如何使用多维球体信息融合算法进行航空发动机故障分类分析概述

　　针对航空发动机各类故障表征参数存在耦合且故障类别不易区分的问题，引入多维几何球体距离信息融合的方法，旨在解决航空发动机多故障模式分类的问题。基于发动机自适应模型生成对应的性能参数和测量参数组成故障样本，利用样本的先验状态作为类别标签。同时去掉异常故障样本，并将每一类故障数据看成是一个多维几何球体，利用带动态邻域的自适应粒子群算法确定最优的几何球体的中心以及半径，得到的球体能更好地区分不同的故障类别。同时融合多个几何球体距离的信息，克服了以往仅仅依据样本点与故障类别中心的距离进行分类的弊端。将该方法应用到某航空发动机故障分类中。结果表明，故障分类精度达到96.67%，且计算时间比其他故障分类方法短。

　　航空发动机是一个非常复杂的热力学系统，部件参数之间存在着关联和耦合，各类故障的测量参数存在着交叉和部分重叠，因此很难对发动机故障进行分类。传统建立的解析模型很难达到理想的精度，故造成故障分类精度不高；采用模式识别的方法，需要大量的训练样本，同时要求样本表征故障类型全面、特征明显，由于很难获取大量、准确的样本数据，加之不同故障参数之间的耦合，同样造成故障分类精度不高。

　　国内外许多学者对此类问题进行了积极的尝试与探索。提出一种基于几何模式识别技术的发动机传感器故障诊断方法，但几何距离是定义在原始空间上的，表征不同故障之间的部分参数存在交叉，没有充分考虑不同类别的差异，使得识别效果不理想。采用支持向量描述球体的方法，对模拟线路的故障进行诊断。但此种方法需要对原始数据进行非线性变换，将非线性不可分的原始数据变换到高维线性可分的空间中，通过在高维空间上的距离构造真实度和虚假度函数，并以这两个函数为基础进行分类，取得较好的分类结果，但运算时间较长。采用粗糙集和支持向量描述的方法研究了发动机视情维修问题，首先利用粗糙集对原始数据进行处理，去除异常样本，而后利用支持向量数据描述方法确定发动机不同维修等级的时机。但支持向量描述方法只根据一类数据的信息，没有充分融合不同时间的数据。基于聚类和多尺度优化的超球体核距离的方法评估发动机性能衰退情况，综合多个参数的信息，并采用粒子群算法对各参数尺度进行优化，凸显不同重要程度的参数，取得了较好的结果。

　　本文在上述基础上，研究提高发动机故障分类精度的方法。首先利用发动机自适应模型生成发动机性能参数，然后将测量参数和性能参数合并，组成发动机故障样本，利用参数的先验状态作为类别标签，将每一类故障看成是一个多维几何空间的球体，以改进的带动态邻域的自适应粒子群算法优化几何球体的中心和半径，同时融合多个几何球体的距离信息，依此为依据对故障样本进行分类。