孙成志，闫晓东,2

(1. 西北工业大学航天学院, 西安 710072； 2. 陕西省空天飞行器设计技术重点实验室, 西安 710072)

0 引言

随着航天科技的发展，高可靠性逐渐成为航天发射任务的追求目标。在全箭众多的故障模式中，动力系统故障是运载火箭最常发生、造成后果最严重的故障，轻则使运载火箭入轨精度降低，重则直接导致飞行任务失败[1-2]。因此，研究运载火箭发动机故障诊断具有非常重要的工程价值和实际意义。

运载火箭动力系统模式复杂，建立系统的解析模型十分困难，故障诊断正确率不高[3]。目前，针对运载火箭动力系统故障诊断方法层出不穷，基于信号检测的故障诊断方法[4]、模糊理论的故障诊断方法、专家系统的故障诊断方法以及一些常规的故障诊断方法存在很大的局限性和适用性较差的问题[5]。然而，基于神经网络的故障诊断方法，处理数据能力较强，适合处理数据量丰富的运载火箭发动机数据[6]，同时，神经网络良好的非线性特性也适合对故障模式繁多、故障原因复杂的非线性运载火箭动力系统进行故障诊断[7]。但是神经网络容易陷入局部极小值，有时只能得到局部最优解，可能会出现误诊的情况。在进行故障诊断时，不同故障特征相互混杂在一起会出现多耦合、模糊性等复杂特征[8]，因此不能利用单一的方法判断故障模式。证据理论在无需先验知识的情况下，能够根据自身的算法融合不同方法的结果并以推理的形式获得确定的结果[9]，已经成为故障诊断领域的热点方向。……