液体推进剂火箭发动机健康监测技术：综述、见解与展望

《PROGRESS IN AEROSPACE SCIENCES》：Liquid-propellant rocket engine health monitoring technologies: A survey, insights, and prospects

　　

• •
  系统地综述了液体火箭发动机健康监测技术的发展。
• •
  提出了液体火箭发动机健康监测智能化发展的系统框架。
• •
  介绍了大语言模型赋能的预测与健康管理概念。
• •
  阐明了液体火箭发动机智能化发展面临的核心挑战。
• •
  提出了液体火箭发动机健康监测技术的未来发展策略与工程应用。

引言

近年来，进入太空的能力已成为支撑科学探索、空间技术发展及经济增长的关键支柱[1]、[2]、[3]。运载火箭——常被誉为通往太空的"桥梁"——仍然是进入太空的主要手段。随着任务配置的日益复杂——从地球观测、深空探索到载人航天——对运载器的性能、可靠性和可重复使用性的要求显著提高[4]、[5]、[6]。在此背景下，现代运载火箭的核心推进单元——液体火箭发动机（LRE）的重要性日益凸显[4]、[6]、[7]。

与固体燃料火箭发动机相比，液体火箭发动机（LRE）凭借其卓越的性能、可变推力能力以及重启能力，在一次性使用和可重复使用运载火箭中均得到广泛应用。在大推力运载火箭中，发动机通常采用串并联组合构型以提供所需的总推力；在可重复使用平台上，发动机的稳定性和耐久性对任务成功至关重要。LRE通常在极端热流体环境中运行，其特征为极高的燃烧温度、剧烈的压力波动、强烈的振动和快速瞬态过程。在此条件下，涡轮泵、燃烧室和喷注器等关键部件承受高温和机械循环载荷。如果即使是微小的结构缺陷或性能退化未能及时识别，它们可能迅速恶化，导致推力不足、非计划关机，甚至灾难性故障[8]、[9]、[10]。

尽管LRE在设计、控制及热结构优化方面取得了显著进展，但发动机的实时健康评估和故障风险控制仍是推进系统面临的重大挑战。特别是，高频次、低成本太空运输的推进需求，要求实现跨任务的稳定性能和低接触维护，对LRE健康监测系统提出了更加智能化和集成化的要求[7]、[11]、[12]、[13]、[14]。作为健康管理的核心要素，故障检测与诊断（FDD）近年来已开始在多个航天项目和试验平台上部署应用[15]。LRE健康监测的演进大致可分为三个阶段[16]、[17]、[18]、[19]、[20]：

• •
  被动监测（1.0）：故障主要通过任务后或试验后的人工检查来识别，时效性有限且不具备预警能力。
• •
  主动监测（2.0）：关键参数的在线采集和基于阈值的策略实现了初步预警和故障隔离，但对系统耦合和非线性因素的敏感度有限。
• •
  数据驱动监测（3.0）：引入基于物理的建模、系统辨识以及机器学习（ML）和深度学习（DL）等智能算法，实现故障状态的自动提取、建模和预测，增强了对前所未见故障的识别能力（见图1）。

虽然数据驱动方法显著提高了诊断效率和自动化水平，但其可解释性和可信度仍需要通过专家知识和物理信息先验来加强。

在上述三个历史发展阶段的基础上，并受到向AI 2.0演进的启发——该演进强调数据、知识与智能推理的深度融合[21]、[22]、[23]、[24]——我们进一步提出了LRE健康监测的第四个潜在阶段——自主智能阶段（4.0），如图1所示。与1.0至3.0阶段不同，4.0阶段在此作为前瞻性框架提出，而非已经建立的工程阶段。在该设想阶段，大语言模型、多模态感知和智能推理等新兴技术可与基于物理的模型、数字孪生和传统诊断方法相集成，以支持系统级的健康认知与决策。潜在能力包括知识融合、异常推理、维护建议生成以及在复杂或前所未见工况下的自适应决策支持。

鉴于LRE健康保障在现代航天任务中的核心作用，本文对LRE故障检测与诊断的当前状况和未来趋势进行了系统综述。首先概述了LRE健康监测的演进，随后对主流FDD方法进行了结构化分类和对比分析。接着总结了容错控制和传感技术的关键进展。最后，确定了下一代智能健康监测的研究方向，并介绍了健康管理系统的最新进展。本综述旨在为提高下一代推进系统的安全性、可用性和智能化水平提供技术指导和支持。

章节摘要

液体火箭发动机健康监测技术的关键方面

随着LRE朝着更高性能、更高可靠性和可重复使用的方向发展，其监测技术已成为推进系统设计和运行保障的核心要素[25]、[26]、[27]。健康监测系统旨在在整个生命周期内持续感知发动机状态，识别初始故障，预测健康趋势，并在必要时触发控制响应以维持安全稳定运行。该系统涵盖多个关键

健康监测系统研发趋势

随着LRE的推力和复杂度不断提高并朝着可重复使用方向发展，HMS正在经历从事后检测向主动的全生命周期管理的深刻转变。HMS不仅成为发动机安全运行的核心保障，还演变为涵盖推进系统设计、任务执行和运维支持的不可或缺的智能平台。其目标是在整个发动机生命周期中提供端到端的覆盖——实时状态感知，

大规模模型在运载火箭发动机健康监测中的应用与潜力

近年来，随着人工智能进入以大模型为主导的AI-2.0时代，以GPT和DeepSeek为代表的大规模基础模型（LSF-Models）迅速崛起。凭借其在通用知识获取、跨任务泛化和多模态数据理解方面的强大能力，这些模型在自然语言处理和计算机视觉领域取得了突破性成果[379]、[380]、[381]、[382]、[383]，同时开辟了新的视角和

使用大模型进行液体火箭发动机健康监测的挑战

尽管大规模预训练模型（大模型）在LRE智能健康监测方面展现出广阔前景，但仍有多个技术障碍阻碍其实际部署。这些障碍包括发动机故障模式的内在复杂性、高质量数据获取困难、计算资源受限、模型可信度有限以及严格的实时性要求。总体而言，这些挑战为大模型在LRE健康监测中的广泛应用构成了实际障碍

基于大模型的液体火箭发动机监测发展方向

展望未来，人工智能和大模型在运载火箭健康监测中的应用无疑具有巨大潜力。为充分发挥其潜力并克服现有挑战，以下领域值得重点关注。

结论

本文对LRE的健康管理系统（HMS）和故障检测与诊断（FDD）技术进行了系统综述，特别关注向智能健康监测的演进。我们提出了一个涵盖系统架构、建模范式、数据源、核心算法以及先进人工智能与数字孪生技术融合的集成框架。主要见解和未来研究方向如下：

• •
  架构与演进

LRE健康监测朝着越来越集成的方向发展，

CRediT作者贡献声明

吴建军：撰写—审阅与编辑、监督、方法论、调研。刘宇伟：撰写—初稿、方法论、数据整理、概念化。程宇强：监督、概念化。杨书明：可视化、概念化。李扬：方法论、调研。

利益冲突声明

作者声明不存在可能影响本文研究工作的已知竞争性经济利益或个人关系。

吴建军|刘宇伟|程宇强|杨书明|李扬