[论文解读] Machine Learning Methods for the Design and Operation of Liquid Rocket Engines -- Research Activities at the DLR Institute of Space Propulsion
本文介绍了德国航空航天中心（DLR）空间推进研究所的机器学习应用，用于液体火箭发动机的设计与运行，采用神经网络和代理模型进行预测建模、控制与状态监测。关键成果显示，成功实现了燃烧不稳定性与疲劳寿命的实时预测，训练好的模型可部署于嵌入式系统，适用于飞行关键应用。
The last years have witnessed an enormous interest in the use of artificial intelligence methods, especially machine learning algorithms. This also has a major impact on aerospace engineering in general, and the design and operation of liquid rocket engines in particular, and research in this area is growing rapidly. The paper describes current machine learning applications at the DLR Institute of Space Propulsion. Not only applications in the field of modeling are presented, but also convincing results that prove the capabilities of machine learning methods for control and condition monitoring are described in detail. Furthermore, the advantages and disadvantages of the presented methods as well as current and future research directions are discussed.
研究动机与目标
- 评估机器学习方法在改进液体火箭发动机设计、控制与运行方面的应用。
- 通过机器学习代理模型，解决传统CFD和FEM仿真中计算成本过高的挑战。
- 利用数据驱动模型实现实时状态监测与燃烧不稳定性主动控制。
- 研究将训练好的机器学习模型部署于嵌入式系统以支持飞行关键型空间应用的可行性。
- 建立机器学习软件在飞行关键推进系统中认证与验证的路径。
提出的方法
- 采用监督学习与神经网络，基于仿真生成的训练数据，预测冷却通道中的传热与疲劳寿命。
- 应用强化学习实现最优发动机控制，并发现燃烧不稳定的前兆。
- 使用支持向量机，基于已知物理特征对发动机状态进行鲁棒分类。
- 利用机器学习开发代理模型，替代计算成本高昂的CFD与FEM仿真，用于设计空间探索。
- 在地面使用TensorFlow和PyTorch等框架进行模型训练，随后转换为C/C++代码，部署于低功耗嵌入式系统。
- 聚焦仅推理部署，以最小化计算负载，避免在轨训练。
实验结果
研究问题
- RQ1机器学习模型能否准确预测液体火箭发动机冷却通道中的传热与疲劳寿命？
- RQ2基于机器学习的虚拟传感器能否替代物理传感器实现实时发动机监测？
- RQ3强化学习能否实现最优控制并主动抑制燃烧不稳定性？
- RQ4在飞行关键推进系统中部署机器学习模型面临哪些安全与认证挑战？
- RQ5如何在资源受限的嵌入式系统中高效部署训练好的神经网络以支持空间应用？
主要发现
- 神经网络成功以高精度预测了火箭发动机冷却通道中的传热，显著减少了对昂贵CFD仿真的依赖。
- 机器学习模型实现了燃烧不稳定的实时预测，支持主动控制策略的开发。
- 基于机器学习的疲劳寿命估算与高保真仿真数据高度相关，显著加快了设计迭代速度。
- 训练好的神经网络成功转换为C/C++代码并部署于嵌入式系统，证明了其在飞行应用中的可行性。
- 仿真生成的合成数据足以训练出鲁棒模型，即使真实异常数据有限亦可。
- 持续开展的验证与认证工作至关重要，以应对安全关键系统中机器学习作为“黑箱”的质疑。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。