临近空间飞行器服役性能退化机理与健康自主感知方法研究

The service environments of near space vehicle are complex, and the operation conditions have strong non-stationary and nonlinear properties, which lead to the service performance degradation and cause disaster events. Near space vehicle service performance preservation always is the research focus. In this project, the service performance degradation mechanism model of near space vehicle is constructed,to analyze the relationship between near space vehicle serice environment factors, operation conditions and performance degradation. The feature transfering model for near space vehicle service performance is constructed. The mechanisms of transfering characteristic learning and deep enhance learning are studied, and the transfering deep enhance intelligent algorithm is constructed which has autonomous and environment sensing abilities. The near space vehicle service performance health autonomous sensing method is proposed based on the above research, which obtain near space vehicle service performance information and evaluate the health conditions automatically. The engineering verification and application for propeller subsystem so on are carried out. The novel results and contribution in fault uncertainty analysis theory and aerial vehicle fault uncertainty dynamic evaluation and prognosis will be obtained. This project research will provide new theory and technology in near space vehicle service performance degradation mechanism and health autonomous sensing method.

临近空间飞行器服役环境多场耦合、运行状态强非平稳和强非线性，会引起其服役性能退化，将会导致灾难性后果，临近空间飞行器服役性能保持受到极大关注。本项目拟建立临近空间飞行器服役性能退化机理模型，分析临近空间飞行器服役环境影响因素及运行状态与服役性能退化的规律；构造临近空间飞行器服役性能特征迁移模型，迁移服役性能退化仿真模型数据和试验数据深层特征知识得到特征迁移数据集；研究迁移学习和深度强化学习机制，构造具有自主性和环境感知能力的迁移深度强化智能算法。在上述研究基础上，提出临近空间飞行器服役性能健康自主感知方法，自动获取临近空间飞行器服役性能信息并评估其健康状态。.对螺旋桨推进系统等临近空间飞行器关键子系统开展工程验证与应用研究。通过本项目的研究，可望在临近空间飞行器服役性能退化机理、服役性能健康自主感知方法等方面有所突破和创新，为临近空间飞行器服役性能保持提供新的理论与技术。

本项目针对临近空间飞行器服役性能退化机理与健康自主感知问题，重点研究了服役性能退化机理模型、服役性能特征迁移模型和健康自主感知方法，构造出了临近空间飞行器服役性能退化机理模型与健康自主感知新方法。主要研究工作和成果如下：研究了临近空间高超声速飞行器的动力学模型构建方法，建立了临近空间飞行器服役性能退化机理动力学模型，提出了一种关键频谱熵和统计特性的动态健康监测和性能退化评估集成框架；研究了基于实例迁移学习的长短期记忆循环神经网络模型构建方法，提出了一种自适应深度迁移学习的故障诊断方法；研究了批正则化长短期记忆循环神经神经网络模型构建方法，提出了一种深度迁移最大分类器差异的故障诊断方法；研究了核最大均值差异构造多个深度迁移学习网络构建方法，提出了一种多源域强化集成深度迁移学习网络的故障诊断方法；研究了对抗域自适应迁移网络模型构建方法，提出了一种高斯引导对抗域自适应迁移网络的故障诊断方法；研究了分层门控循环网络构建方法，提出了一种分层门控循环网络和修正健康指标的故障预测方法；研究了利用强化学习的策略梯度方法更新控制器参数方法，提出了一种强化学习网络架构自动搜索的故障诊断方法；研究了具有不同大小卷积核的多尺度卷积网络构建方法，提出了一种多尺度残差自注意力特征融合网络的高超声速飞行器故障诊断方法；研究了变分信息约束生成对抗网络构建方法，提出了一种变分信息约束生成对抗网络的小样本机器故障诊断方法；研究了小波胶囊生成对抗网络构建方法，提出了一种数据增强型小波胶囊生成对抗网络的故障诊断方法；研究了以条件变分自编码器指导的条件生成对抗网络模型构建方法，提出了一种自调节条件变分自编码生成对抗网络的故障诊断方法；研究了构造的服役性能特征迁移方法在临近空间飞行器关键部件服役性能退化健康识别中的应用；研究了构造的健康自主感知方法在临近空间飞行器服役性能健康评估中的应用。