基于改进支持向量机的飞机空气循环系统仿真模型及故障分析

吴会咏，靳舒春，金 铸

(1. 沈阳化工大学 理学院，辽宁 沈阳 110142；2. 东软集团股份有限公司，辽宁 沈阳 110179)

良好的飞机空气循环系统不仅能为机组人员创造舒适的空气环境，还能满足飞行设备对环境温度的要求，对飞机飞行安全具有重要的意义。国内外研究者从20世纪七八十年代开始对飞机系统进行动态仿真。美国波音公司的学者运用仿真模拟软件对飞机内部的气体进行仿真研究，利用实验数据对仿真结果进行了佐证，对座舱气流控制起到很大的指导作用。我国学者从80年代开始对飞机的环控系统也进行了大量的仿真实验。

近年来支持向量机(SVM)的发展突飞猛进，相关研究成果已运用于医药、电力、通信等诸多领域。杨燕辉[1]建立基于飞机引气系统元部件数学模型的仿真系统，实现了故障模拟和故障机理分析。石旭东等[2]针对飞机空气循环系统进行联合仿真，再现了飞行过程中空气循环系统的故障情况，并分析了空气循环系统组件性能的变化。钞迪[3]针对飞机空气循环系统，尤其是座舱空气流动，建立了较全面的飞机空气循环系统MATLAB模型与AMESim模型，并对飞机引气系统进行了有效的故障分析。Sun等[4]对飞机引气结构的故障进行研究，并提出了一种利用飞机状态监控系统数据进行预测维修的贝叶斯故障预测方法，结果表明，该方法能够有效地监测飞机故障。耿振翔等[5]基于TRNSYS软件对飞机的送风系统进行仿真，对飞机空气循环系统的地面检测和维修提供了理论支持。曹国刚等[6]将SVM的分类方法应用于原发性肝癌的检测筛查，结果表明，该方法可以为癌症的早期筛查提供帮助。赵楠等[7]联合长短时记忆神经网络(LSTM)和SVM对隧道岩石位移进行预测，结果表明，该方法对岩石移动的预测效果良好。宫毓斌等[8]联合蚱蜢优化算法(GOA)和SVM进行电负载预测，结果表明，联合后的算法可以有效地加快收敛，提高收敛精度。亓晓燕等[9]将LSTM与SVM融合，进行电力的短期预测，结果表明，该联合方法可以对钢材企业短期的电力使用提供一定的参考。Velásquez[10]利用SVM算法对电力系统中的变压器模型进行研究，有效地预防了局部漏电等安全问题。Ahmed等[11]基于SVM建立交通标志检测与识别模型，帮助自动驾驶系统有效地识别交通指示牌。马婷婷等[12]研究了一种鲁棒双参数化间隔的SVM，该方法对SVM有良好的泛化功能，可以解决不确定数据的二分类问题。Lameski 等[13]研究了网格搜索SVM参数整定及其对模型过拟合减小的影响，结果表明，经过参数优化后的SVM各项性能都得到了改善，可以更有效地拟合数据。Do 等[14]研究了用于分类大数据集的局部SVM算法的并行学习算法，结果表明，并行学习算法可以有效地提高大数据的分类效率。Saremi等[15]研究表明，GOA可以有效地优化SVM算法，提高了搜索空间复盖率。Wang等[16]基于广义精化复合多尺度样本熵和优化SVM的滚动轴承故障断研究表明，优化后的SVM可以提高轴承故障的诊断准确率。Gu等[17]研究了基于高光谱成像和机器学习的不同琼脂培养基细菌菌落的统一分类问题，结果表明，GOA的预测准确率明显优于其他群智能算法的。Sayed等[18]对SVM参数的优化研究表明，最优觅食算法对于SVM的参数有良好的优化作用。Wu等[19]利用特征空间中的簇间距离选择SVM的核参数，结果表明，进行核函数优化后的SVM各项性能都得到了有效改善。Qin等[20]对SVM进行参数优化的结果表明，经过分类参数优化后的SVM可以有效加快收敛。周伟等[21]将SVM运用于土壤光谱的有机物含量反演，为后续的高光谱遥感反演提供了理论支持。张育凡[22]将GOA用于SVM进行用电预测，结果表明，优化后的SVM对用电量预测的准确率明显提升。王生生等[23]将改进SVM算法运用于电动车充电站调度，结果表明，改进后的SVM可以更快速、合理地进行充电站调度。崔东文等[24]研究了GOA在水资源分析的应用，为云南省全面贯彻落实最严格水资源管理制度提供了借鉴。为了识别异常流量，吕赵明等[25]利用GOA对SVM进行了改进，结果表明，改进的SVM算法具有很高的分类精度和很好的分类性能。

关于飞机空气循环系统的研究成果均已取得了较好的成果，具有很高的参考价值，但是目前国内外对飞机空气循环组件整体的数学建模及其故障仿真较少，仿真飞机空气循环组件方法过于单一，没有足够的仿真数据与飞行数据进行对比以作参考。SVM本身的局限性使得目前在飞机空气循环系统故障分析领域运用SVM的实例较少。

本文中以某型航空客机为例，运用仿真软件AMESim进行飞机空气循环系统主要构件的建模仿真及故障分析，提出一种基于改进SVM的飞机空气循环系统故障诊断方法；首先运用GOA优化SVM的相关初始参数，改善传统SVM算法的收敛性，提高SVM算法寻优效率，然后将实验组数据导入系统进行训练，利用位置随机偏移机制和模拟退火(SA)算法优化系统，减少寻优所需时间，避免系统陷入局部最优值，最后输出全局最优参数，利用最优参数训练系统，将测试组数据输入系统，测试训练结果。

1 系统建模

飞机空气循环系统控制的气密座舱是飞机高空飞行的必要条件，可以同时进行增压、通风和温控等操作，满足人体的生理需要。优良的飞机环境控制对飞机机组人员和乘客具有十分重要的意义。本文中以典型的飞机空气循环制冷系统[1]为例，该系统主要由压气机、涡轮、初级热交换器、次级热交换器、风扇等构成[2-3]。

1.1 热交换器仿真模型

采用效能-传热单元数法(NTU)进行热交换器仿真，该方法需要对气体的热容量比和效能分别进行计算。构建模型的关键在于换热器的压力损失，冷、热端流量，热交换效率和入口温度等参数。

热流量计与半热交换器的结构、参数及连接方式如图1所示。

根据实际热交换器数据进行基本参数的设定，根据具体工况输入热交换器的冷、热端数据，将图1中热流量计与半热交换器2个构件按照一定顺序连接、添加其他完整组件，热交换器系统建模连接与参数如图2所示。因为热交换器冷、热端的组件相似，所以图2较对称。其中红色k为系统的输入端，空气的温度、压力等参数输入到换热器一端，然后气体进入热交换器进行热交换。蓝色组件为系统的输出端，可以查看温度、压力等参数。

(a)内部结构及其参数

(b)连接方式图1 热流量计与半热交换器的结构、参数及连接方式

k—系统的输入端；MUX—参数计算模块；T—空气温度；p—空气压力；ah—空气湿度；X—输出端其他相关参数；Y—输入端其他相关参数。图2 热交换器系统建模连接与参数

1.2 涡轮压气机仿真模型

因为涡轮与压气机是同轴运转的，所以在建模过程中，两者共同建模，采用两者分别供气调节。建模过程中的主要参数为流量、压力和温度等。压气机和涡轮结构、参数如图3所示。

在仿真过程中，涡轮与压气机参数的设置应尽量接近实际飞机的指标，这样运算结果尽可能贴近实际飞行时产生的数据。根据建模需求，除涡轮压气机运行时的基础数据外，还应提供其他涡轮参数，如质量流量修正值、绝热效率等。根据涡轮特性曲线，需要调整端口扭矩、压气机转速等参数后进行调用。连接涡轮组件与压气机组件，添加输入、输出量，组成涡轮-压气机组件。涡轮-压气机系统建模连接与参数如图4所示。

(a)压气机(C)组件

(b)涡轮(T)组件图3 压气机与涡轮结构、参数

k—系统的输入端；C—压气机；T—涡轮；MUX—参数计算模块；T—空气温度；p—空气压力；ah—空气湿度；X—输出端其他相关参数；Y—输入端其他相关参数；Q—空气流量。图4 涡轮-压气机系统建模连接与参数

1.3 空气循环机仿真模型

在建立空气循环机仿真模型时，除了热交换器组件和涡轮压气机组件外，添加除水结构模型，空气循环组件仿真模型中的除水结构模型如图5所示，在每2个连接组件间都穿插1个除水装置。由于飞机引进的空气是湿空气，因此如果不加以除水，逐步累积下来使系统的湿度过大，导致系统报错。

连接热交换器组件、涡轮压气机组件与除水结构3种组件模型，并添加系统的输入量。由于有些组件接口间不兼容，因此采用导管将2个组件进行相连。仿真中加入回热器和冷凝器，空气2次经过回热器和冷凝器组件。由于回热器的主要作用是防冰，冷凝器的主要作用是除水，因此回热器与冷凝器对仿真过程中温度的变化影响较小。基于AMESim软件的飞机空气循环系统主要构件模型图及飞机引气流动方向如图6所示。图6参考了文献[3]中建立的飞机空气循环系统模型，但是热交换器中内部温度压力、气体混合指数和壁面热导系数等重点计算参数均采用收集自航空公司的最新数据。

1.4 仿真结果

将设定的系统数据输入系统，测量得到飞机空气循环系统的各组件出口温度与压力，如表1所示。

图5 空气循环组件仿真模型中的除水结构模型

k—系统的输入端；J—电动机；T—涡轮；MUX—参数计算模块；T—空气温度；p—空气压力；ah—空气湿度；X—输出端其他相关参数；Y—输入端其他相关参数；m—流量指数。图6 基于AMESim软件的飞机空气循环系统主要构件模型图及飞机引气流动方向

表1 飞机空气循环系统各组件出口温度与压力

1.5 组件输出结果动态分析

根据仿真所得数值，调出AMESim软件中数据变化过程，初(次)级热交换器、涡轮、压气机、回热器和冷凝器的出口温度、压力如图7所示。从图中可以看出，飞机空气循环系统组件在时间为5 s之前温度都在不断变化，系统尚未稳定。因为初级热交换器入口的气体是外界高温空气，所以在一开始未稳定时温度较高，而当冷流体开始进行热交换后，温度才开始下降并趋于稳定。最开始进入压气机端的是来自初级热交换器中未稳定时的空气，温度过高，经由压气机压缩后，空气温度再次升高，因此开始时温度达到1 000 K。当初级热交换器出口温度趋于稳定时，输送给压气机的温度下降，压气机出口气体温度急剧下降至400 K。次级热交换器、涡轮、冷凝器等组件的温度变化曲线与初级热交换器和压气机的类似，经过初级热交换器和压气机的缓冲，温度变化相对平缓。由于初级热交换器、压气机、次级热交换器与涡轮均首尾相连，因此初级热交换器出口温度直接影响压气机，压气机出口温度影响次级热交换器，次级热交换器出口温度影响涡轮，即上一组件的出口温度就是下一组件的入口温度(除水装置不会影响温度)。

(a)出口温度

(b)出口压力图7 初(次)级热交换器、涡轮、压气机、回热器和冷凝器的出口温度、压力

1.6 制冷组件故障影响分析

飞机在进行飞行作业时，可能会出现不同的故障，影响系统的输出[4-5]，因此对系统进行故障注入仿真研究是必要的。

假设系统在时间为20 s时流量控制与关断活门(FCV)出现故障，表现为系统的进口流量突然增加，发生FCV故障时各组件的出口温度如图8所示。从图中可以看出，在发生故障时，由于变化的引气最先到达初级热交换器和压气机，因此温度上升最明显的就是初级热交换器和压气机2个组件。2个组件的温度急剧上升至500 K，随后趋于稳定，但是即使稳定后的温度也已高于系统的预设值，因此4个组件出口温度上升是故障的表现。

图8 发生流量控制与关断活门故障时各组件的出口温度

由于图8中除了初级热交换器和压气机外，其他组件温度变化相对不明显，难以发现问题，而且飞机飞行过程中，飞行员观察到的故障现象最终表现在空气制冷组件出口处(进入混合舱以前)即涡轮的出口温度，发生流量控制与关断活门故障时涡轮的出口温度如图9所示。从图中可以看出，涡轮的出口温度比正常情况下稳定时的稳定上升了10～20 K，由此可知制冷系统出现故障。

图9 发生流量控制与关断活门故障时涡轮的出口温度

热交换器泄露是飞机空气循环系统的另一种常见故障现象。由于热交换器壁易损坏，很容易出现泄露现象，即热端输入空气因管道残缺而部分流出。设定系统在时间为25 s时，热交换器热端入口发生泄露现象，泄漏率分别为10%、20%、30%、40%、50%。初级热交换器发生泄露时的温度如图10所示。从图中可以看出，当时间为25 s时，系统发生泄露故障，热交换器出口温度由原来稳定的337 K开始下降。经过约4 s，当时间为29 s时，系统趋于稳定，出口热力学温度约为326 K，之后无明显变化。热交换器发生泄露故障时，热交换器热端入口处会有引入的热空气泄露流失。根据能量守恒定律可知，冷端空气能量未发生变化，而热端空气因泄露而导致流量减少，因此整体能量下降，在失去同等能量的条件下会导致热端温度较未发生泄露故障时的热端温度更低。从热力学公式角度分析，当热交换器发生泄露故障时，热交换器热端进口流量发生变化，部分热空气因机体泄露而流到外面，导致热交换器热端进口流量损失，从而气体的质量流量减小。在其他条件没有发生变化的前提下，热端流量减小使得壁温降低，最终导致热交换器热端出口温度降低。

图10 初级热交换器发生泄露时的温度

纵向对比图10中5组曲线，可以发现当泄漏率增大时，热端出口温度下降程度加重。当泄漏率越来越大时，热端进口流量越来越小，出口温度相应降低；观察最后2组曲线可以发现，当泄漏率大于50%时，即使泄漏率再次增加，热端出口温度也不会产生明显的变化。原因是当泄漏率到达一定值时，热端出口温度受冷端进口温度限制，热端出口温度不再下降，即使泄露率继续增加，热交换器热端出口温度也不会发生明显变化。

2 故障分析

由于飞机飞行过程中外界环境复杂多变，外界空气的温度、压力、湿度，以及飞机本身相应组件磨损、燃油供给和引气流量等因素错综复杂，因此有效地辨别飞机空气循环系统是否发生故障及故障类型十分重要。SVM在解决诸多问题上表现优良，尤其在分类问题[6-7]和解决模式识别问题上成效显著，最终目的是在目标区域中找到一个理想的、可分类的超平面，从而将不同类型的数据进行分类[8-9]，使分离后2类样本数据间的分类间距达到最大。

采用某型航空飞机的多组故障数据，收集样本个数为572。样本数据主要包括飞机引气流量、热口引气温度、冷口引气温度、热口引气压力、外界空气气压比热容、壁面材料比热容、换热片换热效率、空气密度，冷却空气出口温度等，主要分为无故障、FCV开关故障和热交换器泄露3类。

为了能够正确地训练所研究的系统，保证系统输出的科学性、合理性和正确性，保证训练结果有效，在数据收集和处理过程中，去除一些系统难以识别或混乱的数据。把经过预处理后的554个样本分为2组，随机选取300个作为训练数据集，其余254个为测试数据集。不同数据集中的数据分类如表2所示。

表2 不同数据集中的数据分类

利用混淆矩阵方法得到以下性能评估数据指标：敏感度Se、特异度Sp、约登指数Yi、准确度Acc、接受者操作特性曲线(ROC)、受试者工作特征曲线(AUC)以及Kappa系数。二分类问题[6]混淆矩阵如表3所示。

表3 二分类问题混淆矩阵

二分类问题混淆矩阵[6]计算公式为

(1)

式中：Pt 1为正确预测出无故障组件的概率；Pt 2为正确预测出有故障组件的概率；Pf 1为有故障组件但被错预测无故障组件的概率；Pf 2为无故障组件但被错误预测为有故障组件的概率；N为样本总个数。

ROC综合反映了Se与Sp的相互关系，ROC与AUC如图11所示。

TPR—真阳性率；FPR—伪阳性率。图11 接受者操作特性曲线(ROC)与受试者工作特征曲线(AUC)

由于混淆矩阵评价方法只能用于评估二分类问题性能，因此引入Kappa系数Ka，衡量并解决矩阵三分类的问题。Kappa系数的取值范围为-1.00～1.00，通常取为0～1.00。当Kappa系数为-1.00时，说明结果与实际完全不一致[6]。

(2)

其中

(3)

(4)

式中：naa、nbb、ncc为真实结果是a、b、c而预测结果是a、b、c的情况种数；na .、nb .、nc .为所有情况中真实结果是a、b、c的情况种数；n.a、n.b、n.c为所有情况中预测结果是a、b、c的情况种数。

三分类问题混淆矩阵如表4所示。

表4 三分类问题混淆矩阵

本次训练所建立的模型分3个步骤完成三分类问题： 1)第1层模型用于区分未出现飞机空气循环系统故障样本与出现故障样本；2)第2层用于区分故障样本属于FCV故障还是热交换器泄露；3)将上述2层结果结合一起，产生最后的结果。

输入建模数据建立模型，然后利用剩余数据进行测试和预测，三分类模型的建模测试数据ROC如图12所示。从图中可以看出，在判断有无故障的SVM模型中，无论是在建模还是预测过程中，AUC值均较大，模型准确、科学、有效。在不同故障类型的SVM模型中，虽然AUC值有所减小，但是整体上较大。由此可知，SVM模型可以较有效地区分出是否出现故障并区分故障。

3 参数优化SVM模型

SVM模型的优化方法[12-16]有很多，但是主要优化方法都集中在优化惩罚系数C和核函数参数σ。这2个参数对SVM有十分重要的影响，对分类精准性和系统边缘精度的确定十分关键[17-20]。

3.1 优化方法

差异进化(DE)算法可以优化模型。DE算法在解决一些非线性参数问题时表现优秀，而且经过众多学者的改进后性能更全面。除了DE算法优化SVM参数方法外，较常见的算法还有粒子群算法和遗传算法。粒子群算法是针对人工生命和鸟类捕食行为提出的算法，相较于传统方法，该方法收敛和运算更快，但是缺点是对参数预设精度要求较高，计算难度大。遗传算法的来源是大自然的进化和发展，学者们将优胜劣汰、适者生存问题带入到遗传物质中，不同的遗传物质通过遗传、交叉和变异，有优势的样本存活下来，以保证最后的输出是理想的。

(a)判断有无故障模型

(b)区分故障类型模型TPR—真阳性率；FPR—伪阳性率；AUC—受试者工作特征曲线。图12 三分类模型的建模测试数据接受者操作特性曲线(ROC)

3.2 GOA优化SVM

相较于传统的SVM算法，Saremi等[15]根据蚱蜢在自然界的行为提出一种新型优化算法，即GOA。GOA模拟自然界中蚱蜢在捕食时移动到某区域并消耗该区域的食物，然后再进行下一次移动的行为。相较于DE算法和遗传算法等优化算法，GOA具有较高的搜索效率和较快的收敛速度，而且GOA本身特殊的自适应机制能够很好地平衡全局和局部搜索过程[23]，具有较好的寻优精度。

由于蚱蜢在捕食时所有行为都是在自然条件下进行而非人为控制的，因此GOA的位置更新模仿蚱蜢在捕食过程中发生的位置变化。考虑到蚱蜢自身所处位置、周围食物量、其他蚱蜢位置等参数[25]，进行下一步位置变化，即

(5)

式中：Xi为第i只蚱蜢的下一个位置向量；cω为蚱蜢寻觅过程中惯性权重为ω时的内部调节参数，可以有效地调节个体寻觅食物和群体寻觅食物的协调性，以达到有效探索；ε、η为蚱蜢探索范围的2个有效边界；s为蚱蜢之间的吸引力函数；r为2只蚱蜢之间的距离；xi、xj分别为第i、j只蚱蜢的当前位置向量；Td为蚱蜢当前处于d维空间中的最佳适应度；cn为调节机制参数，n为惯性权重，是缩小不同相对区域的递减系数。

(6)

式中：cmax、cmin分别为最大、最小参数值；t为当前所处迭代次数；L为最大迭代次数。

s(r)可以看作2只蚱蜢之间的相互作用部分，随着2只蚱蜢之间吸引力u和吸引力有效区域范围参数τ的改变而发生变化，即

(7)

当不同蚱蜢之间的距离发生明显变化时，相对作用力函数发生变化[24]。当2只蚱蜢之间的相对距离为2时，2只蚱蜢之间没有吸引或者排斥作用，这种情况下的区域称为舒适范围。当s(r)的函数值大于0时，2只蚱蜢由于距离相对较远，因此出现吸引力，此时两者之间的区域称为吸引范围。当s(r)的函数值小于0时，2只蚱蜢之间的距离相对较小，则两者间出现排斥力，此时两者之间的区域称为排斥区域。

经过GOA计算，模拟蚱蜢之间的吸引或者排斥等不同行为，随着参数的变化，蚱蜢通过不停地捕食，调整与同伴间的距离，消耗食物，并寻找下一个目标，最终GOA达到成功检索到全局最优值的目的[25]。

3.3 偏移机制和退火算法优化GOA

在GOA搜索区域最优值时，通过调节系统的参数，调整蚱蜢之间的舒适距离参数，以达到改变舒适区域、排斥区域和吸引区域的目的，从而使蚱蜢群体向最佳的集体最优值前进，最终无限逼近最优值。

在GOA计算过程中，首先将蚱蜢种群进行随机初始化，计算每个蚱蜢个体当前位置及其适应度，将最小适应度作为目标值，令所有种群逼近该值。然后，在迭代计算过程中，GOA随时更新并计算个体当前适应度。如果个体当前位置的适应度优于设置值，则将当前值设定为适应度。在实际计算过程中，个体可能经常出现连续多代的当前位置都是最优值而种群的最优值得不到有效更新的问题。正如蚱蜢在捕食时可能会进行同一方向长距离寻觅，这样会因初始寻觅方向的随机性而使GOA搜索过程不充分，最终导致局部最优值这个错误的出现。

为了避免出现因多代位置而无法得到有效更新的情况，使GOA对目标区域进行更加充分、有效的检索，提高搜索算法的精准性，从而避免GOA陷入局部最优值的情况，本文中提出采用位置随机偏移机制和SA算法2种方法改进系统，帮助系统脱离困境。位置随机偏移机制原理如下：如果当前个体位置的适应度优于之前的适应度，则将当前适应度代替之前的适应度；反之，如果当前适应度差于之前的适应度，则个体不是盲目寻找下一位置，而是使用偏移位置机制，将下一位置进行随机方向偏移。随机偏移量[25]为

(8)

式中：p为随机偏移量；Li为第i只蚱蜢搜索区域最小值；Hi为第i只蚱蜢搜索区域最大值；R为随机数；Xi+1是Xi优化后的位置向量。

SA算法是帮助网络成功跳出局部最优值的有效方法。传统计算方法将相对优的适应度代替相对差的适应度，而退火算法不仅能接受优解，还能在一定条件下接受差解，这样个体目标值就表现出极高的随机性，会在目标区域进行有效搜索，增强GOA跳出局部最优值的可能。

原始GOA在逼近目标值时，虽然一直向最优值的方向前进，但是可能是方向的问题，使得多次迭代最优值得不到有效更新，搜索性能劣化，导致GOA很有可能陷入局部最优值的陷阱。加入位置随机偏移机制和SA算法2种方法的SA-GOA优化支持向量机(SAGOA-SVM)算法在搜索最优解时，系统会不停地发生偏移，算法不断收敛，方向会尽快指向真正的整体最优值。

SAGOA-SVM算法的计算步骤如下。

1)参数初始化。将GOA中的蚱蜢数量、区域范围、迭代次数、迭代维数等参数进行初始化，同时将惩罚系数C和核函数参数σ进行初始化。

2)导入飞机空气循环系统端口温度数据，将所有数据分为训练组和测试组。

3)根据式(6)更新调节参数cn。

4)计算蚱蜢之间的距离并更新当前位置。

5)如果新位置的适应度优于当前目标值，则更新当前目标值。

6)根据式(8)进行位置偏移量的计算，并且记录新的蚱蜢位置，得到新的Td。如果偏移后的新位置优于之前的位置，更新当前目标值为偏移后的Td，否则利用退火算法计算是否接受新的较低的Td。

7)进行退火操作。

8)判断是否满足最大迭代次数，如果不满足，则转步骤3)。

9)输出全局最优参数C和σ，并保存最优参数C和σ。

10)采用优化后的C和σ训练SVM，算法结束。

经过SAGOA-SVM 算法计算，得到三分类系统优化前、后ROC对比，如图13所示。从图中可以看出，相较于未优化算法，SAGOA-SVM算法的建模和预测精度明显提高，显著提升了系统的准确率和可靠性。

(a)判断有无故障模型

(b)不同故障类模型TPR—真阳性率；FPR—伪阳性率。图13 三分类系统优化前、后接受者操作特性曲线(ROC)对比

利用逻辑回归(LR)、决策树(DT)、随机森林(RF)、梯度提升决策树(GBDT)、SVM以及SAGOA-SVM算法分别建立模型并进行预测，对比不同算法的精准度。为了确保测试的准确性，将所有数据分为训练组和预测组2组，训练后分别测试得到6种优化方法预测组的准确率，记录后将所有数据打乱，重新进行分组，重复10次。6种优化算法的准确率如图14所示。从图中可以看出，经过10次反复实验，虽然每次各算法的准确率都不相同，但是SAGOA-SVM算法的准确率都明显高于其他算法的，结果较稳定。

SAGOA-SVM—模拟退火-蚱蜢优化算法优化支持向量机；LR—逻辑回归；DT—决策树；RF—随机森林；GBDT—梯度提升决策树；SVM—支持向量机。图14 6种优化算法的准确率

不同算法的训练准确率如表5所示。从表中可以看出，SAGOA-SVM算法的准确率都优于其他算法的。

表5 不同算法的训练准确率

6种优化算法得到的受试者工作特征曲线如图15 所示。从图中可以看出： 无论在建模还是在预测过程中，SAGOA-SVM算法的AUC数值都大于其他5种算法的，表明SAGOA-SVM算法建模效果更好，并且利用SAGOA-SVM算法改进参数选取方式后，模型的性能得到进一步改善。

TPR—真阳性率；FPR—伪阳性率；SAGOA-SVM—模拟退火-蚱蜢优化算法优化支持向量机；SVM—支持向量机；DT—决策树；LR—逻辑回归；RF—随机森林；GBDT—梯度提升决策树。图15 6种优化算法得到的受试者工作特征曲线

4 结论

本文中利用AMESim软件，对飞机空气循环系统进行了建模与仿真，基于SVM模型，对飞机空气循环系统大量冗杂的数据进行分析，引入3层结构建立模型，提出将GOA引入飞机空气循环组件的建模仿真，引入位置随机偏移机制和SA算法构建SAGOA-SVM模型得出以下主要结论：

1)AMESim软件可以有效地模拟飞机空气循环系统的气体流动模式，得出飞机空气循环系统出现故障时系统出口温度变化情况。

2)SVM模型可以根据飞行数据有效地实现飞机空气循环系统的组件出口温度预测和故障分类。

3)SAGOA-SVM模型的参数相较于传统的SVM得到明显改善，收敛速度和搜索效率也明显提高，并且相较于其他传统智能算法模型也有一定的准确率优势。