基于AGABP神经网络的运载火箭推力偏移损失故障在线诊断

doi:10.7527/S1000-6893.2024.31148

固体力学与飞行器总体设计

本期目录 | 过刊浏览 | 高级检索

前一篇 |

基于AGABP神经网络的运载火箭推力偏移损失故障在线诊断

陈海鹏¹^,²(), 符文星³^,⁴^,⁵, 闫杰³^,⁴^,⁵

^1.西北工业大学航天学院，西安 710072 2．中国运载火箭技术研究院，北京 100076 3．无人飞行器技术全国重点实验室，西安 710072 4．无人机技术集成攻关大平台，西安 710072
^5.西北工业大学无人系统技术研究院，西安 710072

收稿日期:2024-09-03 修回日期:2024-10-08 接受日期:2024-11-21 出版日期:2024-12-09 发布日期:2024-11-29
通讯作者: 陈海鹏 E-mail:chenhp_hit@163.com
基金资助:
国家自然科学基金(52232014)

Fault diagnosis of thrust offset loss of launch vehicle based on AGABP neural network

Haipeng CHEN¹^,²(), Wenxing FU³^,⁴^,⁵, Jie YAN³^,⁴^,⁵

^1.School of Astronautics，Northwestern Polytechnical University，Xi’an 710072，China
^2.China Academy of Launch Vehicle Technology，Beijing 100076，China
^3.National Key Laboratory of Unmanned Aerial Vehicle Technology，Xi’an 710072，China
^4.Integrated Research and Development Platform of Unmanned Aerial Vehicle Technology，Xi’an 710072，China
^5.Unmanned System Research Institute，Northwestern Polytechnical University，Xi’an 710072，China

Received:2024-09-03 Revised:2024-10-08 Accepted:2024-11-21 Online:2024-12-09 Published:2024-11-29
Contact: Haipeng CHEN E-mail:chenhp_hit@163.com
Supported by:
National Natural Science Foundation of China(52232014)

摘要/Abstract

摘要：

针对运载火箭动力系统的推力偏移损失故障，提出基于自适应遗传算法反向传播（AGABP）神经网络的推力故障在线检测和诊断方法，仅依据箭载传感器测量得到的火箭运动信息，实现对推力损失故障的低延迟、高精度在线检测和诊断。首先根据我国运载火箭数据及推力故障类型进行六自由度建模，并将过载和视加速度等对故障敏感的历史状态信息作为输入进行网络训练；其次通过自适应遗传算法调整BP神经网络中初始权重，从而得到优化后的网络参数；最后对得到的运载火箭推力偏移损失故障在线诊断模型进行六自由度在线仿真验证。数值仿真结果表明，与传统BP网络相比，基于AGABP的方法收敛速度快，迭代次数少，故障定位准确率为96.51%，故障定位延迟在0.1~2 s之间，94.19%的样本预测推力下降程度与实际推力下降程度之差在20%范围内。

关键词: 运载火箭, 动力系统故障, 故障检测与诊断, 自适应遗传算法, 神经网络

Abstract:

To address the thrust deviation loss fault in the launch vehicle’s power system， an online detection and diagnosis method for thrust faults based on the Adaptive Genetic Algorithm-based Back Propagation （AGABP） neural network is proposed. To achieve low-latency， high-precision online detection and diagnosis of thrust loss faults， this method solely utilizes the rocket motion information measured by onboard sensors. Firstly， a six-degree-of-freedom （6-DOF） modeling is established based on the data and thrust fault types of a certain type of launch vehicle in China. Historical state information sensitive to faults， such as overload and apparent acceleration， was used as inputs for network training. Secondly， the initial weights in the BP neural network are adjusted through the adaptive genetic algorithm to obtain optimized network parameters. Finally， the resulting online diagnostic model for thrust deviation loss faults in launch vehicles is verified through 6-DOF online simulations. Numerical simulation results indicate that compared with the traditional BP network， the AGABP-based method exhibits faster convergence speed with fewer iteration generations. The accuracy of fault location is 96.51%， the fault location delay is between 0.1 s and 2 s， and the difference between the predicted and actual thrust reduction degree is within 20% for 94.19% of the samples.

Key words: launch vehicle, power system fault, fault detection and diagnosis, adaptive genetic algorithm, neural network

中图分类号:

V434.3

陈海鹏, 符文星, 闫杰. 基于AGABP神经网络的运载火箭推力偏移损失故障在线诊断[J]. 航空学报, 2025, 46(8): 231148.

Haipeng CHEN, Wenxing FU, Jie YAN. Fault diagnosis of thrust offset loss of launch vehicle based on AGABP neural network[J]. Acta Aeronautica et Astronautica Sinica, 2025, 46(8): 231148.

图/表 16

图 1

图 2

图 3

表 1

故障标志位数据形式

故障发动机编号		1	2	3	4
无故障段	10.00 s	0	0	0	0
推力下降段	11.00 s	0	0	0.5	0
	12.00 s	0	0	0.5	0
	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$
	16.00 s	0	0	0.5	0
故障推力保持段	17.00 s	0	0	0.5	0
	$⋮$	$⋮$	$⋮$	$⋮$	$⋮$
	20.00 s	0	0	0.5	0

表 1

图 4

表2

图 5

表3

表4

推力故障损失程度估计准确度测试结果

$e c$ /%	满足范围的次数/次	准确率/%
只要求检测出故障	86	100
20	81	94.19
15	69	80.23
10	54	62.79

表4

表5

图 6

图 7

图 8

图 9

表6

表7

故障损失程度检测准确度对比结果

$e c$ /%	$e l o s s$ /%
$e c$ /%	BP神经网络	AGABP神经网络
只要求检测出故障	100	100
30	97.46	100
20	89.84	93.33
15	64.76	87.62

表7

参考文献 31

1	张荣升，吴燕生，秦旭东，等. 运载火箭推力下降故障下的在线弹道重构方法［J］. 南京航空航天大学学报， 2021， 53（）： 25-31.
	ZHANG R S， WU Y S， QIN X D， et al. Online trajectory reconstruction method for launch vehicle under thrust degradation fault［J］. Journal of Nanjing University of Aeronautics & Astronautics， 2021， 53（Sup 1）： 25-31 （in Chinese）.
2	张振臻，陈晖，高玉闪，等. 液体火箭发动机故障诊断技术综述［J］. 推进技术， 2022， 43（6）： 20-38.
	ZHANG Z Z， CHEN H， GAO Y S， et al. Review on fault diagnosis technology of liquid rocket engine‍［J］. Journal of Propulsion Technology， 2022， 43（6）： 20-38 （in Chinese）.
3	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.
4	张振臻，陈晖，高玉闪. 基于滑动时间窗主成分分析的液体火箭发动机传感器故障诊断方法［J］. 推进技术， 2022， 43（9）： 343-353.
	ZHANG Z Z， CHEN H， GAO Y S. Sliding time windows principal component analysis based fault diagnosis method for liquid rocket engine sensors‍［J］. Journal of Propulsion Technology， 2022， 43（9）： 343-353 （in Chinese）.
5	胡海峰，王晋麟，黄聪，等. 运载火箭非致命故障下弹道规划制导和自适应控制重构技术［J］. 载人航天， 2022， 28（4）： 439-448.
	HU H F， WANG J L， HUANG C， et al. Trajectory planning guidance and adaptive reconfiguration control of launch vehicle under non-fatal failure［J］. Manned Spaceflight， 2022， 28（4）： 439-448 （in Chinese）.
6	何涛，黄敏超，胡小平，等. 某火箭发动机故障检测及诊断算法设计分析［J］. 南京航空航天大学学报， 2019， 51（）： 50-55.
	HE T， HUANG M C， HU X P， et al. Design analysis of fault detection and diagnosis algorithms for rocket engine［J］. Journal of Nanjing University of Aeronautics & Astronautics， 2019， 51（Sup 1）： 50-55 （in Chinese）.
7	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）： 1-13.
	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）： 1-13 （in Chinese）.
8	吴建军，程玉强，崔星. 液体火箭发动机健康监控技术研究现状［J］. 上海航天（中英文）， 2020， 37（1）： 1-10.
	WU J J， CHENG Y Q， CUI X. Research status of the health monitoring technology for liquid rocket engines［J］. Aerospace Shanghai （Chinese & English）， 2020， 37（1）： 1-10 （in Chinese）.
9	赵万里，郭迎清，杨菁，等. 液体火箭发动机故障诊断器设计及其HIL验证［J］. 北京航空航天大学学报， 2019， 45（10）： 1995-2002.
	ZHAO W L， GUO Y Q， YANG J， et al. Design of liquid rocket engine fault diagnosis device and its HIL verification［J］. Journal of Beijing University of Aeronautics and Astronautics， 2019， 45（10）： 1995-2002 （in Chinese）.
10	薛薇，张强，武小平. 基于ARMA模型的液体火箭发动机实时故障诊断方法研究［J］. 计算机测量与控制， 2019， 27（9）： 4-7， 22.
	XUE W， ZHANG Q， WU X P. Based on the ARMA model for the liquid rocket propulsion fault detection［J］. Computer Measurement & Control， 2019， 27（9）： 4-7， 22 （in Chinese）.
11	张晨曦，唐曙，唐珂. 迁移学习下的火箭发动机参数异常检测策略［J］. 计算机应用， 2020， 40（9）： 2774-2780.
	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 （in Chinese）.
12	殷锴，钟诗胜，那媛，等. 基于BP神经网络的航空发动机故障检测技术研究［J］. 航空发动机， 2017， 43（1）： 53-57.
	YIN K， ZHONG S S， NA Y， et al. Research on aeroengine fault detection technology based on BP neural network［J］. Aeroengine， 2017， 43（1）： 53-57 （in Chinese）.
13	赵松波. 基于改进优化算法的液体火箭发动机故障检测与诊断研究［D］. 天津：天津理工大学， 2019： 7-19.
	ZHAO S B. Research on fault detection and diagnosis of liquid rocket engines based on improved optimization algorithms［D］. Tianjin： Tianjin University of Technology， 2019： 7-19 （in Chinese）.
14	李宁宁，武小平，薛薇，等. 基于遗传算法的大推力氢氧补燃发动机故障检测［J］. 计算机测量与控制， 2022， 30（8）： 14-18， 43.
	LI N N， WU X P， XUE W， et al. Fault diagnosis of high-thrust LOX/LH2 staged combustion cycle engines base on genetic algorithm［J］. Computer Measurement & Control， 2022， 30（8）： 14-18， 43 （in Chinese）.
15	XU L， ZHAO S B， LI N N， 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.
16	SRINIVAS M， PATNAIK L M. Adaptive probabilities of crossover and mutation in genetic algorithms［J］. IEEE Transactions on Systems， Man， and Cybernetics， 2002， 24（4）： 656-667.
17	YU H H， WANG T. A method for real-time fault detection of liquid rocket engine based on adaptive genetic algorithm optimizing back propagation neural network［J］. Sensors， 2021， 21（15）： 5026.
18	吴陈，王和杰. 基于改进的自适应遗传算法优化BP神经网络［J］. 电子设计工程， 2016， 24（24）： 29-32， 37.
	WU C， WANG H J. BP neural network optimized by improved adaptive genetic algorithm［J］. Electronic Design Engineering， 2016， 24（24）： 29-32， 37 （in Chinese）.
19	HU H， PAN H F， HE Y， et al. Autonomous control technologies of the new generation launch vehicle［J］. Aerospace China， 2021， 22（2）： 25-34.
20	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）.
21	DAVIDSON M， STEPHENS J. Advanced health management system for the space shuttle main engine［C］‍∥40th AIAA/ASME/SAE/ASEE Joint Propulsion Conference and Exhibit. Reston： AIAA， 2004.
22	CHA J， KO S， PARK S Y， 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： 147-156.
23	宋超，宋娟. 基于遗传算法优化和BP神经网络的短期天然气负荷预测［J］. 工业控制计算机， 2012， 25（10）： 82-84.
	SONG C， SONG J. Parameter optimazation for BP neural network with GA on short-term gas load prediction［J］. Industrial Control Computer， 2012， 25（10）： 82-84 （in Chinese）.
24	JI H Q. Statistics Mahalanobis distance for incipient sensor fault detection and diagnosis［J］. Chemical Engineering Science， 2021， 230： 116233.
25	李艳军. 新一代大推力液体火箭发动机故障检测与诊断关键技术研究［D］. 长沙：国防科技大学， 2014： 14-53.
	LI Y J. Research on key technologies of fault detection and diagnosis for a new generation of large thrust liquid rocket engines［D］. Changsha： National University of Defense Technology， 2014： 14-53 （in Chinese）.
26	黄强. 高压补燃液氧煤油发动机故障检测与诊断技术研究［D］. 长沙：国防科技大学， 2012： 16-29.
	HUANG Q. Research on fault detection and diagnosis technology for high-pressure staged combustion liquid oxygen-kerosene engines［D］. Changsha： National University of Defense Technology， 2012： 16-29 （in Chinese）.
27	张惠军. 液体火箭发动机故障检测与诊断技术综述［J］. 火箭推进， 2004， 30（5）： 40-45.
	ZHANG H J. Study on liquid rocket engine fault detection and diagnostic technology［J］. Journal of Rocket Propulsion， 2004， 30（5）： 40-45 （in Chinese）.
28	李京浩. 基于数据挖掘技术的液体火箭发动机故障检测和诊断研究［D］. 长沙：国防科技大学， 2007： 24-76.
	LI J H. Research on fault detection and diagnosis of liquid rocket engines based on data mining technology［D］. Changsha： National University of Defense Technology， 2007： 24-76 （in Chinese）.
29	刘洪刚. 液体火箭发动机智能故障诊断理论与策略研究［D］. 长沙：国防科技大学， 2002： 12-67.
	LIU H G. Research on intelligent fault diagnosis theory and strategy for liquid rocket engines［D］. Changsha： National University of Defense Technology， 2002： 12-67 （in Chinese）.
30	吴玉洋，李宁宁，薛薇，等. 改进PSO优化LSSVM的液体火箭发动机故障检测［J］. 计算机仿真， 2020， 37（5）： 49-54.
	WU Y Y， LI N N， XUE W， et al. Fault diagnosis of liquid-propellant rocket engines base on improved PSO to optimize LSSVM［J］. Computer Simulation， 2020， 37（5）： 49-54 （in Chinese）.
31	黄敏超，张育林，陈启智. 神经网络在液体火箭发动机故障检测中的应用（Ⅱ）模式识别技术［J］. 推进技术， 1999， 20（2）： 1-4.
	HUANG M C， ZHANG Y L， CHEN Q Z. Neural network approach to fault detection of liquid rocket engine （Ⅱ）pattern recognition technology［J］. Journal of Propulsion Technology， 1999， 20（2）： 1-4 （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

故障检测时间延迟/s	86次有故障试验中出现次数/次	86次有故障试验中占比/%
0.1~0.5	31	36.05
0.5~1	34	39.53
1~2	18	20.93
误检	3	3.49
漏检	0	0

故障检测时间延迟/s	BP神经网络不同时间延迟占比/%	AGABP神经网络不同时间延迟占比/%
0.1~0.5	31.43	40.63
0.5~1.5	48.57	41.90
1.5~2	16.83	13.97
误检	3.17	3.49
漏检	0	0

[1]	陈谋, 黄正国, 申耀华, 刘凡. 先进飞行器复合抗干扰控制技术综述[J]. 航空学报, 2025, 46(6): 531303-531303.
[2]	杨智春, 杨特. 动载荷识别物理嵌入式神经网络模型与方法[J]. 航空学报, 2025, 46(5): 531450-531450.
[3]	赵辰豪, 吴德伟, 何晶, 吴倩. 一种无人机视觉位姿估计的语义特征匹配算法[J]. 航空学报, 2025, 46(2): 330406-330406.
[4]	刘子博, 张冉, 薛文超, 李惠峰. 考虑弹性影响的运载火箭自抗扰减载控制方法[J]. 航空学报, 2025, 46(1): 330319-330319.
[5]	马菲, 张琼, 赖培军, 岳一笛. 基于BP神经网络的试飞训练安全性量化模型[J]. 航空学报, 2024, 45(5): 529957-529957.
[6]	倪育德, 闫苗玉, 刘瑞华. 基于DOA-BP神经网络的电离层TEC短期预测[J]. 航空学报, 2024, 45(4): 328707-328707.
[7]	葛佳昊, 向锦武, 李道春. 基于组合NARX神经网络的非平稳含噪混沌时间序列在线预测[J]. 航空学报, 2024, 45(21): 330128-330128.
[8]	李俊燊, 孟祥彦, 石暖暖, 李伟, 祝宁华, 李明. 光学神经网络智能处理：技术演变与未来展望[J]. 航空学报, 2024, 45(20): 630439-630439.
[9]	陈勇刚, 刘康妮, 王帅. 基于BiGRU⁃Attention改进的航空设备故障知识图谱构建[J]. 航空学报, 2024, 45(18): 229916-229916.
[10]	黄渭清, 李宁, 刘开霖, 付志忠, 纪鹏飞, 张生良, 董立伟, 孙燕涛. 基于MAML-LSTM的服役涡轮叶片损伤状态评估方法[J]. 航空学报, 2024, 45(18): 429547-429547.
[11]	李晖, 陈银超, 孙绍山, 梁兆鑫, 毛刚, 乔彬, 李永波. 基于联邦图网络的转子系统故障诊断方法[J]. 航空学报, 2024, 45(17): 530611-530611.
[12]	龙家俊, 刘陈飘, 秦飞, 张加乐, 徐圣冠, 高宜胜. 基于Liutex的数据驱动湍流模型修正[J]. 航空学报, 2024, 45(15): 129579-129579.
[13]	胡渊豪, 宋艺博, 刘家辉, 赵孝礼, 邓文翔, 胡健, 姚建勇. 基于注意力卷积胶囊网络的电液比例伺服阀故障诊断[J]. 航空学报, 2024, 45(15): 630407-630407.
[14]	刁尹, 张智, 彭越, 李杨, 张博戎, 张志国. 火箭着陆段能量管理与轨迹优化技术[J]. 航空学报, 2024, 45(15): 229634-229634.
[15]	刘延芳, 佘佳宇, 袁秋帆, 周芮, 齐乃明. 无人机遥感图像实时小目标检测方法[J]. 航空学报, 2024, 45(14): 630119-630119.

基于AGABP神经网络的运载火箭推力偏移损失故障在线诊断

Fault diagnosis of thrust offset loss of launch vehicle based on AGABP neural network

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 16

参考文献 31

相关文章 15

编辑推荐

Metrics

本文评价