论文研究-基于自适应粒子群相关向量机的液体火箭发动机试车台故障检测 .pdf

液体火箭发动机试车台故障检测是一个涉及复杂技术系统的难题，本文中朱凤宇、宋凯与王祁提出了一种基于自适应粒子群优化算法(APSO)改进的相关向量机(RVM)故障检测方法，该方法命名为APSO-RVM。这一研究针对传统相关向量机在核参数选择上的难题，通过粒子群优化算法的快速收敛性能，对核参数进行优化选择，形成了一个新型的故障检测模型。文章中通过仿真和实验的方法，利用氧减压阀出口压力（Pejy）数据库，验证了APSO-RVM方法在故障检测中的有效性。该方法能快速有效地发现故障，并且满足了工程应用的可靠性和实时性要求，具备了很高的实际应用价值。 研究的背景是液体火箭发动机系统试验具有系统规模大、结构复杂、测量参数种类繁多、精度要求高、试验费用昂贵以及危险性大等特点。因此，故障一旦发生，可能造成的损失是巨大的。尤其在航天试验中，故障导致的试验失败约20%，所带来的经济损失和安全风险都非常严重。这就使得故障的早期检测与预防维护具有重要的经济和安全意义。 目前，我国在液体火箭发动机试车中主要采用的红线关机监控方法仅覆盖几个重要参数，而且容易受到传感器故障影响导致误检测，覆盖面有限，无法准确预示故障的发展。其他基于数据统计的方法虽然简单可靠，但其准确程度严重依赖于试车数据的统计结果，并且由于液体火箭发动机试车台的非线性和不稳定性，往往无法准确诊断。 为了解决上述问题，文章提出利用自适应粒子群优化算法，其快速收敛的特点可以帮助改进相关向量机的核参数选择，这是目前文献中尚未解决的问题。相关向量机是一种贝叶斯稀疏概率模型，它通过引入稀疏性的概念来提高模型的泛化能力。在优化核参数的过程中，自适应粒子群算法通过模拟群体中粒子的群体行为和信息共享机制，有效地解决了传统粒子群算法在后期收敛速度慢和局部最优等问题。 关键词中提到的自适应粒子群、相关向量机和液体火箭发动机，反映了故障检测模型的三个关键技术和应用场景。自适应粒子群优化算法通过不断迭代寻找最优解，而相关向量机则利用其核函数来处理非线性问题，并通过稀疏化处理降低计算复杂度。在液体火箭发动机试车台故障检测的应用中，将模型的输入参数设置为氧减压阀出口压力（Pejy）等关键参数，通过模拟和实验来验证模型的性能。 文章作者朱凤宇是博士研究生，主要研究方向为传感器信息处理和故障诊断，王祁则是教授、博导，其研究方向涉及传感器信息处理及应用。他们所属的哈尔滨工业大学电气工程及自动化学院，一直致力于航天器动力系统及相关的高科技研究，其在传感器信息处理、故障诊断等领域的研究成果，对于提升我国液体火箭发动机试车台的故障检测能力和可靠性具有重要的理论和实践意义。在基金项目方面，得到了高等学校博士学科点专项科研基金的支持。 本文提出的基于自适应粒子群优化算法的相关向量机故障检测方法，在理论研究和实验验证上均展示了在液体火箭发动机试车台故障检测方面的优势，不仅能够有效提高故障检测的速度和准确性，还可以在实际应用中大大降低事故发生的概率和维护成本，为我国液体火箭发动机试车台的安全运行提供了有力的技术支撑。