田 静，胡鹤翔

（中国民航大学航空工程学院，天津 300300）

据相关资料统计，航空发动机气路系统部件故障占发动机故障的90%[1]。采用智能故障诊断方法可有效诊断发动机气路故障，提高航空发动机的安全性，节约维修成本和维修时间。

目前，对航空发动机气路故障诊断的研究主要有3 种方法：基于模型的故障诊断[2]，基于数据的故障诊断[3-5]和基于知识的故障诊断。由于气路故障数据具有非线性、维数大、样本数量少的特点，非线性分类是一种行之有效的诊断方法。

支持向量机[6]（SVM, support vertor machine）是由Vapnik 提出的针对有限样本的机器学习算法，可有效解决非线性、高维和样本不足的问题。最小二乘支持向量机[7]（LSSVM,least square support vector machine）是对标准支持向量机的优化，将SVM 优化的非等式约束用等式约束替换，降低了求解的复杂性。目前SVM和LSSVM 广泛应用于航空发动机部件的故障诊断，如徐启华等[8]用SVM 模型对航空发动机气路部件的单一和复合故障进行诊断，但该方法忽略了SVM 正则化参数C的随机性；王旭辉等[9]利用模式搜索法优化LSSVM 参数，并将优化后的模型应用于航空发动机气路故障诊断，但该优化方法限制搜索方向，容易陷入局部值；王修岩等[3]将SVM 和SNN（spiking neural network）相结合用于区分发动机气路故障诊断过程中的相似故障；陈扬文[10]提出将Adaboost 与SVM 结合用于发动机气路单一故障的诊断，但该优化方法不能保证最优解且对噪声很敏感；Du 等[11]将HPSO-TWSVM 应用于发动机气路故障诊断，但该优化方法对于小样本问题可以找到最优解，对于大规模问题只能找到较优解。……