本文以遗传算法为基础,以某型号液体火箭发动机为研究对象,对液体火箭发动机故障检测与诊断技术进行了研究。提出了一种遗传神经网络,并基于此神经网络应用系统辨识和模式识别两种不同的方法进行了发动机故障检测研究,结合试车数据,得出了大量的分析结果。提出了遗传模糊C均值技术,并应用于发动机故障诊断中,通过仿真分析,该算法实时性、准确性都较好。探索性地将量子遗传算法应用于液体火箭发动机故障检测中,为下一步进行量子遗传算法应用于液体火箭发动机健康监控的研究工作打下了一定基础。对故障检测与诊断的决策逻辑进行了研究,提出了阈值的确定方法等。主要研究内容包括:1、将液体火箭发动机故障检测与诊断中的关键技术问题转化为相应的优化问题,并用遗传算法和量子遗传算法加以解决。2、进行了基于遗传算法的其他新算法的研究。①提出了将遗传算法与BP神经网络深度交叉混合的遗传神经网络,通过性能比较,该算法避免了BP算法易陷入局部最优解的不足,克服了遗传算法以类似穷举的形式寻找最优解而引起的搜索时间长、速度慢的缺点。另一方面,该算法避免了靠经验和试验确定权值和阈值的弊端,较充分、全面、准确地表达所诊断故障的“知识”,提高神经网络非线性映射的能力。②提出了遗传模糊C均值算法,该算法可使聚类算法有更好的搜索结果,与传统的模糊C均值算法相比较,该算法有更少的分类错误率和较优的目标函数值。通过性能比较,遗传模糊C均值算法在模式分类中更有效。3、实现了基于遗传神经网络非线性辨识技术和模式识别技术的液体火箭发动机启动和稳态过程的故障检测算法,讨论了监测参数的选取问题,在某型号火箭发动机试车数据分析中,较好地监测了正常试车数据,而且准确地预报了三次异常试车数据,仿真结果证明,检测算法的实时性和及时性等均达到要求。4、实现了基于遗传模糊C均值的液体火箭发动机稳态过程的故障诊断算法。验证了遗传模糊C均值在分类问题中的有效性,并试探性地将此方法应用于液体火箭发动机故障诊断中,讨论了监测参数的选取问题,通过仿真分析,该算法全部正确地监控了正常试车数据,并准确诊断出两次发动机故障。5、探索性地将量子遗传算法应用于液体火箭发动机故障检测中。提出一种基于量子遗传算法的非线性回归算法,并应用于液体火箭发动机故障检测中。经仿真分析,该算法简单,运算速度快,有一定的实用价值。6、对本文提出的故障检测与诊断算法的决策逻辑进行了研究,并提出了阈值的确定方法。