一种火箭发动机故障诊断方法、装置及介质与流程

1.本发明涉及火箭发动机技术领域，尤其涉及一种火箭发动机故障诊断方法、装置及介质。


背景技术：

2.液体火箭发动机是运载火箭上的故障多发部位，液体火箭发动机故障严重影响发射可靠性。液体火箭发动机的运行阶段可分为非稳态段和稳态段。稳态段指发动机控制停止动作，且发动机工作在预定状态下。
3.现有的发动机故障诊断方法通过建立含有故障因子的状态空间模型进行故障因子的观测，进行观测的模型中表征状态的参数是不变的，然而由于发动机自身特性，完成启动并进入稳态阶段后，发动机重要参数表现出有趋势的变化特征，此时采用观测事先确定好的模型的方法将会导致错误的诊断结果，不能满足重大航天发射任务对发射可靠性提出的更高要求。


技术实现要素：

4.本发明的目的在于提供一种火箭发动机故障诊断方法、装置及介质，用于提高液体火箭发动机故障诊断的准确性。
5.为了实现上述目的，本发明提供如下技术方案：
6.一方面，本发明提供一种火箭发动机故障诊断方法，包括：
7.获取发动机测量数据；所述测量数据包括协变量初始测量值和各个时刻目标参数的测量值；
8.将所述协变量初始测量值输入到第一循环神经网络，得到各个时刻协变量的预测值；
9.将每个时刻协变量的预测值输入到第二循环神经网络，得到对应时刻的隐藏层信息；
10.将所述隐藏层信息映射为火箭发动机增广状态空间模型状态转移矩阵的子阵，得到火箭发动机故障模型；所述火箭发动机增广状态空间模型是以故障因子为系统状态参数的模型；
11.基于目标参数的测量值，采用观测器对所述火箭发动机故障模型中的故障因子进行观测，得到所述故障因子的估计值，实现对发动机的故障诊断。
12.与现有技术相比，本发明提供的一种火箭发动机故障诊断方法中，通过将协变量初始测量值输入到第一循环神经网络，得到各时刻协变量预测值，可以避免发生故障后造成的数据污染，同时将每个时刻协变量的预测值输入到第二循环神经网络，得到对应时刻的隐藏层信息，通过将隐藏信息映射为火箭发动机增广状态空间模型状态转移矩阵的子阵，得到火箭发动机故障模型，由于隐藏信息是实时确定的，所以可以实时确定描述发动机正常情况下参数变化的线性关系；火箭发动机增广状态空间模型可以反映发动机故障和目
标参数件的关系，因此得到的火箭发动机故障模型同时具备描述稳态段状态参数变化和发动机故障的能力；最后，采用观测器对所述火箭发动机故障模型中的故障因子进行观测，实时估计发动机的故障因子，从而实现对发动机故障的诊断。本方法实时确定稳态阶段正常情况下的参数变化的线性关系，为故障诊断提供了更可靠的故障模型，提高了故障诊断的精确度，从而满足航天发射任务对发射可靠性的更高要求。
13.第二方面，本发明提供一种火箭发动机故障诊断装置，包括：
14.发动机测量数据获取模块，用于获取发动机测量数据；所述测量数据包括协变量初始测量值和各个时刻目标参数的测量值；
15.协变量预测模块，用于将所述协变量的初始测量值输入到第一循环神经网络，得到各个时刻协变量的预测值；
16.隐藏层信息计算模块，用于将每个时刻协变量的预测值输入到第二循环神经网络，得到对应时刻的隐藏层信息；
17.火箭发动机故障模型建立模块，用于将所述隐藏层信息映射为火箭发动机增广状态空间模型状态转移矩阵的子阵，得到火箭发动机故障模型；
18.故障因子观测模块，用于基于目标参数的测量值，采用观测器对所述火箭发动机故障模型中的故障因子进行观测，得到所述故障因子的估计值，实现对发动机的故障诊断。
19.与现有技术相比，本发明提供的一种火箭发动机故障诊断装置的有益效果与上述技术方案所述一种火箭发动机故障诊断方法的有益效果相同，此处不做赘述。
20.第三方面，本发明提供一种计算机可读存储介质，包括：所述计算机可读存储介质中存储有指令，当所述指令被运行时，实现上述火箭发动机故障诊断方法。
附图说明
21.此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
22.图1为本发明提供的一种火箭发动机故障诊断方法流程图；
23.图2为本发明提供的第一初始循环神经网络训练示意图；
24.图3为本发明提供的第一循环神经网络预测示意图；
25.图4为本发明提供的第二初始循环神经网络训练示意图；
26.图5为本发明提供的第二循环神经网络预测示意图；
27.图6为本发明提供的一种火箭发动机故障诊断装置的结构示意图。
具体实施方式
28.为了便于清楚描述本发明实施例的技术方案，在本发明的实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。例如，第一阈值和第二阈值仅仅是为了区分不同的阈值，并不对其先后顺序进行限定。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。
29.需要说明的是，本发明中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其
他实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
30.本发明中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b的情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，a和b的结合，a和c的结合，b和c的结合，或a、b和c的结合，其中a，b，c可以是单个，也可以是多个。
31.在介绍本发明实施例之前首先对本发明实施例中涉及到的相关名词作如下释义：
32.扩展卡尔曼滤波，一种高效率的递归滤波器，也叫自回归滤波器，卡尔曼滤波是一种高效率的递归滤波器,它能够从一系列的不完全包含噪声的测量中，估计动态系统的状态。
33.对于液体火箭发动机，可以通过故障诊断算法及时确定发动机故障并采取容错控制措置可以降低发动机故障对发射任务的影响。现有的基于观测器的故障诊断方法一般结合测量结果和状态空间模型观测表征故障的故障因子，将该方法应用于液体火箭发动机的故障诊断时，由于模型是事先确定的，但发动机状态却在发生变化，会导致诊断结果不准确甚至发生错误。
34.为解决上述问题，本发明提供一种火箭发动机故障诊断方法、装置及介质，对传统的建模方法进行改进，采用神经网络实时确定正常情况下表征发动机参数变化的模型，同时基于注入故障的系统动力学模型确定表征故障影响的火箭发动机增广状态空间模型，将两部分模型融合，实时确定每一时刻的发动机线性状态的火箭发动机故障模型，在此基础上，引入观测器，实现对故障因子的在线观测和故障判断。接下来结合附图进行详细说明。
35.图1为本发明提供的一种火箭发动机故障诊断方法流程图，如图1所示，包括以下步骤：
36.步骤101：获取发动机测量数据。
37.所述测量数据包括协变量初始测量值和各个时刻目标参数的测量值。协变量的初始测量值为发动机运行进入稳态后第一时刻的测量值。测量数据均由相应的传感器进行测量，协变量和目标参数均包括一种或多种参数，协变量与目标参数之间具有映射关系；协变量用于状态空间方程的生成，目标参数是与发动机故障相关的参数，在测量数据中可能会包含无关量，需要剔除此类传感器的测量结果。为了避免数据污染，仅需协变量初始测量值即可，目标参数作为火箭发动机故障模型的系统输出参数，需要实时测量。
38.步骤102：将所述协变量初始测量值输入到第一循环神经网络，得到各个时刻协变量的预测值；
39.作为一种可选的方式，为了得到第一循环神经网络，需要基于稳态阶段的发动机正常试车数据对循环神经网络进行训练，可以结合图2进行说明：
40.具体的，如图2所示，首先建立第一初始循环神经网络；
41.然后将稳态阶段发动机正常试车数据中n-1时刻协变量的测量值z
n-1
输入到所述第一初始循环神经网络中，预测得到n时刻协变量的预测值将n时刻协变量的测量值zn输入到初始循环神经网络中，预测得到n+1时刻协变量的预测值将n+1时刻协变量的测量值z
n+1
输入到初始循环神经网络中，预测得到n+2时刻协变量的预测值以此类推。为了便于区分，将该阶段得到的协变量的预测值称为第一预测值。
42.然后将稳态阶段发动机正常试车数据中n时刻协变量的测量值zn与预测值进行对比，将第n+1时刻协变量的测量值z
n+1
与预测值进行对比，将第n+2时刻协变量的测量值z
n+2
与预测值进行对比，以此类推，根据对比结果对第一初始循环神经网络的参数进行调整，直到训练完成得到第一循环神经网络。
43.在通过第一循环神经网络进行预测时，只需输入协变量的初始测量值，即可得到各个时刻的协变量预测值。
44.具体的，结合图3进行说明，如图3所示，将协变量初始测量值z0输入到第一循环神经网络中第一个rnn神经元中，得到第一时刻协变量的预测值将预测值输入到下一个rnn神经元中预测得到第二时刻协变量的预测值将预测值输入到下一个rnn神经元中预测得到第三时刻协变量的预测值以此类推，每次都将前一个rnn神经元的预测结果输入到下一个rnn神经元中，进行下一时刻协变量的预测，从而得到各个时刻协变量的预测值。
45.步骤103：将每个时刻协变量的预测值输入到第二循环神经网络，得到对应时刻的隐藏层信息。
46.作为一种可选的方式，为了得到第二循环神经网络，需要基于稳态阶段的发动机正常试车数据以及发动机正常工况下的火箭发动机状态空间模型对循环神经网络进行训练。
47.具体的，首先建立第二初始循环神经网络和正常工况下的火箭发动机状态空间模型；
48.正常工况下的火箭发动机状态空间模型如公式(1)和公式(2)所示：
49.x
k+1
＝a
·
xk+jj+ekꢀꢀ
(1)
50.yk＝c
·
xk+kk+εkꢀꢀ
(2)
51.其中，k为时间步，k的取值为1,2,3...，xk为系统状态参数，yk为系统输出参数，ek和εk为不相关的零均值白噪声序列，ek的协方差矩阵为q,εk的协方差矩阵为r,jj阵和kk阵为补偿矩阵。令x∈y，则c矩阵已知。因此，由a矩阵表征状态参数变化情况，即状态转移。
52.为了利用状态空间模型描述时间序列，将第二初始循环神经网络输出的隐藏层信息映射为火箭发动机状态空间模型的状态转移矩阵a。同时为了防止发动机发生故障后会造成数据污染的问题，不引入卡尔曼滤波的“更新”的步骤，即仅根据卡尔曼滤波技术中预测步骤通过上一时刻火箭发动机状态空间模型系统状态参数的测量值预测下一时刻系统状态参数的预测值。接下来结合图4进行具体说明。
53.如图4所示，将稳态阶段正常试车数据中n-1时刻协变量的测量值z
n-1
输入到第二初始循环神经网络中，得到n-1时刻的初始隐藏层信息；将该初始隐藏层信息映射为火箭发动机状态空间模型的初始状态转移矩阵a
n-1
,同时将n-1时刻目标参数的测量值x
n-1
输入到
火箭发动机状态空间模型中从而得到n时刻目标参数的预测值将n时刻目标参数的预测值与n时刻目标参数的测量值xn进行对比，根据对比结果对第二初始循环神经网络的参数进行调整；然后将稳态阶段正常试车数据中n时刻协变量的测量值zn输入到第二初始循环神经网络中，得到n时刻的初始隐藏层信息；将该初始隐藏层信息映射为火箭发动机状态空间模型的初始状态转移矩阵an,同时将n时刻目标参数的测量值xn输入到火箭发动机状态空间模型中从而得到n+1时刻目标参数的预测值将n+1时刻目标参数的预测值与n+1时刻目标参数的测量值x
n+1
进行对比，根据对比结果继续对第二初始循环神经网络的参数进行调整；直到调整的参数符合要求，得到训练好的第二循环神经网络。其中，n为正整数。为了便于区分，将目标参数的预测值称为第二预测值。
54.训练好的第一循环神经网络和第二循环神经网络的预测过程可以结合图5进行说明，如图5所示：将协变量初始测量值z0输入到第一循环神经网络中，预测得到协变量预测值一方面将预测值作为第一循环神经网络下一rnn神经元的输入，预测得到协变量预测值另一方面将预测值输入到第二循环神经网络，第二循环神经网络的输出可以映射为状态转移矩阵a1，如此，将第一循环神经网络预测得到的每个时刻的斜变量预测值输入到第二循环神经网络即可得到对应时刻的隐藏层信息，该隐藏层信息可以映射为状态转移矩阵。
55.步骤104：将所述隐藏层信息映射为火箭发动机增广状态空间模型状态转移矩阵的子阵，得到火箭发动机故障模型。
56.具体的，首先建立面向对象的火箭发动机模型；
57.可以采用simulink软件建立面向对象的火箭发动机模型。具体的，根据系统动力学方程，建立发动机子系统部件级模型，发动机子系统部件级模型包括离心泵模型、涡轮模型、管路模型、燃气发生器模型、推力室模型、控制系统模型以及物性模型等。然后对各个子系统部件级模型进行连接，得到面向对象的火箭发动机模型。
58.在所述面向对象的火箭发动机模型中构建表征各子系统部件级模型的故障因子，并进行线性化处理，得到故障注入后的火箭发动机离散线性化状态空间模型。
59.故障注入通过修改面向对象的火箭发动机模型使模型具备故障仿真的能力。故障注入原则是注入常见的可影响发动机正常运行的，会对发动机状态参数造成较大影响的参数。可通过对故障模式的分析采用乘性故障和加性故障的方法实现故障注入。
60.故障注入后的火箭发动机离散线性化状态空间模型如公式(3)和(4)所示：
61.x
k+1
＝f(k,xk,pk)+ekꢀꢀ
(3)
62.yk＝g(k,xk,pk)+εkꢀꢀ
(4)
63.其中，k为时间步，xk为系统状态参数，yk为系统输出参数，ek和εk为不相关的零均值白噪声序列，ek的协方差矩阵为q,εk的协方差矩阵为r,pk为发动机故障因子，可以表征发动机健康程度，可以为管路泄漏量、涡轮泵的效率故障因子、或其他故障的特征参数。
64.对含故障因子的火箭发动机非线性离散动态模型在某一基准点线性化可得火箭发动机离散线性化状态空间模型，如公式(5)和公式(6)所示：
65.δx
k+1
＝a
′
δxk+l
′
δpk+ekꢀꢀ
(5)
66.δyk＝c
′
δxk+m
′
δpk+εkꢀꢀ
(6)
67.其中，状态转移矩阵为a
′
，输出矩阵为c
′
，故障矩阵为l
′
和m
′
。。δx为系统状态参数的残差，δy为系统输出参数的残差，因此该火箭发动机离散线性化状态空间模型是以系统状态参数的残差作为该模型的状态参数，以系统输出参数的残差作为系统输出参数，为了与第二循环神经网络相匹配，需要将所述火箭发动机离散线性化状态空间模型中的状态参数残差转化为状态参数，输出参数残差转化为输出参数，并将故障因子残差扩维为系统状态参数，得到火箭发动机增广状态空间模型。
68.具体的，将δx＝x-x0，δy＝y-y0代入到公式(5)和公式(6)中得到公式(7)和公式(8)：
69.(x
k+1-x0)＝a
′
(x
k-x0)+l
′
δp+ekꢀꢀ
(7)
70.(y
k-y0)＝c
′
(x
k-x0)+m
′
δp+εkꢀꢀ
(8)
71.对公式(7)和公式(8)进行拆分合并得到公式(9)和公式(10)：
72.x
k+1
＝a
′
xk+l
′
δp+(ix
0-a
′
x0)+ekꢀꢀ
(9)
73.yk＝c
′
xk+m
′
δp+(iy
0-c
′
x0)+εkꢀꢀ
(10)
74.然后将故障因子扩维为系统状态参数，得到公式(11)和公式(12)：
[0075][0076][0077]
由于第二循环神经网络是通过公式(1)和公式(2)表示的正常工况下的火箭发动机状态空间模型进行训练的，且(ix
0-a
′
x0)和(iy
0-c
′
x0)均为常矩阵，所以为了与第二循环神经网络进行匹配，将(ix
0-a
′
x0)和(iy
0-c
′
x0)分别用jj,kk阵进行替换，从而得到以故障因子为系统状态参数的火箭发动机增广状态空间模型，如公式(13)和公式(14)所示：
[0078][0079][0080]
最后，将第二循环神经网络输出的隐藏层信息映射为火箭发动机增广状态空间模型中状态转移矩阵中的子阵a
′
，即可得到火箭发动机故障模型，对应时刻的火箭发动机故障模型如公式(15)和公式(16)所示：
[0081][0082][0083]
令c
aug
＝[c
′ꢀm′
]。可得：
[0084]
x
aug,k+1
＝a
aug
x
aug,k
+jj+ekꢀꢀ
(17)
[0085]
yk＝c
aug
x
aug,k
+kk+εkꢀꢀ
(18)
[0086]
其中，ek的协方差矩阵为q
aug
,εk的协方差矩阵为r。
[0087]
步骤105：基于目标参数的测量值，采用观测器对所述火箭发动机故障模型中的故障因子进行观测，得到所述故障因子的估计值，实现对发动机的故障诊断。
[0088]
其中，观测器包括扩展卡尔曼滤波、粒子滤波、无味卡尔曼滤波，接下来以卡尔曼滤波为例对故障诊断进行详细说明：
[0089]
在对火箭发动机进行故障诊断时，实时获取目标参数的测量值，将目标参数的测量值输入到火箭发动机故障模型中，以及将协变量初始测量值输入到火箭发动机故障模型中的第一循环神经网络中；
[0090]
采用卡尔曼滤波技术，基于所述火箭发动机故障模型中的状态方程对所述火箭发动机故障模型的状态参数进行预测，得到状态参数的均值和方差。
[0091]
基于预测结果以及目标参数测量值，对状态参数的均值和方差进行更新，得到状态参数的估计结果；所述估计结果包括故障因子的估计值。
[0092]
具体的，预测：卡尔曼滤波的预测方程如公式(19)、公式(20)和公式(21)所示：
[0093][0094][0095][0096]
其中，为状态参数x
aug
在k+1步对应时刻的先验，p
aug
为状态参数的方差，为p在k+1步对应时刻的先验，a
aug,k+1
为k+1步对应时刻状态参数的雅克比矩阵。
[0097]
更新：卡尔曼滤波的更新方程如公式(22)，公式(23)和公式(24)所示：
[0098][0099][0100][0101]
其中，i为标准矩阵，k
aug
为卡尔曼增益。通过卡尔曼增益k
aug
决定加权相加时对系统预测结果和测量结果的偏向性。当k
aug
值越小时，加权相加偏向系统预测结果，k
aug
越大时则相反。
[0102]
具体的，根据p随时间的变化可以看出状态估计误差的变化情况。首先给定状态初值，基于公式(19)，公式(20)以及公式(21)预测得到k＝1时状态参数均值和方差的先验预测结果，然后基于公式(22)，公式(23)以及公式(24)并根据k＝1时目标参数的测量值对k＝1时状态参数的均值和方差进行更新，得到k＝1时状态参数均值和方差的后验结果，完成一次预测和更新过程；然后根据k＝1时的后验结果预测得到k＝2时状态参数的均值和方差的先验预测结果，根据k＝2时刻目标参数的测量值以及k＝2时的先验预测结果对k＝2时刻状态参数的均值和方差进行更新，得到k＝2时状态参数均值和方差的后验结果。以此类推，可迭代计算得到任意时刻状态参数的均值和方差的估计结果。
[0103]
由于故障因子为系统状态参数，因此状态参数的估计结果中包括故障因子的估计值，根据故障因子的估计值即可判断火箭发动机是否故障。
[0104]
上述主要从各个网元之间交互的角度对本发明提供的方案进行了介绍。可以理解的是，为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本发明能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0105]
本发明实施例可以根据上述方法示例进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本发明实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
[0106]
在采用对应各个功能划分各个功能模块的情况下，图6示出了本发明提供的一种火箭发动机故障诊断装置的结构示意图。如图6所示，该火箭发动机故障诊断装置包括：
[0107]
发动机测量数据获取模块601，用于获取发动机测量数据；所述测量数据包括协变量初始测量值和各个时刻目标参数的测量值；
[0108]
协变量预测模块602，用于将所述协变量的初始测量值输入到第一循环神经网络，得到各个时刻协变量的预测值；
[0109]
隐藏层信息计算模块603，用于将每个时刻协变量的预测值输入到第二循环神经网络，得到对应时刻的隐藏层信息；
[0110]
火箭发动机故障模型建立模块604，用于将所述隐藏层信息映射为火箭发动机增广状态空间模型状态转移矩阵的子阵，得到火箭发动机故障模型；
[0111]
故障因子观测模块605，用于基于目标参数的测量值，采用观测器对所述火箭发动机故障模型中的故障因子进行观测，得到所述故障因子的估计值，实现对发动机的故障诊断。
[0112]
可选的，所述装置还包括：第一循环神经网络建立模型，具体可以用建立第一初始循环神经网络；
[0113]
将稳态阶段发动机正常试车数据中n-1时刻协变量的测量值输入到所述第一初始循环神经网络中，预测得到n时刻协变量的第一预测值；
[0114]
将稳态阶段正常试车数据中n时刻协变量的测量值与所述第一预测值进行对比，根据对比结果对所述第一初始循环神经网络的参数进行调整，训练完成得到第一循环神经网络，n为正整数。
[0115]
可选的，所述装置还包括：第二循环神经网络建立模型，具体可以用于：
[0116]
建立第二初始循环神经网络和正常工况下的火箭发动机状态空间模型；
[0117]
将稳态阶段正常试车数据中n-1时刻协变量的测量值输入到所述第二初始循环神经网络中，得到初始隐藏层信息；
[0118]
基于稳态阶段正常试车数据中n-1时刻目标参数测量值，并将所述初始隐藏层信息映射为所述火箭发动机状态空间模型的初始状态转移矩阵，通过所述火箭发动机状态空间模型预测得到n时刻目标参数的预测值；
[0119]
将所述第二预测值与稳态阶段正常试车数据中n时刻目标参数的测量值进行对比，根据对比结果调整所述第二初始循环神经网络的参数，训练完成得到训练好的第二循环神经网络；n为正整数。
[0120]
可选的，所述装置还可以包括：火箭发动机增广状态空间模型建立模块，具体可以用于：
[0121]
建立故障注入后的火箭发动机离散线性化状态空间模型；
[0122]
将所述火箭发动机离散线性化状态空间模型中的状态参数残差转化为状态参数，输出参数残差转化为输出参数，并将故障因子残差扩维为系统状态参数，得到火箭发动机增广状态空间模型。
[0123]
可选的，所述装置还包括：故障注入后的火箭发动机离散线性化状态空间模型建立模块，具体可以用于：
[0124]
建立面向对象的火箭发动机模型；
[0125]
在所述面向对象的火箭发动机模型中构建表征各子系统部件级模型的故障因子，并进行线性化处理，得到故障注入后的火箭发动机离散线性化状态空间模型。
[0126]
可选的，所述故障因子观测模块605，具体可以用于：
[0127]
将目标参数的测量值输入到所述火箭发动机故障模型；
[0128]
采用卡尔曼滤波技术，基于所述火箭发动机故障模型中的状态方程对所述火箭发动机故障模型的状态参数进行预测，得到状态参数的均值和方差；
[0129]
基于预测结果以及目标参数测量值，对状态参数的均值和方差进行更新，得到状态参数的估计结果；所述估计结果包括故障因子的估计值；
[0130]
根据所述故障因子的估计值判断火箭发动机是否故障。
[0131]
可选的，所述协变量预测模块602，具体可以用于：
[0132]
将所述协变量初始测量值输入到第一循环神经网络中第一个rnn神经元中，得到第一时刻协变量的预测值；
[0133]
将前一个rnn神经元的预测结果输入到下一个rnn神经元中，进行下一时刻协变量的预测，得到各个时刻协变量的预测值。
[0134]
可选的，所述观测器包括扩展卡尔曼滤波、粒子滤波、无味卡尔曼滤波。
[0135]
一方面，提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当指令被运行时，用于实现：
[0136]
获取发动机测量数据；所述测量数据包括协变量初始测量值和各个时刻目标参数的测量值；
[0137]
将所述协变量初始测量值输入到第一循环神经网络，得到各个时刻协变量的预测值；
[0138]
将每个时刻协变量的预测值输入到第二循环神经网络，得到对应时刻的隐藏层信息；
[0139]
将所述隐藏层信息映射为火箭发动机增广状态空间模型状态转移矩阵的子阵，得到火箭发动机故障模型；所述火箭发动机增广状态空间模型是以故障因子为系统状态参数的模型；
[0140]
基于目标参数的测量值，采用观测器对所述火箭发动机故障模型中的故障因子进
行观测，得到所述故障因子的估计值，实现对发动机的故障诊断。
[0141]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机程序或指令。在计算机上加载和执行所述计算机程序或指令时，全部或部分地执行本发明所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、终端、用户设备或者其它可编程装置。所述计算机程序或指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机程序或指令可以从一个网站站点、计算机、服务器或数据中心通过有线或无线方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是集成一个或多个可用介质的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，例如，软盘、硬盘、磁带；也可以是光介质，例如，数字视频光盘(digital video disc，dvd)；还可以是半导体介质，例如，固态硬盘(solid state drive，ssd)。
[0142]
尽管在此对本发明进行了描述，然而，在实施所要求保护的本发明过程中，本领域技术人员通过查看附图、公开内容、以及所附权利要求书，可理解并实现公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。
[0143]
尽管结合具体特征及其实施例对本发明进行了描述，显而易见的，在不脱离本发明的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本发明的示例性说明，且视为已覆盖本发明范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

技术特征：
1.一种火箭发动机故障诊断方法，其特征在于，包括：获取发动机测量数据；所述测量数据包括协变量初始测量值和各个时刻目标参数的测量值；将所述协变量初始测量值输入到第一循环神经网络，得到各个时刻协变量的预测值；将每个时刻协变量的预测值输入到第二循环神经网络，得到对应时刻的隐藏层信息；将所述隐藏层信息映射为火箭发动机增广状态空间模型状态转移矩阵的子阵，得到火箭发动机故障模型；所述火箭发动机增广状态空间模型是以故障因子为系统状态参数的模型；基于目标参数的测量值，采用观测器对所述火箭发动机故障模型中的故障因子进行观测，得到所述故障因子的估计值，实现对发动机的故障诊断。2.根据权利要求1所述的方法，其特征在于，所述将所述协变量初始测量值输入到第一循环神经网络，得到各个时刻协变量的预测值，之前还包括：建立第一初始循环神经网络；将稳态阶段发动机正常试车数据中n-1时刻协变量的测量值输入到所述第一初始循环神经网络中，预测得到n时刻协变量的第一预测值；将稳态阶段正常试车数据中n时刻协变量的测量值与所述第一预测值进行对比，根据对比结果对所述第一初始循环神经网络的参数进行调整，训练完成得到第一循环神经网络，n为正整数。3.根据权利要求1所述的方法，其特征在于，所述将所述协变量初始测量值输入到第一循环神经网络，得到各个时刻协变量的预测值，之前还包括：建立第二初始循环神经网络和正常工况下的火箭发动机状态空间模型；将稳态阶段正常试车数据中n-1时刻协变量的测量值输入到所述第二初始循环神经网络中，得到初始隐藏层信息；基于稳态阶段发动机正常试车数据中n-1时刻目标参数测量值，并将所述初始隐藏层信息映射为所述火箭发动机状态空间模型的初始状态转移矩阵，通过所述火箭发动机状态空间模型预测得到n时刻目标参数的第二预测值；将所述第二预测值与稳态阶段正常试车数据中n时刻目标参数的测量值进行对比，根据对比结果调整所述第二初始循环神经网络的参数，训练完成得到训练好的第二循环神经网络；n为正整数。4.根据权利要求1所述的方法，其特征在于，所述将所述隐藏层信息映射为火箭发动机增广状态空间模型状态转移矩阵的子阵，得到火箭发动机故障模型，之前还包括：建立故障注入后的火箭发动机离散线性化状态空间模型；将所述火箭发动机离散线性化状态空间模型中的状态参数残差转化为状态参数，输出参数残差转化为输出参数，并将故障因子残差扩维为系统状态参数，得到火箭发动机增广状态空间模型。5.根据权利要求1所述的方法，其特征在于，所述基于目标参数的测量值，采用观测器对所述火箭发动机故障模型中的故障因子进行观测，得到所述故障因子的估计值，实现对发动机的故障诊断，包括：将目标参数的测量值输入到所述火箭发动机故障模型；
采用卡尔曼滤波技术，基于所述火箭发动机故障模型中的状态方程对所述火箭发动机故障模型的状态参数进行预测，得到状态参数的均值和方差；基于预测结果以及目标参数测量值，对状态参数的均值和方差进行更新，得到状态参数的估计结果；所述估计结果包括故障因子的估计值；根据所述故障因子的估计值判断火箭发动机是否故障。6.根据权利要求4所述的方法，其特征在于，所述建立故障注入后的火箭发动机离散线性化状态空间模型，之前还包括：建立面向对象的火箭发动机模型；在所述面向对象的火箭发动机模型中构建表征各子系统部件级模型的故障因子，并进行线性化处理，得到故障注入后的火箭发动机离散线性化状态空间模型。7.根据权利要求1所述的方法，其特征在于，所述将所述协变量初始测量值输入到第一循环神经网络，得到各个时刻协变量的预测值，包括：将所述协变量初始测量值输入到第一循环神经网络中第一个rnn神经元中，得到第一时刻协变量的预测值；将前一个rnn神经元的预测结果输入到下一个rnn神经元中，进行下一时刻协变量的预测，得到各个时刻协变量的预测值。8.根据权利要求1所述的方法，其特征在于，所述观测器包括扩展卡尔曼滤波、粒子滤波、无味卡尔曼滤波。9.一种火箭发动机故障诊断装置，其特征在于，包括：发动机测量数据获取模块，用于获取发动机测量数据；所述测量数据包括协变量初始测量值和各个时刻目标参数的测量值；协变量预测模块，用于将所述协变量的初始测量值输入到第一循环神经网络，得到各个时刻协变量的预测值；隐藏层信息计算模块，用于将每个时刻协变量的预测值输入到第二循环神经网络，得到对应时刻的隐藏层信息；火箭发动机故障模型建立模块，用于将所述隐藏层信息映射为火箭发动机增广状态空间模型状态转移矩阵的子阵，得到火箭发动机故障模型；故障因子观测模块，用于基于目标参数的测量值，采用观测器对所述火箭发动机故障模型中的故障因子进行观测，得到所述故障因子的估计值，实现对发动机的故障诊断。10.一种计算机可读存储介质，其特征在于，包括：所述计算机可读存储介质中存储有指令，当所述指令被运行时，实现权利要求1-8任一项所述火箭发动机故障诊断方法。

技术总结
本发明公开一种火箭发动机故障诊断方法、装置及介质，涉及火箭发动机技术领域，以解决现有发动机故障诊断方法准确性低的问题。一种火箭发动机故障诊断方法，包括：获取发动机测量数据；将协变量初始测量值输入到第一循环神经网络，得到各个时刻协变量的预测值；将每个时刻协变量的预测值输入到第二循环神经网络，得到对应时刻的隐藏层信息；将隐藏层信息映射为火箭发动机增广状态空间模型状态转移矩阵的子阵，得到火箭发动机故障模型；基于目标参数的测量值，采用观测器对火箭发动机故障模型中的故障因子进行观测，得到故障因子的估计值，实现对发动机的故障诊断。本发明提供的火箭发动机故障诊断方法用于提高液体火箭发动机故障诊断的准确性。机故障诊断的准确性。机故障诊断的准确性。


技术研发人员：陈晖 张振臻 张航 张晓光 高玉闪 陈泽灏 林荣浩
受保护的技术使用者：西安航天动力研究所
技术研发日：2023.01.16
技术公布日：2023/5/11