針對航空發(fā)動機(jī)各類故障表征參數(shù)存在耦合且故障類別不易區(qū)分的問題，引入多維幾何球體距離信息融合的方法，旨在解決航空發(fā)動機(jī)多故障模式分類的問題?；诎l(fā)動機(jī)自適應(yīng)模型生成對應(yīng)的性能參數(shù)和測量參數(shù)組成故障樣本，利用樣本的先驗狀態(tài)作為類別標(biāo)簽。同時去掉異常故障樣本，并將每一類故障數(shù)據(jù)看成是一個多維幾何球體，利用帶動態(tài)鄰域的自適應(yīng)粒子群算法確定最優(yōu)的幾何球體的中心以及半徑，得到的球體能更好地區(qū)分不同的故障類別。同時融合多個幾何球體距離的信息，克服了以往僅僅依據(jù)樣本點(diǎn)與故障類別中心的距離進(jìn)行分類的弊端。將該方法應(yīng)用到某航空發(fā)動機(jī)故障分類中。結(jié)果表明，故障分類精度達(dá)到96.67%，且計算時間比其他故障分類方法短。

　　航空發(fā)動機(jī)是一個非常復(fù)雜的熱力學(xué)系統(tǒng)，部件參數(shù)之間存在著關(guān)聯(lián)和耦合，各類故障的測量參數(shù)存在著交叉和部分重疊，因此很難對發(fā)動機(jī)故障進(jìn)行分類。傳統(tǒng)建立的解析模型很難達(dá)到理想的精度，故造成故障分類精度不高；采用模式識別的方法，需要大量的訓(xùn)練樣本，同時要求樣本表征故障類型全面、特征明顯，由于很難獲取大量、準(zhǔn)確的樣本數(shù)據(jù)，加之不同故障參數(shù)之間的耦合，同樣造成故障分類精度不高。

　　國內(nèi)外許多學(xué)者對此類問題進(jìn)行了積極的嘗試與探索。提出一種基于幾何模式識別技術(shù)的發(fā)動機(jī)傳感器故障診斷方法，但幾何距離是定義在原始空間上的，表征不同故障之間的部分參數(shù)存在交叉，沒有充分考慮不同類別的差異，使得識別效果不理想。采用支持向量描述球體的方法，對模擬線路的故障進(jìn)行診斷。但此種方法需要對原始數(shù)據(jù)進(jìn)行非線性變換，將非線性不可分的原始數(shù)據(jù)變換到高維線性可分的空間中，通過在高維空間上的距離構(gòu)造真實(shí)度和虛假度函數(shù)，并以這兩個函數(shù)為基礎(chǔ)進(jìn)行分類，取得較好的分類結(jié)果，但運(yùn)算時間較長。采用粗糙集和支持向量描述的方法研究了發(fā)動機(jī)視情維修問題，首先利用粗糙集對原始數(shù)據(jù)進(jìn)行處理，去除異常樣本，而后利用支持向量數(shù)據(jù)描述方法確定發(fā)動機(jī)不同維修等級的時機(jī)。但支持向量描述方法只根據(jù)一類數(shù)據(jù)的信息，沒有充分融合不同時間的數(shù)據(jù)?；诰垲惡投喑叨葍?yōu)化的超球體核距離的方法評估發(fā)動機(jī)性能衰退情況，綜合多個參數(shù)的信息，并采用粒子群算法對各參數(shù)尺度進(jìn)行優(yōu)化，凸顯不同重要程度的參數(shù)，取得了較好的結(jié)果。

　　本文在上述基礎(chǔ)上，研究提高發(fā)動機(jī)故障分類精度的方法。首先利用發(fā)動機(jī)自適應(yīng)模型生成發(fā)動機(jī)性能參數(shù)，然后將測量參數(shù)和性能參數(shù)合并，組成發(fā)動機(jī)故障樣本，利用參數(shù)的先驗狀態(tài)作為類別標(biāo)簽，將每一類故障看成是一個多維幾何空間的球體，以改進(jìn)的帶動態(tài)鄰域的自適應(yīng)粒子群算法優(yōu)化幾何球體的中心和半徑，同時融合多個幾何球體的距離信息，依此為依據(jù)對故障樣本進(jìn)行分類。