张俊红，刘 昱，马文朋，马 梁，李林洁

(天津大学内燃机燃烧学国家重点实验室，天津 300072)

我国即将开放 3,km 以下低空，飞机的持有量将大幅度提高．航空发动机故障在飞机的常见故障中占有很高的比例．航空发动机运行工况复杂、维修成本高、难度大，对故障诊断的要求很高．许多航空发动机公司都为自己的发动机安装了航空发动机状态监控与故障诊断系统，完善的故障诊断理论对提高发动机可靠性、延长寿命、保证飞行安全、降低维修成本等方面具有重要作用．目前应用于故障诊断的理论主要有人工神经网络和支持向量机(support vector machine，SVM)等．人工神经网络对训练样本的要求很高，而且存在过学习和欠学习等问题，SVM凭借其小样本、非线性、高维模式识别的特点在故障诊断中得到了越来越广泛的应用．参数c、g的选取对 SVM的性能起着关键作用．Min等[1]和 Wu等[2]应用遗传算法(genetic algorithm，GA)对c、g进行寻优，Fei等[3]和 Huang等[4]应用粒子群优化(particle swarm optimization，PSO)算法对c、g进行寻优，笔者通过总结和分析前人所取得的成果与不足，提出了一种融合 GA、PSO、模拟退火算法的遗传粒子群优化(genetic algorithm particle swarm optimization，GAPSO)混合算法，用于 SVM 参数c、g的寻优，对航空发动机的一些典型故障进行诊断．

1 SVM原理及相关理论

1.1 SVM原理

SVM是建立在统计学习 VC维(Vapnik-Chervonenkis dimension)理论和结构风险最小化原理基础上的．传统的算法，如神经网络，只遵循经验风险最小化原理，因此泛化能力很差，而 SVM 遵循经验风险与置信风险之和最小化即结构风险最小化原理，有非常强的泛化能力．SVM[5]将向量映射到一……