【技术实现步骤摘要】
本专利技术属于运载火箭故障诊断，特别涉及一种适用于大风区的运载火箭发动机故障诊断方法。
技术介绍
1、火箭发动机是运载火箭的动力来源，其工作原理复杂、工作环境恶劣，具有发生故障的风险，火箭发动机故障导致的运载火箭推力下降是运载火箭发射失败的重要原因之一。世界各国的新型运载火箭中均含有较多台数的发动机，增大了发生发动机故障的概率。
2、运载火箭的动力学模型是复杂的时变非线性微分方程，当已知输入参数时，能够通过数值仿真获得飞行状态，但故障诊断是从飞行状态变化辨识输入的逆过程，较难实现。并且，火箭在飞行中会受到高空风的作用，其对运载火箭运动的影响与故障情况的影响相近，如何对难以精确测量的高空风干扰进行补偿，是提高故障诊断准确度的关键。现有的依据飞行动力学对动力系统进行故障诊断的方法中，针对无气动力影响的真空飞行段开展的研究较多，在考虑气动力的研究中也未提及存在高空风影响时如何提高故障诊断的准确度，需要开展相关研究。
技术实现思路
1、为了克服现有技术中的不足，本专利技术人进行了锐意研究，提供了一种适用于大风区的运载火箭发动机故障诊断方法，对高空风影响下运载火箭飞行状态偏差进行估计，以解决现有技术中难以估计高空风对火箭飞行的影响、故障诊断系统中难以考虑高空风的作用的问题。
2、本专利技术提供的技术方案如下：
3、第一方面，一种适用于大风区的运载火箭发动机故障诊断方法，包括：
4、根据运载火箭的飞行状态，采用深度神经网络对其受到的高空风进行估计
5、根据估计获得的高空风信息，采用深度神经网络对火箭故障诊断时刻受到的高空风进行预报；
6、根据预报获得的高空风信息，估计高空风影响下运载火箭的飞行状态量变化；
7、将高空风影响下运载火箭的飞行状态量变化作为补偿值，用实际飞行状态量减去补偿值，得到不含高空风影响的飞行状态变化；
8、将不含高空风影响的飞行状态变化作为诊断因素，采用深度神经网络进行发动机故障诊断。
9、结合第一方面，所述根据运载火箭的飞行状态，采用深度神经网络对其受到的高空风进行估计的步骤中，所述深度神经网络的输入为包含高度、俯仰角偏差、偏航角偏差、法向视加速度偏差、横向视加速度偏差的时间相关性序列。
10、结合第一方面，所述根据运载火箭的飞行状态，采用深度神经网络对其受到的高空风进行估计的步骤中，所述深度神经网络的输出包含高空风风速信息的高度相关性序列：
11、
12、其中，下标we为wind estimation的缩写，指风估计，δvlx、δvly分别为火箭实际飞行速度vl与标准弹道上飞行速度vl*之差在当地水平坐标系下沿x、y轴的分量；vwx、vwy分别为直角坐标系下高空风沿x、y轴的速度分量。
13、结合第一方面，所述根据估计获得的高空风信息，采用深度神经网络对火箭故障诊断时刻受到的高空风进行预报的步骤中，所述深度神经网络的输入为包含高度、极坐标系下高空风风速和极坐标系下高空风风向的时间相关性序列。
14、结合第一方面，所述根据估计获得的高空风信息，采用深度神经网络对火箭故障诊断时刻受到的高空风进行预报的步骤中，所述深度神经网络的输出为输入高空风序列末端时刻后故障诊断时刻的高空风信息，包含极坐标系下高空风风速和极坐标系下高空风风向。
15、结合第一方面，所述根据预报获得的高空风信息，估计高空风影响下运载火箭的飞行状态量变化的步骤中，采用深度神经网络估计高空风影响下运载火箭的飞行状态量变化；所述深度神经网络的输入为包含高度和高空风风速信息的时间相关性序列，时间相关性序列的起始点与高空风估计时输入序列的起始时间一致或位于高空风估计时输入序列的时段内，时间相关性序列的终点为故障诊断时刻。
16、结合第一方面，所述根据预报获得的高空风信息，估计高空风影响下运载火箭的飞行状态量变化的步骤中，所述深度神经网络的输出为包含俯仰角偏差、偏航角偏差、法向视加速度偏差、横向视加速度偏差的时间相关性序列，时间相关性序列的起终点与输入的时间相关性序列的起终点一致。
17、结合第一方面，所述将不含高空风影响的飞行状态变化作为诊断因素，采用深度神经网络进行发动机故障诊断的步骤中，深度神经网络的输入为包括火箭滚动角偏差、飞行时间、发动机的剩余推力系数、火箭实际横向视加速度偏差减去高空风造成的横向视加速度偏差后的数值、火箭实际法向视加速度偏差减去高空风造成的法向视加速度偏差后的数值、火箭实际俯仰角偏差减去高空风造成的俯仰角偏差、火箭实际偏航角偏差减去高空风造成的偏航角偏差的时间相关性序列，时间相关性序列的起始点与高空风估计时输入序列的起始时间一致或位于高空风估计时输入序列的时段内，时间相关性序列的终点为故障诊断时刻。
18、结合第一方面，所述发动机的剩余推力系数通过深度神经网络确定，深度神经网络的输入包括：故障诊断时刻火箭的高度、飞行速度、箭体坐标系下x方向视加速度、箭体坐标系下x方向上火箭实际视加速度与标准弹道中视加速度的比值。
19、第二方面，一种适用于大风区的运载火箭发动机故障诊断装置，包括：
20、一个或多个处理器；
21、存储装置，用于存储一个或多个程序，
22、当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实施第一方面所述的适用于大风区的运载火箭发动机故障诊断方法。
23、第三方面，一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实施第一方面所述的适用于大风区的运载火箭发动机故障诊断方法。
24、第四方面，一种计算机程序产品，所述计算机程序产品包括：计算机程序(也可以称为代码，或指令)，当所述计算机程序被运行时，执行第一方面所述的适用于大风区的运载火箭发动机故障诊断方法。
25、根据本专利技术提供的一种适用于大风区的运载火箭发动机故障诊断方法，具有以下有益效果：
26、(1)本专利技术提供的一种适用于大风区的运载火箭发动机故障诊断方法，利用深度学习的“端到端”特性将强高空风干扰下的故障诊断问题解耦为高空风预报和补偿、故障位置诊断和剩余推力比诊断等子问题，提高了在高空风干扰下的故障诊断准确率；
27、(2)本专利技术提供的一种适用于大风区的运载火箭发动机故障诊断方法，通过深度学习的方法建立了高空风与运载火箭飞行状态变化之间的映射关系，为故障诊断提供了更为准确的输入，提高了故障诊断准确率。
本文档来自技高网...【技术保护点】
1.一种适用于大风区的运载火箭发动机故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的适用于大风区的运载火箭发动机故障诊断方法，其特征在于，所述根据运载火箭的飞行状态，采用深度神经网络对其受到的高空风进行估计的步骤中，所述深度神经网络的输入为包含高度、俯仰角偏差、偏航角偏差、法向视加速度偏差、横向视加速度偏差的时间相关性序列。
3.根据权利要求1所述的适用于大风区的运载火箭发动机故障诊断方法，其特征在于，所述根据运载火箭的飞行状态，采用深度神经网络对其受到的高空风进行估计的步骤中，所述深度神经网络的输出包含高空风风速信息的高度相关性序列：
4.根据权利要求1所述的适用于大风区的运载火箭发动机故障诊断方法，其特征在于，所述根据估计获得的高空风信息，采用深度神经网络对火箭故障诊断时刻受到的高空风进行预报的步骤中，所述深度神经网络的输入为包含高度、极坐标系下高空风风速和极坐标系下高空风风向的时间相关性序列。
5.根据权利要求1所述的适用于大风区的运载火箭发动机故障诊断方法，其特征在于，所述根据估计获得的高空风信息，采用深度神经网络
6.根据权利要求1所述的适用于大风区的运载火箭发动机故障诊断方法，其特征在于，所述根据预报获得的高空风信息，估计高空风影响下运载火箭的飞行状态量变化的步骤中，采用深度神经网络估计高空风影响下运载火箭的飞行状态量变化；所述深度神经网络的输入为包含高度和高空风风速信息的时间相关性序列，时间相关性序列的起始点与高空风估计时输入序列的起始时间一致或位于高空风估计时输入序列的时段内，时间相关性序列的终点为故障诊断时刻。
7.根据权利要求6所述的适用于大风区的运载火箭发动机故障诊断方法，其特征在于，所述根据预报获得的高空风信息，估计高空风影响下运载火箭的飞行状态量变化的步骤中，所述深度神经网络的输出为包含俯仰角偏差、偏航角偏差、法向视加速度偏差、横向视加速度偏差的时间相关性序列，时间相关性序列的起终点与输入的时间相关性序列的起终点一致。
8.根据权利要求1所述的适用于大风区的运载火箭发动机故障诊断方法，其特征在于，所述将不含高空风影响的飞行状态变化作为诊断因素，采用深度神经网络进行发动机故障诊断的步骤中，深度神经网络的输入为包括火箭滚动角偏差、飞行时间、发动机的剩余推力系数、火箭实际横向视加速度偏差减去高空风造成的横向视加速度偏差后的数值、火箭实际法向视加速度偏差减去高空风造成的法向视加速度偏差后的数值、火箭实际俯仰角偏差减去高空风造成的俯仰角偏差、火箭实际偏航角偏差减去高空风造成的偏航角偏差的时间相关性序列，时间相关性序列的起始点与高空风估计时输入序列的起始时间一致或位于高空风估计时输入序列的时段内，时间相关性序列的终点为故障诊断时刻。
9.根据权利要求8所述的适用于大风区的运载火箭发动机故障诊断方法，其特征在于，所述发动机的剩余推力系数通过深度神经网络确定，深度神经网络的输入包括：故障诊断时刻火箭的高度、飞行速度、箭体坐标系下x方向视加速度、箭体坐标系下x方向上火箭实际视加速度与标准弹道中视加速度的比值。
10.一种计算机程序产品，其特征在于，所述计算机程序产品包括：计算机程序，当所述计算机程序被运行时，执行权利要求1至9之一所述的适用于大风区的运载火箭发动机故障诊断方法。
...【技术特征摘要】
1.一种适用于大风区的运载火箭发动机故障诊断方法，其特征在于，包括：
2.根据权利要求1所述的适用于大风区的运载火箭发动机故障诊断方法，其特征在于，所述根据运载火箭的飞行状态，采用深度神经网络对其受到的高空风进行估计的步骤中，所述深度神经网络的输入为包含高度、俯仰角偏差、偏航角偏差、法向视加速度偏差、横向视加速度偏差的时间相关性序列。
3.根据权利要求1所述的适用于大风区的运载火箭发动机故障诊断方法，其特征在于，所述根据运载火箭的飞行状态，采用深度神经网络对其受到的高空风进行估计的步骤中，所述深度神经网络的输出包含高空风风速信息的高度相关性序列：
4.根据权利要求1所述的适用于大风区的运载火箭发动机故障诊断方法，其特征在于，所述根据估计获得的高空风信息，采用深度神经网络对火箭故障诊断时刻受到的高空风进行预报的步骤中，所述深度神经网络的输入为包含高度、极坐标系下高空风风速和极坐标系下高空风风向的时间相关性序列。
5.根据权利要求1所述的适用于大风区的运载火箭发动机故障诊断方法，其特征在于，所述根据估计获得的高空风信息，采用深度神经网络对火箭故障诊断时刻受到的高空风进行预报的步骤中，所述深度神经网络的输出为故障诊断时刻的高空风信息，包含极坐标系下高空风风速和极坐标系下高空风风向。
6.根据权利要求1所述的适用于大风区的运载火箭发动机故障诊断方法，其特征在于，所述根据预报获得的高空风信息，估计高空风影响下运载火箭的飞行状态量变化的步骤中，采用深度神经网络估计高空风影响下运载火箭的飞行状态量变化；所述深度神经网络的输入为包含高度和高空风风速信息的时间相关性序列，时间相关性序列的起始点与高空风估计时输入序列的起始时间一致或位于...
【专利技术属性】
技术研发人员：容易，张荣升，牟宇，魏威，朱海洋，赵永志，张普卓，徐喆垚，杜昊昱，王紫扬，袁晗，唐攀，崔卓凡，余光学，邓舞燕，刁尹，
申请(专利权)人：北京宇航系统工程研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。