简介：采用神经网络对航空发动机的关键参数进行建模,然后通过Johnson分布体系将建模残差数据转化为正态数据,确立了固定阈值的计算方法。针对固定阈值在参数异常诊断中暴露出的虚警和阈值带宽偏离问题,通过在固定阈值的基础上实现阈值的自适应,减少了虚警现象,且使阈值带宽在局部更为紧凑,检测效果良好。该方法可用于飞行试验中提前识别发动机工作中的异常现象,提高飞行试验的安全性和效率。
简介：支持向量机（SupportVectorMachine,简称SVM）是一种基于机器学习的模式分类算法,其在解决小样本、非线性及高维模式识别等问题中都表现出许多特有的优势。用SVM对液体火箭发动机的故障数据进行检测和诊断。通过对发动机仿真模型的9种故障数据的学习,能检测出18组故障数据中的17组,但有4组出现误报,对误报故障进行二次学习和再检测,能对这4种故障正确检测。经过对C75试车4种故障数据的学习,能正确检测其故障类型,进一步验证了该方法的正确性和可行性。
简介：研究数据挖掘技术在火箭发动机故障诊断中的应用，利用两种典型的贝叶斯分类器——朴素贝叶斯分类器和TAN分类器对液体火箭发动机故障进行分类，对某型号液体火箭发动机的试车数据和仿真数据进行了故障诊断，结果和实际试车情况相符，从而验证了贝叶斯分类器可以应用于液体火箭发动机故障诊断。
航空发动机参数异常诊断自适应阈值确定方法及验证
支持向量机用于液体火箭发动机的故障诊断
贝叶斯分类器在液体火箭发动机故障诊断中的应用
