針對航空發動機各類故障表征參數存在耦合且故障類別不易區分的問題，引入多維幾何球體距離信息融合的方法，旨在解決航空發動機多故障模式分類的問題。基于發動機自適應模型生成對應的性能參數和測量參數組成故障樣本，利用樣本的先驗狀態作為類別標簽。同時去掉異常故障樣本，并將每一類故障數據看成是一個多維幾何球體，利用帶動態鄰域的自適應粒子群算法確定最優的幾何球體的中心以及半徑，得到的球體能更好地區分不同的故障類別。同時融合多個幾何球體距離的信息，克服了以往僅僅依據樣本點與故障類別中心的距離進行分類的弊端。將該方法應用到某航空發動機故障分類中。結果表明，故障分類精度達到96.67%，且計算時間比其他故障分類方法短。

　　航空發動機是一個非常復雜的熱力學系統，部件參數之間存在著關聯和耦合，各類故障的測量參數存在著交叉和部分重疊，因此很難對發動機故障進行分類。傳統建立的解析模型很難達到理想的精度，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、準確的樣本數據，加之不同故障參數之間的耦合，同樣造成故障分類精度不高。

　　國內外許多學者對此類問題進行了積極的嘗試與探索。提出一種基于幾何模式識別技術的發動機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行診斷。但此種方法需要對原始數據進行非線性變換，將非線性不可分的原始數據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造真實度和虛假度函數，并以這兩個函數為基礎進行分類，取得較好的分類結果，但運算時間較長。采用粗糙集和支持向量描述的方法研究了發動機視情維修問題，首先利用粗糙集對原始數據進行處理，去除異常樣本，而后利用支持向量數據描述方法確定發動機不同維修等級的時機。但支持向量描述方法只根據一類數據的信息，沒有充分融合不同時間的數據。基于聚類和多尺度優化的超球體核距離的方法評估發動機性能衰退情況，綜合多個參數的信息，并采用粒子群算法對各參數尺度進行優化，凸顯不同重要程度的參數，取得了較好的結果。

　　本文在上述基礎上，研究提高發動機故障分類精度的方法。首先利用發動機自適應模型生成發動機性能參數，然后將測量參數和性能參數合并，組成發動機故障樣本，利用參數的先驗狀態作為類別標簽，將每一類故障看成是一個多維幾何空間的球體，以改進的帶動態鄰域的自適應粒子群算法優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，依此為依據對故障樣本進行分類。