• 数据驱动的发动机健康状态识别研究

• 智能诊断模型的可信度及鲁棒性研究

• 基于多传感器融合的异常检测研究

    液体火箭发动机是航天运输核心动力装备，其工作环境极端、运行工况复杂，故障发展迅速且破坏性极大。基于试车监测数据开展异常检测与故障诊断，是避免发动机“带病上天”的关键手段。然而，噪声干扰强、数据分布偏移等问题严重制约了数据驱动方法的有效性，如何构建具良好泛化能力和高可信度的健康状态识别模型，已成为该领域亟待突破的关键问题。

亮点工作一：基于随机小波卷积核变换的高鲁棒特征提取

针对端到端框架下可解释与自适应矛盾导致强噪声多源信号鲁棒特征提取难题，利用小波时频特性约束卷积核构造，提出基于小波物理先验约束的随机卷积变换方法，构造全局池化算子与二次激活函数，实现了冗余特征抑制与特征向量全局压缩，为健康状态识别提供鲁棒特征基础。

亮点工作二：基于变分贝叶斯深度学习的高可信异常识别模型

针对动态分布数据下局部概率模型不确定性量化难题，构建基于激活重参数化的贝叶斯深度学习模型，提出特征-预测层集成的不确定性量化准则，解决了全参数概率化模型的高效推理与不确定性灵敏估计的矛盾。