迁移学习下的火箭发动机参数异常检测策略

发布时间：2022-12-17 09:07

　　在火箭飞行时的参数异常检测中,传统红线法的漏报率和误报率较高,专家系统法的维护成本过高,而机器学习受制于数据集规模难以训练模型,因此提出了分别基于实例和基于模型的两种迁移策略。为了对YF-77新型发动机的关键参数氧泵转速进行实时监测,在分析具有相同构造原理的YF-75与YF-77氢氧发动机的参数组成和数据特点后,处理领域差异,构建特征空间,并筛选特征向量。对YF-75向YF-77分别进行了实例和模型的迁移,并进行了实验验证。对比无迁移的k最近邻（k NN）与支持向量机（SVM）方法,迁移训练后的模型的漏报率从最高58.33%降至最低12.25%,误报率从最高60.83%降至最低13.53%。实验结果验证了两型发动机之间信息的可迁移性,以及迁移学习在航天领域工程实践中应用的可能性。 

【文章页数】：7 页

【文章目录】：
0 引言
1 背景及现状
    1.1 火箭发动机参数评估内容
    1.2 参数异常检测方法现状
2 基于迁移学习的参数异常检测
    2.1 两型发动机的相似性分析
    2.2 针对数据差异进行预处理
        2.2.1 时间对齐
        2.2.2 数据归一化
    2.3 特征空间构建
        2.3.1 特征对正常与异常的区分性
        2.3.2 刻画两个领域的趋势
    2.4 异常检测分类模型
        2.4.1 k NN分类模型
        2.4.2 SVM分类模型
3 实验及分析
    3.1 实验设置
    3.2 结果分析
    3.3结论
4 结语


【参考文献】：
期刊论文
[1]深度学习在语音识别中的研究进展综述[J]. 侯一民,周慧琼,王政一.  计算机应用研究. 2017(08)
[2]深度卷积神经网络在计算机视觉中的应用研究综述[J]. 卢宏涛,张秦川.  数据采集与处理. 2016(01)
[3]迁移学习研究进展[J]. 庄福振,罗平,何清,史忠植.  软件学报. 2015(01)
[4]深度学习研究综述[J]. 孙志军,薛磊,许阳明,王正.  计算机应用研究. 2012(08)
[5]火箭发动机水击压力数值模拟分析[J]. 徐峰,刘英元,陈海峰.  火箭推进. 2012(01)
[6]基于ARMA时序分析的液体火箭发动机模态参数辨识方法[J]. 杜飞平,谭永华,陈建华,黄道琼.  火箭推进. 2010(06)
[7]支持向量机用于液体火箭发动机的故障诊断[J]. 何浩,胡小平,姜志杰,刘伟强.  火箭推进. 2008(03)
[8]液体火箭发动机故障检测与诊断技术综述[J]. 张惠军.  火箭推进. 2004(05)
[9]液体火箭发动机故障检测与诊断研究的若干进展[J]. 陈启智.  宇航学报. 2003(01)



本文编号：3719643