for liquid rocket engines[J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(15): 131427.

图/表 16

图 1

图 2

图 3

图 4

图 5

图 6

图 7

图 8

图 9

图 10

图 11

图 12

图 13

图 14

图15

表1

参考文献 99

[1]	吴建军，朱晓彬，程玉强，等. 液体火箭发动机智能健康监控技术研究进展［J］. 推进技术， 2022， 43（1）： 7-19.
	WU J J， ZHU X B， CHENG Y Q， et al. Research progress of intelligent health monitoring technology for liquid-propellant rocket engines［J］. Journal of Propulsion Technology， 2022， 43（1）： 7-19 （in Chinese）.
[2]	包为民. 可重复使用运载火箭技术发展综述［J］. 航空学报， 2023， 44（23）： 629555.
	BAO W M. A review of reusable launch vehicle technol-ogy development［J］. Acta Aeronautica et Astronautica Sinica， 2023， 44（23）： 629555 （in Chinese）.
[3]	KANSO S， JHA M S， GALEOTTA M， et al. Remaining useful life prediction with uncertainty quantification of liquid propulsion rocket engine combustion chamber［J］. IFAC-PapersOnLine， 2022， 55（6）： 96–101.
[4]	陈泽灏，陈晖，高玉闪，等. 基于模型的液体火箭发动机故障诊断技术回顾与展望［J］. 航空学报， 2023， 44（23）： 629016.
	CHEN Z H， CHEN H， GAO Y S， et al. Review and prospect of model-based fault diagnosis technology for liquid rocket engines［J］. Acta Aeronautica et Astronautica Sinica， 2023， 44（23）： 629016 （in Chinese）.
[5]	IANNETTI A， MARZAT J， LAHANIER H P， et al. Automatic tuning strategies for model-based diagnosis methods applied to a rocket engine demonstrator［C］∥PHM Society European Conference， 2016.
[6]	MARU Y， MORI H， OGAI T， et al. Anomaly detection configured as a combination of state observer and mahalanobis-taguchi method for a rocket engine［J］. Transactions of the Japan Society for Aeronautical and Space Sciences， Aerospace Technology Japan， 2018， 16（2）： 195-201.
[7]	CHA J， KO S， PARK SY， et al. Fault detection and diagnosis algorithms for transient state of an open-cycle liquid rocket engine using nonlinear Kalman filter methods［J］. Acta Astronautica， 2019， 163： 147-56.
[8]	LEE K， CHA J， KO S， et al. Fault detection and diagnosis algorithms for an open-cycle liquid propellant rocket engine using the Kalman filter and fault factor methods［J］. Acta Astronautica， 2018， 150： 15-27.
[9]	许亮，芦弘炜，王闻浩，等. 基于无迹卡尔曼滤波的液体火箭发动机故障诊断［J］. 载人航天， 2024， 30（4）： 516-525.
	XU L， LU H W， WANG W H， et al. Fault diagnosis of liquid rocket engine based on unscented Kalman filter ［J］. Manned Spaceflight， 2024， 30（4）： 516-525 （in Chinese）.
[10]	ZENG Y Z， SHAO X D， HU Q L，et al. Fault diagnosis of liquid rocket engine thrust chamber based on improved augmented particle filter ［C］∥The 40th Chinese Control Conference（CCC）. Piscataway： IEEE Press， 2021.
[11]	BROCK DC， GRAD B. Expert systems： Commercializing artificial intelligence［J］. IEEE Annals of the History of Computing， 2022， 44 （1）： 5-7.
[12]	CHEN M Q， QU R， FANG W G. Case-based reasoning system for fault diagnosis of aero-engines［J］. Expert Systems With Applications， 2022， 202： 117350.
[13]	黄敏超，张育林，陈启智. 基于模糊规则集度量的液体火箭发动机故障诊断［J］. 推进技术， 1997， 18（5）： 5-8.
	HUANG M C， ZHANG Y L， CHEN Q Z. Fault diagnosis of liquid rocket engine based on fuzzy measuring of fuzzy rules sets［J］. Journal of Propulsion Technology， 1997， 18（5）： 5-8 （in Chinese）.
[14]	董周杰，郭迎清. 基于综合模糊聚类算法的液体火箭发动机故障诊断［J］. 航空动力学报， 2020， 35（6）： 1326-1334.
	DONG Z J， GUO Y Q. Fault diagnosis of liquid rocket engine based on comprehensive fuzzy clustering algorithm［J］. Journal of Aerospace Power， 2020，35（6）： 1326-1334 （in Chinese）.
[15]	孙成志，闫晓东. 基于神经网络和证据理论的火箭发动机故障诊断［J］. 宇航总体技术， 2020， 4（4）： 20-30.
	SUN C Z， YAN X D. Fault diagnosis of rocket engine based on neural network and evidence theory［J］. Astronautical Systems Engineering Technology，2020， 4（4）： 20-30 （in Chinese）.
[16]	黄卫东，王克昌. 基于深层知识规则的液体火箭发动机故障诊断［J］. 宇航学报， 1997， 18（4）： 61-65.
	HUANG W D， WANG K C. Rocket engine fault diagnosis based on rules of deep knowledge representation［J］. Journal of Astronautics， 1997， 18（4）：61-65 （in Chinese）.
[17]	陈启智. 液体火箭发动机故障检测与诊断研究的若干进展［J］. 宇航学报， 2003， 24（1）： 1-11.
	CHEN Q Z. Advances in fault detection and diagnosis of liquid rocket engines［J］. Journal of Astronautics， 2003， 24（1）：1-11 （in Chinese）.
[18]	刘冰，张育林. 奇偶空间法用于液体火箭发动机故障诊断［J］. 推进技术， 1999， 20（6）： 6-9.
	LIU B， ZHANG Y L. Parity space method for fault diagnosis of liquid rocket engine［J］. Journal of Propulsion Technology， 1999， 20（6）： 6-9 （in Chinese）.
[19]	高鸣，任海峰，胡小平，等. 独立分量分析在液体火箭发动机故障诊断中的应用［J］. 导弹与航天运载技术， 2013（4）： 74-77.
	GAO M， REN H F， HU X P， et al. Independent component analysis for fault diagnosis of the liquid rocket engine［J］. Missiles and Space Vehicles， 2013（4）： 74-77 （in Chinese）.
[20]	GEBRAEEL N， LEI Y G， LI N P， et al. Prognostics and remaining useful life prediction of machinery： Advances， opportunities and challenges［J］. Journal of Dynamics， Monitoring and Diagnostics， 2023， 2（1）： 1-12
[21]	文成林，吕菲亚. 基于深度学习的故障诊断方法综述［J］. 电子与信息学报， 2020， 42（1）： 234-248.
	WEN C L， LÜ F Y. Review on Deep Learning Based Fault Diagnosis［J］. Journal of Electronics and Information Technology， 2020， 42（1）： 234-248 （in Chinese）.
[22]	FOROOTAN M M， LARKI I， ZAHEDI R， et al. Machine learning and deep learning in energy systems： A review［J］. Sustainability， 2022， 14（8）： 4832.
[23]	GAO Q， WU X， GUO J， et al. Machine-learning-based intelligent mechanical fault detection and diagnosis of wind turbines［J］. Mathematical Problems in Engineering， 2021， 2021： 9915084.
[24]	OCHELLA S， SHAFIEE M， DINMOHAMMADI F. Artificial intelligence in prognostics and health management of engineering systems［J］. Engineering Applications of Artificial Intelligence， 2022， 108： 104552.
[25]	GONG Y， CHEN Z H. A sequential approach to feature selection in high-dimensional additive models［J］. Journal of Statistical Planning and Inference， 2021， 215： 289-298.
[26]	余萍，曹洁. 深度学习在故障诊断与预测中的应用［J］. 计算机工程与应用， 2020， 56（3）： 1-18.
	YU P， CAO J. Deep learning approach and its application in fault diagnosis and prognosis［J］. Computer Engineering and Applications， 2020， 56（3）： 1-18 （in Chinese）.
[27]	NIE Y， CHENG， Y Q， WU J. Dynamic cloud back-propagation networks and its application in fault diagnostic for liquid-propellant rocket engines［J］， Proceedings of the Institution of Mechanical Engineers， Part G： Journal of Aerospace Engineering， 2018， 232（3）： 583-594.
[28]	LI N N， XUE W， GUO X， et al. Fault detection in liquid-propellant rocket engines based on improved PSO-BP neural network［J］. Journal of Software， 2019， 14（8）： 380-387.
[29]	XU L， ZHAO S B， LI N B， et al. Application of QGA-BP for fault detection of liquid rocket engines［J］. IEEE Transactions on Aerospace and Electronic Systems， 2019， 55（5）： 2464-2472.
[30]	PARK S Y， AHN J. Deep neural network approach for fault detection and diagnosis during startup transient of liquid-propellant rocket engine［J］. Acta Astronautica， 2020， 177： 714-730.
[31]	ZHOU Y F， CHANG B H， ZOU H F， et al. Online visual monitoring method for liquid rocket engine nozzle welding based on a multi-task deep learning model［J］. Journal of Manufacturing Systems， 2023， 68： 1-11.
[32]	FENG Y， LIU Z J， CHEN J L， et al. Make the rocket intelligent at IoT edge： Stepwise GAN for anomaly detection of LRE with multisource fusion［J］. IEEE Internet of Things Journal， 2022； 9（4）： 3135-3149.
[33]	TSUTSUMI S， HIRABAYASHI M， SATO D， et al. Data-driven fault detection in a reusable rocket engine using bivariate time-series analysis［J］. Acta Astronautica， 2021， 179： 685-694.
[34]	FENG Z G， XU T. Comparison of SOM and PCA-SOM in fault diagnosis of ground-testing bed［J］. Procedia Engineering， 2011， 15： 1271-1276.
[35]	RAMACHANDRAN S， ROSENGARTEN M， BELARDI C. Semi-supervised machine learning for spacecraft anomaly detection & diagnosis［C］∥2020 IEEE Aerospace Conference. Piscataway： IEEE Press， 2020.
[36]	SCHWABACHER M， OZA N， MATTHEWS B. Unsupervised anomaly detection for liquid-fueled rocket propulsion health monitoring［J］. Journal of Aerospace Computing， Information， and Communication， 2009， 6（7）： 464-482.
[37]	ZHU X B， CHENG Y Q， WU J J， et al. Steady-state process fault detection for liquid rocket engines based on convolutional auto-encoder and one-class support vector machine［J］. IEEE Access， 2019， 8： 3144-3158.
[38]	LI F D， CHEN J L， LIU Z J， et al. A soft-target difference scaling network via relational knowledge distillation for fault detection of liquid rocket engine under multi-source trouble-free samples［J］. Reliability Engineering and System Safety， 2022， 228： 10875.
[39]	LV H X， CHEN J L， WANG J， et al. A supervised framework for recognition of liquid rocket engine health state under steady-state process without fault samples［J］. IEEE Transactions on Instrumentation and Measurement， 2021， 70： 3518610.
[40]	AISWARYA N， SUJA PRIYADHARSINI S， MONI K S. An efficient approach for the diagnosis of faults in turbo pump of liquid rocket engine by employing FFT and time-domain features［J］. Australian Journal of Mechanical Engineering， 2018， 16（3）： 163-172.
[41]	XU Y， ZHAO Y， KE W， et al. A multi-fault diagnosis method based on improved SMOTE for class-imbalanced data［J］. The Canadian Journal of Chemical Engineering， 2023， 101（4）： 1986-2001.
[42]	JIN Y P， YANG J F， YANG X， et al. Cross-domain bearing fault diagnosis method based on SMOTENC and deep transfer learning under imbalanced data［J］. Measurement Science and Technology， 2023， 35（1）： 015121.
[43]	ZHANG H P， HUANG L L， WU C Q， et al. An effective convolutional neural network based on SMOTE and Gaussian mixture model for intrusion detection in imbalanced dataset［J］. Computer Networks， 2020， 177： 107315.
[44]	YANG X W， XU X Y， WANG Y R， et al. The fault diagnosis of a plunger pump based on the SMOTE + tomek link and dual-channel feature fusion［J］. Applied Sciences， 2024， 14 （11）： P4785.
[45]	SATOH D， TSUTSUMI S， HIRABAYASHI M， et al. Estimating model parameters of liquid rocket engine simulator using data assimilation［J］. Acta Astronautica， 2020， 177： 373-385.
[46]	HIRABAYASHI M， SATOH D， TSUTSUMI S， et al. Complementary-integrated approach to model-based and data-driven prognostics and fault diagnosis for reusable rocket engine systems［J］. Transactions of the Japan Society for Aeronautical and Space Sciences， Aerospace Technology Japan， 2021， 19（2）： 160-9.
[47]	WANG C X， ZHANG Y X， ZHAO Z B， et al. Dynamic model-assisted transferable network for liquid rocket engine fault diagnosis using limited fault samples［J］. Reliability Engineering & System Safety， 2024， 243： 109837.
[48]	程玉强，邓凌志. Wasserstein距离在液体火箭发动机故障检测中的应用［J］. 国防科技大学学报， 2023， 45（4）： 20-27.
	CHENG Y Q， DENG L Z. Application of Wasserstein distance in fault detection for liquid-propellant rocket engines［J］. Journal of National University of Defense Technology， 2023，45 （4）： 20-27 （in Chinese）.
[49]	DENG L Z， CHENG Y Q， YANG S M， et al. Fault detection and diagnosis for liquid rocket engines with sample imbalance based on Wasserstein generative adversarial nets and multilayer perceptron［J］. Proceedings of the Institution of Mechanical Engineers， Part G： Journal of Aerospace Engineering， 2022， 237 （8）： 1751-1763.
[50]	ZHAO D F， LIU S L， MIAO Z H， et al. Subdomain adaptation joint attention network enabled two-stage strategy towards few-shot fault diagnosis of LRE turbopump ［J］. Advanced Engineering Informatics， 2024， 60： 102366.
[51]	YAN S， ZHONG X， SHAO H D， et al. Digital twin-assisted imbalanced fault diagnosis framework using subdomain adaptive mechanism and margin-aware regularization［J］. Reliability Engineering & System Safety， 2023， 239： 109522.
[52]	QIN Y， LIU H Y， MAO Y F. Faulty rolling bearing digital twin model and its application in fault diagnosis with imbalanced samples［J］. Advanced Engineering Informatics， 2024， 61： 102513.
[53]	YU X， YIN HS， SUN L， et al. A new cross-domain bearing fault diagnosis framework based on transferable features and manifold embedded discriminative distribution adaption under class imbalance［J］. IEEE Sensors Journal， 2023， 23 （7）： 7525-7545.
[54]	IRFAN M， MUSHTAQ Z， KHAN N A， et al. Improving bearing fault identification by using novel hybrid involution-convolution feature extraction with adversarial noise injection in conditional GANs［J］. IEEE Access， 2023， 11： 118253-118267.
[55]	LI S， PENG Y F， SHEN Y P， et al. Rolling bearing fault diagnosis under data imbalance and variable speed based on adaptive clustering weighted oversampling［J］. Reliability Engineering & System Safety， 2024， 244： 109938.
[56]	HAN Z Z， WANG H R， SHEN C， et al. Attention features selection oversampling technique （AFS-O） for rolling bearing fault diagnosis with class imbalance［J］. Measurement Science and Technology， 2024， 35（3）： 035002.
[57]	XING Z Y， ZHAO R Z， WU Y C， et al. Intelligent fault diagnosis of rolling bearing based on novel CNN model considering data imbalance［J］. Applied Intelligence， 2022， 52（14）： 16281-16293.
[58]	YU H， LIU W Z， GU Y J， et al. TEM-SDRF： A novel approach for machinery fault diagnosis amid dual imbalances in fault and noise samples［J］. IEEE Sensors Journal， 2024， 24 （14）： 22259-22270.
[59]	SAUFI S R， AHMAD Z A B， LEONG M S， et al. Gearbox fault diagnosis using a deep learning model with limited data sample［J］. IEEE Trans Ind Informatics， 2020， 16（10）： 6263-6271.
[60]	JIA F， LEI YG， LU N， et al. Deep normalized convolutional neural network for imbalanced fault classification of machinery and its understanding via visualization［J］. Mechanical Systems and Signal Processing， 2018， 110： 349-367.
[61]	MALDONADO S， LÓPEZ J. Dealing with high-dimensional class imbalanced datasets： Embedded feature selection for SVM classification［J］. Applied Soft Computing， 2018， 67： 94-105.
[62]	XU Q F， LU S X， JIA W Y， et al. Imbalanced fault diagnosis of rotating machinery via multi-domain feature extraction and cost-sensitive learning［J］. Journal of Intelligent Manufacturing， 2020， 31（6）： 1467-1481.
[63]	JIA F， LI S H， ZUO H， et al. Deep neural network ensemble for the intelligent fault diagnosis of machines under imbalanced data［J］. IEEE Access， 2020， 8：120974-120982.
[64]	ZHUANG F， QI Z Y， DUAN K Y， et al. A comprehensive survey on transfer learning［J］. Proceedings of the IEEE， 2020， 109（1）： 43-76.
[65]	YU F C， XIU X C， LI Y H. A survey on deep transfer learning and beyond［J］. Mathematics， 2022， 10（19）： 3619.
[66]	TANG S N， MA J T， YAN Z Q， et al. Deep transfer learning strategy in intelligent fault diagnosis of rotating machinery［J］. Engineering Applications of Artiffcial Intelligence， 2024， 134： 108678.
[67]	ZHANG C X， TANG S， TANG K. Strategies of parameter fault detection for rocket engines based on transfer learning［J］. Journal of Computer Applications， 2020， 40（9）： 2774-2780.
[68]	PAN T Y， CHEN J L， YE Z S， et al. A multi-head attention network with adaptive meta-transfer learning for RUL prediction of rocket engines［J］. Reliability Engineering and System Safety， 2022， 225： 108610.
[69]	ZHAO Y P， JIN H J， LIU H. Gas path fault diagnosis of turboshaft engine based on novel transfer learning methods［J］. Journal of Dynamic Systems， Measurement and Control， Transactions of the ASME， 2024， 146（3）： 031010.
[70]	HU J T， CHEN M， TANG H L， et al. An adversarial transfer learning method based on domain distribution prediction for aero-engine fault diagnosis［J］. Engineering Applications of Artificial Intelligence， 2024， 133： 108287.
[71]	FENG Y， CHEN J L， XIE J S， et al. Meta-learning as a promising approach for few-shot cross-domain fault diagnosis： Algorithms， applications， and prospects［J］. Knowledge-Based Systems， 2022， 235： 107646.
[72]	WANG L， HUANG D K， HUANG K， et al. Online meta-learning approach for sensor fault diagnosis using limited data［J］. Smart Materials and Structures， 2024， 33（8）： 085016.
[73]	XU Z， GAO X Y， FU J， et al. A novel fault diagnosis method under limited samples based on an extreme learning machine and meta-learning［J］. Journal of the Taiwan Institute of Chemical Engineers， 2024， 161： 105522.
[74]	ZHAO J， TANG T， YU Y， et al. Adaptive meta transfer learning with efficient self-attention for few-shot bearing fault diagnosis［J］. Neural Processing Letters， 2023， 55（2）： 949-968.
[75]	VINYALS O， BLUNDELL C， LILLICRAP T， et al. Matching networks for one shot learning［C］∥Proceedings of the 30th International Conference on Neural Information Processing Systems， 2016： 3637-3645.
[76]	ZHONG J H， GU K R， JIANG H F， et al. A fine-tuning prototypical network for few-shot cross-domain fault diagnosis［J］. Measurement Science and Technology， 2024， 35（11）： 116124.
[77]	MA R Y， HAN T， LEI W X. Cross-domain meta learning fault diagnosis based on multi-scale dilated convolution and adaptive relation module［J］. Knowledge-Based Systems， 2023， 261： 110175.
[78]	LAZAROS K， KOUMADORAKIS D E， VRAHATIS A G， et al. A comprehensive review on zero-shot-learning techniques［J］. Intelligent Decision Technologies， 2024， 18（2）： 1001-1028.
[79]	ZHANG S Y， WEI H L， DING J L. An effective zero-shot learning approach for intelligent fault detection using 1D CNN［J］. Applied Intelligence， 2023， 53（12）： 16041-16058.
[80]	XU J， LIANG S K， DING X， et al. A zero-shot fault semantics learning model for compound fault diagnosis［J］. Expert Systems with Applications， 2023， 221： 119642.
[81]	LI CJ， LUO K， YANG L， et al. A zero-shot fault detection method for UAV sensors based on a novel CVAE-GAN model［J］. IEEE Sensors Journal， 2024， 24（14）： 23239-23254.
[82]	ZHAO D D， YIN H P， ZHOU H， et al. A zero-sample fault diagnosis method based on transfer learning［J］. IEEE Transactions on Industrial Informatics， 2024， 20（10）：11542-11552.
[83]	KIRANYAZ S， DEVECIOGLU O C， ALHAMS A， et al. Zero-shot motor health monitoring by blind domain transition［J］. Mechanical Systems and Signal Processing， 2024， 210： 111147.
[84]	ORTIGOSSA E S， GONÇALVES T， NONATO L G. Explainable artificial intelligence （XAI）—from theory to methods and applications［J］. IEEE Access， 2024，12： 80799-80846.
[85]	MOOSAVI S， FARAJZADEH-ZANJANI M， RAZAVI- FAR R， et al. Explainable AI in manufacturing and industrial cyber-physical systems： A survey［J］. Electronics， 2024， 13（17）： 3497.
[86]	蒲天骄，乔骥，赵紫璇，等. 面向电力系统智能分析的机器学习可解释性方法研究（一）：基本概念与框架［J］. 中国电机工程学报， 2023， 43（18）： 7010-7030.
	PU T J， QIAO J， ZHAO Z X， et al. Research on interpretable methods of machine learning applied in intelligent analysis of power system （Part Ⅰ）： Basic concept and framework［J］. Proceedings of the CSEE， 2023， 43（18）： 7010-7030 （in Chinese）.
[87]	HERWIG N， BORGHESANI P. Explaining deep neural networks processing raw diagnostic signals［J］. Mechanical Systems and Signal Processing， 2023， 200： 110584.
[88]	AMIN A， BIBO A， PANYAM M， et al. Wind turbine gearbox fault diagnosis using cyclostationary analysis and interpretable CNN［J］. Journal of Vibration Engineering & Technologies， 2024， 12（2）： 1695-1705.
[89]	FERRARO A， GALLI A， MOSCATO V， et al. Evaluating explainable artificial intelligence tools for hard disk drive predictive maintenance［J］. Artificial Intelligence Review， 2023， 56（7）： 7279-7314.
[90]	UTAMA C， MESKE C， SCHNEIDER J， et al. Explainable artificial intelligence for photovoltaic fault detection： A comparison of instruments［J］. Solar Energy， 2023， 249： 139-151.
[91]	FIGUEROA BARRAZA J， LÓPEZ DROGUETT E， RAMOS MARTINS M. FS-SCF network： Neural network interpretability based on counterfactual generation and feature selection for fault diagnosis［J］. Expert Systems with Applications， 2024， 237： 121670.
[92]	OBREGON J， JUNG J Y. Rule-based visualization of faulty process conditions in the die-casting manufacturing［J］. Journal of Intelligent Manufacturing， 2024， 35（2）： 521-537.
[93]	HSU H C， LU C C， WANG S W， et al. Rule generation for classifying slt failed parts［C］∥2022 IEEE 40th VLSI Test Symposium （VTS）. Piscataway： IEEE Press， 2022： 1-7.
[94]	LIU J Q， HOU L， ZHANG R， et al. Explainable fault diagnosis of oil-gas treatment station based on transfer learning［J］. Energy， 2023， 262： 125258.
[95]	HOOVER B， STROBELT H， GEHRMANN S. exBERT： A visual analysis tool to explore learned representations in transformer models［C］∥Annual Meeting of the Association for Computational Linguistics， 2020.
[96]	SHAJALAL M， BODEN A， STEVENS G. ForecastExplainer： Explainable household energy demand forecasting by approximating shapley values using deeplift［J］. Technological Forecasting and Social Change， 2024， 206： 123588.
[97]	LI G N， LI F， XU C L， et al. A spatial-temporal layer-wise relevance propagation method for improving inter- pretability and prediction accuracy of LSTM building energy prediction［J］. Energy and Buildings， 2022， 271： 112317.
[98]	纪守领，李进锋，杜天宇，等. 机器学习模型可解释性方法、应用与安全研究综述［J］. 计算机研究与发展， 2019， 56（10）： 2071-2096.
	JI S L， LI J F， DU T Y， et al. Survey on techniques， applications and security of machine learning interpretablity ［J］. Journal of Computer Research and Development， 2019， 56（10）： 2071-2096 （in Chinese）.
[99]	陈珂锐，孟小峰. 机器学习的可解释性［J］. 计算机研究与发展， 2020， 57（9）： 1971-1986.
	CHEN K R， MENG X F. Interpretation and understanding in machine learning［J］. Journal of Computer Research and Development， 2020， 57（9）： 1971-1986 （in Chinese）.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

分类方法		具体描述
按照在机器学习模型中所处的环节	模型前可解释（Pre-model）	指从监测数据入手，通过数据预处理或特征可视化，提升人类对数据特征的理解性
	模型中可解释（In-model）	从模型本身存在的稀疏性、单调性、因果性或外在约束、模型权重去解释
	模型后可解释（Post-model）	指对已经建立好的机器学习模型的输入特征与输出结果之间的逻辑映射关系进行解释
按照通用性	模型特定（Model-specific）	指只针对某一类模型进行解释，比如对模型结构或者参数的处理。
按照通用性	模型无关（Model-agnostic）	可适用于多种黑箱模型，一般通过分析输入特征及其预测结果之间的关联关系实现

数据驱动智能故障诊断技术在液体火箭发动机的应用与展望

Application issues of data-driven intelligent fault diagnosis technologies for liquid rocket engines

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 16

参考文献 99

相关文章 15

编辑推荐

Metrics

本文评价

[1]	罗越群, 丁达理, 谭目来, 刘屹东, 周欢. 无人作战飞机自主机动决策方法综述[J]. 航空学报, 2025, 46(7): 30877-030877.
[2]	孙见忠, 王卓健, 闫洪胜, 李哲, 段司正, 胡汉纯, 左洪福. 航空预测性维修研究进展[J]. 航空学报, 2025, 46(7): 30852-030852.
[3]	何友, 刘瑜, 李耀文, 丁自然, 董凯, 崔亚奇, 张财生, 王学谦, 李徵, 郭晨. 多源信息融合发展及展望[J]. 航空学报, 2025, 46(6): 531672-531672.
[4]	吴光辉, 王景, 谢海润, 马涂亮, 苗强, 向纪鑫, 张淼. 数据与知识联合赋能的民机智能气动设计[J]. 航空学报, 2025, 46(5): 531485-531485.
[5]	袁慎芳, 徐秋慧, 陈健. 可靠性评价：从无损检测到结构健康监测[J]. 航空学报, 2025, 46(5): 531442-531442.
[6]	赵浩天, 邱实, 刘明, 盖琦超, 曹喜滨. 基于全生命周期数据驱动的通讯卫星行波管退化评估方法[J]. 航空学报, 2025, 46(12): 331376-331376.
[7]	丁梦龙, 李道春, 周尧明, 冯传宴, 邵浩原, 向锦武. eVTOL适坠性分析及优化[J]. 航空学报, 2025, 46(11): 531282-531282.
[8]	曾宇, 汪洪波, 连城阅, 杨揖心, 熊大鹏, 孙明波, 刘卫东. 两种SST湍流模型改进方法适用性分析[J]. 航空学报, 2024, 45(S1): 730574-730574.
[9]	王琪, 武龙, 刘振, 刘建霞, 夏凉. 热弹性多构型梯度点阵结构拓扑优化设计[J]. 航空学报, 2024, 45(23): 230367-230367.
[10]	李子光, 成鹏, 李清廉, 白晓, 曹鹏进. 背压对气液针栓单元喷雾分布特性的影响[J]. 航空学报, 2024, 45(2): 128614-128614.
[11]	高天贺, 田阔, 黄蕾, 张澍, 李增聪. 数据驱动的曲面构件形状⁃拓扑协同优化方法[J]. 航空学报, 2024, 45(2): 428806-428806.
[12]	姬田园, 楚武利, 张皓光, 郭正涛, 孟德君. 基于数据驱动的扭转度偏差对压气机性能的影响[J]. 航空学报, 2024, 45(19): 629938-629938.
[13]	孙得川, 张国强, 姚天亮, 关亮. 催化床结构对HAN基单组元发动机性能的影响[J]. 航空学报, 2024, 45(16): 129818-129818.
[14]	汪广旭, 杨宝娥, 谭永华, 高玉闪, 李斌. 液体火箭发动机高频纵向燃烧不稳定现象的随机性[J]. 航空学报, 2024, 45(14): 129485-129485.
[15]	董立卓, 张思琪, 张钊, 吴宝海. 机理⁃数据混合驱动的叶片加工变形预测方法[J]. 航空学报, 2024, 45(13): 629037-629037.