传统以分类为手段的故障诊断都是在样本数目足够多的前提下进行的,只有在样本数趋于无穷时才能获得较好的效果。但在实际问题中,很多试验只能取得有限样本,这时原有方法难以取得理想的结果。发动机试车数据通常是有限的,这时原有方法都难以取得理想的结果。然而,统计学习理论是专门为小样本设计的,它的出现为研究有限样本情况下的统计模式识别建立了一个较好的理论框架,并推出了一种新的模式识别方法——支持向量机。 支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的由Vapnik等人于1995年提出的一类新型机器学习方法,它能够较好解决小样本、非线性及高维数等模式识别问题。近年来SVM已在脸像识别、语音识别、文章分类等众多领域得到了广泛应用。利用该方法进行气路故障诊断,在训练样本相对较少的情况下,仍可得到较好的识别率。目前研究SVM的文章虽然较多,但关于如何解决SVM在工程中的一些实用方法的研究却相对较少。此外,SVM参数选择也一直是研究的热点。对以上问题地研究都将在本文中体现出来。 本文为某型涡扇发动机建立了基于支持向量机的气路故障诊断系统。本系统建立了发动机非线性稳态模型,生成包含八种典型气路故障的故障样本库,采用支持向量机对故障特征和故障模式进行关联,并用训练好的向量机网络对故障分类。利用该型涡扇发动机试车数据对本系统进行的验证,诊断正确率在80%左右。研究表明该方法能基本满足该涡扇发动机地面试车故障诊断的要求,具有较好的工程应用前景。