以量子粒子群算法優(yōu)化支持向量機(jī)中的關(guān)鍵參數(shù)（核函數(shù)參數(shù)σ、不敏感損失系數(shù)ε、懲罰系數(shù)C），建立最佳的航空發(fā)動(dòng)機(jī)性能監(jiān)控模型。推力和尾噴口排氣溫度作為發(fā)動(dòng)機(jī)重點(diǎn)監(jiān)控參數(shù)，以兩者為基礎(chǔ)利用主成分分析的方法建立發(fā)動(dòng)機(jī)監(jiān)控性能綜合指標(biāo)。基于發(fā)動(dòng)機(jī)性能模型參數(shù)敏感性分析，得到與發(fā)動(dòng)機(jī)性能最為密切的參數(shù)，作為監(jiān)控模型輸入。通過實(shí)例驗(yàn)證，本文建立模型能夠很好的監(jiān)控發(fā)動(dòng)機(jī)性能變化，為發(fā)動(dòng)機(jī)維修提供參考。

　　航空發(fā)動(dòng)機(jī)性能監(jiān)控是一直是業(yè)界研究的重點(diǎn)。由于以前設(shè)計(jì)的發(fā)動(dòng)機(jī)，監(jiān)控參數(shù)數(shù)量有限，能夠提供發(fā)動(dòng)機(jī)使用性能的信息不多。隨著現(xiàn)代航空發(fā)動(dòng)機(jī)上安裝的傳感器數(shù)量及種類的增多，獲取到的參數(shù)及有用信息增多。過去以各個(gè)參數(shù)基準(zhǔn)閥值的監(jiān)控方法比較簡單，沒有揭示變量的深層次信息，并且多參數(shù)監(jiān)控，容易造成顯示不直觀，多參數(shù)監(jiān)控容易造成意義相悖的情形。文獻(xiàn)利用卡爾曼濾波和主元分析相結(jié)合的方法監(jiān)控發(fā)動(dòng)機(jī)的性能變化，準(zhǔn)確得出發(fā)動(dòng)機(jī)性能在某一時(shí)間段超出閥值，為及時(shí)采取維護(hù)措施提供參考。文獻(xiàn)針對(duì)測(cè)量參數(shù)存在的非線性、參數(shù)間的耦合及噪聲干擾，將量子粒子群算法引入到流形學(xué)習(xí)的參數(shù)選擇中，結(jié)合徑向基神經(jīng)網(wǎng)絡(luò)，提出了一種故障診斷方法。將所用方法應(yīng)用于航空發(fā)動(dòng)機(jī)的故障診斷中，結(jié)果表明：本文方法能夠有效的對(duì)發(fā)動(dòng)機(jī)各種復(fù)合故障進(jìn)行分類，精度達(dá)到97.33%。常用的監(jiān)控模型建立方法有人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、模糊數(shù)學(xué)和自適應(yīng)模擬等。

　　本文在此基礎(chǔ)上設(shè)計(jì)一種監(jiān)控模型，利用獲取的傳感器參數(shù)為基礎(chǔ)，以推力和排氣溫度直觀量為期望輸出，便于監(jiān)控發(fā)動(dòng)機(jī)的性能狀態(tài)。以支持向量機(jī)為發(fā)動(dòng)機(jī)監(jiān)控模型，利用量子粒子群算法優(yōu)化模型中的相關(guān)參數(shù)，以期建立最佳的監(jiān)控模型。由于傳感器得到的測(cè)量參數(shù)相對(duì)較多，利用發(fā)動(dòng)機(jī)模型參數(shù)敏感性分析，確定最佳的監(jiān)控模型輸入，選取推力和尾噴口排氣溫度作為模型輸出，簡化模型計(jì)算量。最后利用主成分分析的方法，將推力和尾噴口排氣溫度轉(zhuǎn)化成更為直觀的觀測(cè)量，便于監(jiān)控發(fā)動(dòng)機(jī)的性能狀態(tài)，為發(fā)動(dòng)機(jī)維護(hù)提供參考依據(jù)。