在火箭飛行時的參數(shù)異常檢測中,傳統(tǒng)紅線法的漏報率和誤報率較高,專家系統(tǒng)法的維護成本過高,而機器學習受制于數(shù)據(jù)集規(guī)模難以訓練模型,因此提出了分別基于實例和基于模型的兩種遷移策略。為了對YF-77新型發(fā)動機的關鍵參數(shù)氧泵轉(zhuǎn)速進行實時監(jiān)測,在分析具有相同構造原理的YF-75與YF-77氫氧發(fā)動機的參數(shù)組成和數(shù)據(jù)特點后,處理領域差異,構建特征空間,并篩選特征向量。對YF-75向YF-77分別進行了實例和模型的遷移,并進行了實驗驗證。對比無遷移的k最近鄰（k NN）與支持向量機（SVM）方法,遷移訓練后的模型的漏報率從最高58.33%降至最低12.25%,誤報率從最高60.83%降至最低13.53%。實驗結果驗證了兩型發(fā)動機之間信息的可遷移性,以及遷移學習在航天領域工程實踐中應用的可能性。 

【文章頁數(shù)】：7 頁

【文章目錄】：
0 引言
1 背景及現(xiàn)狀
    1.1 火箭發(fā)動機參數(shù)評估內(nèi)容
    1.2 參數(shù)異常檢測方法現(xiàn)狀
2 基于遷移學習的參數(shù)異常檢測
    2.1 兩型發(fā)動機的相似性分析
    2.2 針對數(shù)據(jù)差異進行預處理
        2.2.1 時間對齊
        2.2.2 數(shù)據(jù)歸一化
    2.3 特征空間構建
        2.3.1 特征對正常與異常的區(qū)分性
        2.3.2 刻畫兩個領域的趨勢
    2.4 異常檢測分類模型
        2.4.1 k NN分類模型
        2.4.2 SVM分類模型
3 實驗及分析
    3.1 實驗設置
    3.2 結果分析
    3.3結論
4 結語


【參考文獻】：
期刊論文
[1]深度學習在語音識別中的研究進展綜述[J]. 侯一民,周慧瓊,王政一.  計算機應用研究. 2017(08)
[2]深度卷積神經(jīng)網(wǎng)絡在計算機視覺中的應用研究綜述[J]. 盧宏濤,張秦川.  數(shù)據(jù)采集與處理. 2016(01)
[3]遷移學習研究進展[J]. 莊福振,羅平,何清,史忠植.  軟件學報. 2015(01)
[4]深度學習研究綜述[J]. 孫志軍,薛磊,許陽明,王正.  計算機應用研究. 2012(08)
[5]火箭發(fā)動機水擊壓力數(shù)值模擬分析[J]. 徐峰,劉英元,陳海峰.  火箭推進. 2012(01)
[6]基于ARMA時序分析的液體火箭發(fā)動機模態(tài)參數(shù)辨識方法[J]. 杜飛平,譚永華,陳建華,黃道瓊.  火箭推進. 2010(06)
[7]支持向量機用于液體火箭發(fā)動機的故障診斷[J]. 何浩,胡小平,姜志杰,劉偉強.  火箭推進. 2008(03)
[8]液體火箭發(fā)動機故障檢測與診斷技術綜述[J]. 張惠軍.  火箭推進. 2004(05)
[9]液體火箭發(fā)動機故障檢測與診斷研究的若干進展[J]. 陳啟智.  宇航學報. 2003(01)



本文編號：3719643