基于量子粒子群和支持向量机的航空发动机性能监控研究

以量子粒子群算法优化支持向量机中的关键参数(核函数参数σ、不敏感损失系数ε、惩罚系数C)，建立最佳的航空发动机性能监控模型。推力和尾喷口排气温度作为发动机重点监控参数，以两者为基础利用主成分分析的方法建立发动机监控性能综合指标。基于发动机性能模型参数敏感性分析，得到与发动机性能最为密切的参数，作为监控模型输入。通过实例验证，本文建立模型能够很好的监控发动机性能变化，为发动机维修提供参考。

航空发动机性能监控是一直是业界研究的重点。由于以前设计的发动机，监控参数数量有限，能够提供发动机使用性能的信息不多。随着现代航空发动机上安装的传感器数量及种类的增多，获取到的参数及有用信息增多。过去以各个参数基准阀值的监控方法比较简单，没有揭示变量的深层次信息，并且多参数监控，容易造成显示不直观，多参数监控容易造成意义相悖的情形。文献[1]利用卡尔曼滤波和主元分析相结合的方法监控发动机的性能变化，准确得出发动机性能在某一时间段超出阀值，为及时采取维护措施提供参考。文献[2]针对测量参数存在的非线性、参数间的耦合及噪声干扰，将量子粒子群算法引入到流形学习的参数选择中，结合径向基神经网络，提出了一种故障诊断方法。将所用方法应用于航空发动机的故障诊断中，结果表明：本文方法能够有效的对发动机各种复合故障进行分类，精度达到97.33%。常用的监控模型建立方法有人工神经网络、支持向量机、模糊数学和自适应模拟等[3]。

本文在此基础上设计一种监控模型[4] [5]， 利用获取的传感器参数为基础， 以推力和排气温度直观量为期望输出，便于监控发动机的性能状态。以支持向量机为发动机监控模型，利用量子粒子群算法优化模型中的相关参数，以期建立最佳的监控模型。由于传感器得到的测量参数相对较多，利用发动机模型参数敏感性分析，确定最佳的监控模型输入，选取推力和尾喷口排气温度作为模型输出，简化模型计算量。最后利用主成分分析的方法，将推力和尾喷口排气温度转化成更为直观的观测量，便于监控发动机的性能状态，为发动机维护提供参考依据。

2. 支持向量机基础理论 根据统计学习理论，利用支持向量机实现回归的基本思想是通过一个非线性映射ϕ 将样本数据集(), iix y (1,2, , in=)映射到高维特征空间，并在此空间构造线性回归函数： ( )ywxbϕ=⋅+ (1) 而w 和b 的求解可归结为下列凸二次规划(QP)问题：