以量子粒子群算法優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），建立最佳的航空發動機性能監控模型。推力和尾噴口排氣溫度作為發動機重點監控參數，以兩者為基礎利用主成分分析的方法建立發動機監控性能綜合指標。基于發動機性能模型參數敏感性分析，得到與發動機性能最為密切的參數，作為監控模型輸入。通過實例驗證，本文建立模型能夠很好的監控發動機性能變化，為發動機維修提供參考。

　　航空發動機性能監控是一直是業界研究的重點。由于以前設計的發動機，監控參數數量有限，能夠提供發動機使用性能的信息不多。隨著現代航空發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，并且多參數監控，容易造成顯示不直觀，多參數監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控發動機的性能變化，準確得出發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動機的故障診斷中，結果表明：本文方法能夠有效的對發動機各種復合故障進行分類，精度達到97.33%。常用的監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，便于監控發動機的性能狀態。以支持向量機為發動機監控模型，利用量子粒子群算法優化模型中的相關參數，以期建立最佳的監控模型。由于傳感器得到的測量參數相對較多，利用發動機模型參數敏感性分析，確定最佳的監控模型輸入，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，便于監控發動機的性能狀態，為發動機維護提供參考依據。