在火箭飞行任务中,动力系统的工作状态对飞行成败至关重要,需要实时评估其运行态势。在发射场现有的评估方法中,能够用于实时评估的红线法对数据噪音敏感,实际应用中往往漏报率和误报率较高;专家系统维护成本过高,适用于成熟稳定的发动机型号,且一般用在事后的分析处理。研究人员曾经将机器学习方法应用到发动机试车和仿真数据中,但历次航天任务存留的实战数据尚被束之高阁,而与试车和仿真数据相比,实战数据具有更真实复杂的优势;机器学习方法在面对样本较少的数据集时,往往很难训练精确的模型,可以使用迁移学习的方法解决新研发动机数据量少的问题。着眼应用到发射场实时评估和事后分析的目标,首先收集发射场的多种型号发动机的近五年任务数据,去除野值,设计学习数据库结构,将数据样本按照发动机类型、不同运行阶段等存储到数据库中,以对各发动机的各阶段进行参数异常检测、系统故障诊断建模。通过DTW-AGNES聚类得到参数变化趋势的七种异常情况,然后针对不同发动机不同工作阶段的各类参数,构建特征工程得到合适的特征向量,使用不同的机器学习分类模型,对各发动机各工作阶段各参数进行训练和测试,并与传统方法中的包络法进行对比,得到与该参数相适合的模型。对序列模式挖掘的GSP算法进行了改进,得到了发动机各阶段中所有参数的始变时刻顺序;为解决带时间间隔的序列模式分析,提出了 TEAX和TEAF两种方法进行第一种故障的聚类挖掘和分类诊断。基于已得到的事件序列模式,使用关联分析的方法,从数据中挖掘参数间的强相互关系,并分析故障模式,以进行第二种故障的诊断。针对小样本领域的机器学习表现不佳,尝试使用迁移学习策略,解决目标领域样本规模不足给模型训练带来的制约。分别设计了参数异常检测软件PADS和系统故障诊断软件EFDS,并在2020年CZ-7A和CZ-3B两次任务中检测到了参数异常和系统故障,且实时性较好。