巩小强， 刘尚辉， 李 冲

(西安飞机工业(集团)有限责任公司，陕西 西安 710089)

随着科学技术的快速发展，航空发动机的推力、转速、动强度等显著提高，导致发动机零部件的振动载荷不断增加，振动引起的故障显著增多；此外，发动机结构日趋复杂且质量不断减轻，其对安全性和可靠性的要求亦随之增高[1]。因此，发动机振动状态及振动特征的精准识别是判断发动机有无故障的主要手段，且发动机安全性、有效性及使用寿命可获得有效提高；同时，对于飞机适航性的增强、维修费的减少以及飞行事故的降低具有重要的工程意义。

近年来，大量研究者使用了BP神经网络和支持向量机对航空发动机进行故障诊断，并达到了较好的诊断效果，但专注于整机振动故障诊断的相关研究极少。费成巍等[1]应用支持向量机进行整机振动故障诊断，实验效果良好，诊断准确率较高；王志等[2]应用BP神经网络构建了整机振动故障诊断模型，结果发现，该方法诊断较精准，且有效减少了虚警率。然而，由于BP神经网络和支持向量机在局部极值、泛化能力、训练样本等方面存在着难以解决的问题[3]，如BP神经网络的训练需要大量的样本，且容易出现过学习和低泛化能力的现象，支持向量机虽是针对小样本统计估计和预测的学习，但其仅能获得局部最优解，导致其可扩展性较低且稳定性较差，故它们的使用范围均存在一定的局限性[4]。因此，迫切需要引入一种当前机器学习领域的新方法。……