以量子粒子群算法優(yōu)化支持向量機中的關鍵參數（核函數參數σ、不敏感損失系數ε、懲罰系數C），建立最佳的航空發(fā)動機性能監(jiān)控模型。推力和尾噴口排氣溫度作為發(fā)動機重點監(jiān)控參數，以兩者為基礎利用主成分分析的方法建立發(fā)動機監(jiān)控性能綜合指標?；诎l(fā)動機性能模型參數敏感性分析，得到與發(fā)動機性能最為密切的參數，作為監(jiān)控模型輸入。通過實例驗證，本文建立模型能夠很好的監(jiān)控發(fā)動機性能變化，為發(fā)動機維修提供參考。

　　航空發(fā)動機性能監(jiān)控是一直是業(yè)界研究的重點。由于以前設計的發(fā)動機，監(jiān)控參數數量有限，能夠提供發(fā)動機使用性能的信息不多。隨著現代航空發(fā)動機上安裝的傳感器數量及種類的增多，獲取到的參數及有用信息增多。過去以各個參數基準閥值的監(jiān)控方法比較簡單，沒有揭示變量的深層次信息，并且多參數監(jiān)控，容易造成顯示不直觀，多參數監(jiān)控容易造成意義相悖的情形。文獻利用卡爾曼濾波和主元分析相結合的方法監(jiān)控發(fā)動機的性能變化，準確得出發(fā)動機性能在某一時間段超出閥值，為及時采取維護措施提供參考。文獻針對測量參數存在的非線性、參數間的耦合及噪聲干擾，將量子粒子群算法引入到流形學習的參數選擇中，結合徑向基神經網絡，提出了一種故障診斷方法。將所用方法應用于航空發(fā)動機的故障診斷中，結果表明：本文方法能夠有效的對發(fā)動機各種復合故障進行分類，精度達到97.33%。常用的監(jiān)控模型建立方法有人工神經網絡、支持向量機、模糊數學和自適應模擬等。

　　本文在此基礎上設計一種監(jiān)控模型，利用獲取的傳感器參數為基礎，以推力和排氣溫度直觀量為期望輸出，便于監(jiān)控發(fā)動機的性能狀態(tài)。以支持向量機為發(fā)動機監(jiān)控模型，利用量子粒子群算法優(yōu)化模型中的相關參數，以期建立最佳的監(jiān)控模型。由于傳感器得到的測量參數相對較多，利用發(fā)動機模型參數敏感性分析，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化成更為直觀的觀測量，便于監(jiān)控發(fā)動機的性能狀態(tài)，為發(fā)動機維護提供參考依據。