荆 楠，魏志民

（天津中德应用技术大学，天津300300）

0 引言

飞机襟翼和减速板的收放，前轮转弯系统的操纵，风挡雨刷和燃油泵液压马达的驱动等都需要飞机液压系统提供动力。飞机液压系统的健康状态影响着飞机的飞行安全，对其进行健康评估具有很大的必要性。

目前基于数据融合、基于人工神经网络、基于专家系统等的健康评估方法，都已应用于多个领域。其中，神经网络被认为是最有发展潜力的评估工具。但使用神经网络进行健康评估建模时，训练样本以及网络结构比较复杂[1]。足够量的飞机液压系统的工作参数难以获得，而本文在研究过程中使用的仿真数据会降低神经网络的计算精度，因此需要寻找另外一种合适的健康评估方法。

支持向量机[2]的方法由Vapnilk于20世纪60年代提出，其采用的是小样本学习理论，可以克服神经网络需要大量样本以及泛化性差的不足，保证在使用小样本的情况下具有最佳的泛化性。因此本文将采用支持向量机模型对飞机液压系统进行健康评估。

1 支持向量机超球模型简介

支持向量机方法以统计理论学习为基础，主要有两种形式：1）1999年Scholkopf提到的超平面模型；2）1999年Tax在提到的超球模型。本文将采用超球模型对液压系统进行健康评估。

有关超球模型的假设[3]：首先需要在特征空间中确定一片区域，例如二维空间中的圆，三维空间中的球体，而对于三维以上的空间，则需要寻找一个中心为A、半径为R的超球。……