如何使用量子粒子群和支持向量机进行发动机性能的监控研究

　　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。

　　本文在此基础上设计一种监控模型，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。