王敏杰

北京星河动力装备科技有限公司，中国·北京 100071

1 引言

液体火箭发动机启动与的发生与电力、软件、日常维护、人员操作等诸多因素组成，也从而增加了液体火箭发动机启动与故障检测系统的成本，降低了设备的工作效率[1]。因此，积极的液体火箭发动机启动与故障检测系统评估方法有利于预防危害，而不是在事故发生后采取反应性措施[2]。近年来，基于机器学习算法的机器故障预测，得到了广泛应用。在液体火箭发动机启动与故障检测系统设备中，人工提取所采集的信号特征，需要采集者本人具备较好的数学基础与机械故障诊断能力，并且不同的信号特征具有不同的表达含义，人工较难提取统一，以及适用不同模型的特征。故现有的机器学习方法，在液体火箭发动机启动与故障检测系统预测中，适用性较低。而改进的深度信念网络（Deep Belief Networks,DBNs），则是通过将多层非线性学习层的组合，进一步模仿人脑运行机制，从而对液体火箭发动机启动与故障检测系统设备存在的故障进行分类，进而成功获得有效的预测。本研究根据现有研究情况，提出液体火箭发动机启动与故障检测系统预测模型研究及工程评估实践，以期为液体火箭发动机启动与故障检测系统的有效预测提供一些的思路。

2 改进的深度信念网络模型体系架构原理

改进的深度信念网络主要是由多个受限玻尔兹曼机（Restricted Boltzmann Machines, RBMs）堆叠生成一种概率预测模型，本研究中结合液体火箭发动机启动与故障检测系统设备的特征，提出改进深度信念网络预测模型[3]。……