液體火箭發動機啟動與故障檢測系統設計研究

王敏杰

北京星河動力裝備科技有限公司，中國·北京 100071

1 引言

液體火箭發動機啟動與的發生與電力、軟件、日常維護、人員操作等諸多因素組成，也從而增加了液體火箭發動機啟動與故障檢測系統的成本，降低了設備的工作效率[1]。因此，積極的液體火箭發動機啟動與故障檢測系統評估方法有利于預防危害，而不是在事故發生后采取反應性措施[2]。近年來，基于機器學習算法的機器故障預測，得到了廣泛應用。在液體火箭發動機啟動與故障檢測系統設備中，人工提取所采集的信號特征，需要采集者本人具備較好的數學基礎與機械故障診斷能力，并且不同的信號特征具有不同的表達含義，人工較難提取統一，以及適用不同模型的特征。故現有的機器學習方法，在液體火箭發動機啟動與故障檢測系統預測中，適用性較低。而改進的深度信念網絡（Deep Belief Networks,DBNs），則是通過將多層非線性學習層的組合，進一步模仿人腦運行機制，從而對液體火箭發動機啟動與故障檢測系統設備存在的故障進行分類，進而成功獲得有效的預測。本研究根據現有研究情況，提出液體火箭發動機啟動與故障檢測系統預測模型研究及工程評估實踐，以期為液體火箭發動機啟動與故障檢測系統的有效預測提供一些的思路。

2 改進的深度信念網絡模型體系架構原理

改進的深度信念網絡主要是由多個受限玻爾茲曼機（Restricted Boltzmann Machines, RBMs）堆疊生成一種概率預測模型，本研究中結合液體火箭發動機啟動與故障檢測系統設備的特征，提出改進深度信念網絡預測模型[3]。

受限玻爾茲曼機結構見圖1。

圖1 受限玻爾茲曼機結構

利用對液體火箭發動機啟動與故障檢測系統設備大量的數據無監督訓練RBM，進而找出最佳參數集，自動對于液體火箭發動機啟動與故障檢測系統的信號提取深層的特征，使似然函數最大化，為了解決這個問題，Hinton 根據CD 算法提出了一種訓練RBM的多主算法：對比發散（CD）算法（Hinton et al，2006），最大似然函數可以得到最大似然參數。為了實現，給出了基于RBM 訓練集的最優參數0*假設：

在對改進深度信念網絡的改進中，需要對RBM 的訓練參數進行更新，具體來說，隨機梯度上升是用來求解最大值的。在CD 算法的過程中，最關鍵的一步是求解對數P（v/0）對參數的偏導數，hinton 提出了Markov 鏈Monte carlomcc），它可以解決可見層和隱藏層的狀態。當可見層和隱層的分布趨于穩定時，P（v，h）達到最大值，參數可以更新如下（LeRoux和Bengio，2008）：

其中，r和n分別是迭代次數和學習率由上述推理，進一步得到關于液體火箭發動機啟動與故障檢測系統預測模型的預測的深度體系架構圖2。

圖2 液體火箭發動機啟動與故障檢測系統設計預測的深度體系架構

改進的深度信念網絡在液體火箭發動機啟動與故障檢測系統預測時，可以較好地提取出產生液體火箭發動機啟動與故障檢測系統的特征向量，并將所提取的特征向預測層輸入，從而為液體火箭發動機啟動與故障檢測系統的有效評估，提供依據。

3 仿真驗證

對H 液體火箭發動機啟動與故障檢測系統設備進行了故障預測模型的仿真，以此來為采購的液體火箭發動機啟動與故障檢測系統設備工程評估提供依據。原始數據提取為2019年1月—2020年1月期間，液體火箭發動機啟動與故障檢測系統發生量。液體火箭發動機啟動與故障檢測系統預測模型，加以仿真驗證，對比原始數據與預測液體火箭發動機啟動與故障檢測系統故障發生概率之間存在的誤差。

4 模型工程化應用評估實踐驗證

4.1 模型工程臨床應用實踐

本研究所構建的液體火箭發動機啟動與故障檢測系統預測模型，是利用局域網絡，采用信號接收系統，將通過所有與之相關的液體火箭發動機啟動與故障檢測系統數據采集，并發送至計算機系統內，自動完成故障發生概率的測算。液體火箭發動機啟動與故障檢測系統設計的預測，可以通過數據的反復采集，自動形成疊加與存儲，保證數據的準確性與可靠性，能夠隨時提供故障預測概率，保證液體火箭發動機啟動與故障檢測系統設計，保證其運行的穩定性。利用局域網的分散發射，無論設備在哪一方位運行，均能夠保證液體火箭發動機啟動與故障檢測系統設備時實性的監測效果，快速反饋液體火箭發動機啟動與故障檢測系統設備的運行情況，對可能發生的預測故障下限，自動分析，也可自動報警，給予設備維護人員提示，根據不同提示，制定有針對性的運維措施。該預測模型，可以通過現代化的預測手段，真正滿足當前液體火箭發動機啟動與故障檢測系統設備的運維，提升液體火箭發動機啟動與故障檢測系統領域的整體工作效率。本次研究所構建的模型工程臨床應用實踐布置[3]

4.2 模型工程化應用評估實踐驗證

液體火箭發動機啟動與故障檢測系統預測模型是否能應用到工程實踐，仍需要進行評估。選取2020年12 個月，每一個月進行故障預測能力評估。設置迭代次數為40 次，改進深度信念網絡的液體火箭發動機啟動與故障檢測系統預測模型與工程應用實踐的實測值進行對比。為了進一步保證本次結果的可靠性，將研究數據錄入SPSS24.0 軟件中，進行統計學的差異性分析，最終得到的結果見表1。

表1 模型工程化應用評估實踐驗證值對比

通過表1數據可知，液體火箭發動機啟動與故障檢測系統預測模型，可以應用到工程實踐，預測值與實際值結果之間存在較小的差異。通過工程實踐應用可知，液體火箭發動機啟動與故障檢測系統預測模型具有多個優點：①權重被引導到最 小范數的區域；②它在參數空間的區域中設置權重，其中全局最小的可能性最大；③它可以充分提取所有輸入數據的相關特征。

5 結語

本研究中仿真及工程驗證效能結果表明，改進深度信念網絡的液體火箭發動機啟動與故障檢測系統預測模型設置迭代次數40 次時，預測值與實際值并未出現較大差異，按照模型生成參數的操作步驟，不斷完成更新迭代，最終通過訓練RBM 后的學習算法，獲得所需要的最后深度信念網絡參數的更新預測模型，可以達到液體火箭發動機啟動與故障檢測系統準確的預測概率。液體火箭發動機啟動與故障檢測系統預測模型，可以降低液體火箭發動機啟動與故障檢測系統的發生率，并且能夠為液體火箭發動機啟動與故障檢測系統設備維護，提供具有科學依據的故障預防措施。隨著液體火箭發動機啟動與故障檢測系統設備維護意識與要求的增強，液體火箭發動機啟動與故障檢測系統預測模型自身所具備的多重優勢（液體火箭發動機啟動與故障檢測系統預測率準確、快速、全自動操作，無需人工配合），其液體火箭發動機啟動與故障檢測系統設備維護領域應用前景非常廣闊，值得全面推廣。