速传感器和振动传感器等，各种类型传感器的精度不同，信噪比也有差别。为了模拟发动机故障测量数据，针对不同类型测量信号迭加不同噪声特性的白噪声 ，发动机传感器作为整个航空发动机状态监视和故障诊断的前端元件，其健康状况直接影响对发动机故障的诊断效果。发动机传感器按不同的故障特性划分为各种传感器故障类型。根据发动机传感器实际故障情况，冲击故障、偏置故障和漂移故障这三类典型故障较能反映出其故障模式。
由于航空发动机传感器类型、数量都较多，不同类型、不同气路截面传感器在某一时刻发生不同典型故障的模式将会是巨大的。在工程实际中，多个传感器同时发生故障的概率很小，一般只讨论某一时刻单个传感器、某一时刻两个传感器和在不同时刻两个传感器发生同种典型故障的情况。 6.2.2 测量信号预处理
航空发动机传感器工作环境恶劣，测量信号中不可避免的混有噪声或者干扰信号，通常可以假设为高斯白噪声。为了更有效地获取发动机工作状态信息并进行正确的传感器故障诊断，需要对噪声进行预处理以提取出有用的测量信号。
由于小波变换同时具有时域和频域上的局部特性以及多分辩特性，能将交织在一起的不同频率组成的混合信号分解成不同频段子信号，按频段分别处理。利用小波阈值去噪方法对测量信号进行预处理具有较好的消噪效果。实现步骤如下 （1） 信号的小波分解。对测量信号归一化，选择合适的小波函数并确定分解的层次，尺度系数为 5，然后对传感器输出的测试信号进行分解计算；
（2） 小波分解高频系数的阈值量化。对各个分解尺度的高频系数选择一个阈值，进行软阈值量化处理，阈值的选取采用启发式阈值(heursure)；
（3） 一维小波重构。根据小波分解的底层低频系数和各层高频系数进行一维小波重构，以实现信号预处理。
6.2.3 传感器故障检测、隔离、重构模型
在航空发动机整个工作范围内实现对传感器的故障检测、隔离和信号重构，以 SPS0-SVR预测算法作为该故障诊断的核心，设计三层传感器故障诊断模型。 （1） 故障监视，构建 5 个h 输入单输出 SPS0-SVR 自回归预测单元，分别对应于每个传感器测量信号。
（2） 故障决策隔离，SPS0-SVR 预测器的输出与测量输出值的之差和该传感器故障门限值相比较，若超过该传感器的门限值则输出为 1，否则为 0，
（3） 故障传感器信号重构，对传感器测量信号进行相关性分析，利用与故障传感器具有强相关的无故障传感器信号作为重构单元训练输入，故障传感器无故障时的测量信号作为该单元的训练输出，以构建 SPS0-SVR 重构单元。 6.2.4 结论与总结
主要研究了航空发动机传感器故障融合诊断。在粒子群算法的基础上提出的自协调粒子群算法（SPSO），通过对粒子速度和位置同时自协调更新，提高了全局搜索能力，加快了收敛速度。使得问题更直接、简化。将所提出的 SPSO-SVR 应用于航空发动机传感器单一故障和多重故障的诊断。经小波消噪的传感器信号通过 SPSO-SVR 预测器簇对传感器测试信号进行故障监测，隔离，产生相应的故障模式并实现对故障传感器信号的恢复。验证该传感器故障诊断模型能对由于单一传感器故障、多传感器故障都能进行诊断，对常见的传感器故障具有较强的诊断能力、较高的重构精度。
[1]何友,王国宏.多传感器信息融合及应用[M].北京:电子工业出版社,2000,11 [2]康耀红.数据融合理论与应用[M].西安: 西安电子科技大学出版社,1997,1 [3]杨万海.多传感器数据融合及其应用[M].西安:西安电子科技大学出版社,2004,4
[4]高隽.智能信息处理方法导论[M]. 北京:机械工业出版社,2004,6
[5]刘大响，金捷，21 世纪世界航空动力技术发展趋势与展望，中国工程科学。 [6]Jaiwon S, The NASA Aviation Safety Program:Overview.NASA/TM-2000-2098 [7]Eva L, Michael J, Robert N, Jet Engine Life Prediction Systems Integrated with Prognostics
Health Management, 2004 IEEE Aerospace Conference Proceedings.
[8]郝英，基于智能技术的民航发动机故障诊断和寿命预测研究，南京，南京航空航天大学，2006。
[9]Litt J S, Simon D L, Gary S, et al, A Survey of Intelligent Control and Health Management Technologies for Aircraft Propulsion Systems, NASA/TM-2005-213622.
[10]Garg S, Controls and Health Management Technologies for Intelligent Aerospace Propulsion Systems, AIAA-2004-0949.
[11]Greogory P S, Knowledge Discovery in Databases: 10 years after SIGKDD Explorations, ACM SIGKDD, 2000, 1(2): 59-61.
[12]Fayyad U, Piatetsky S, Smyth P, et al, Advances in Knowledge Discovery and Data Mining ( MIT Press, Cambrige, MA), 1996.
[13]Varshney P K, Distributed Detection Data Fusion, New York: Springer-Verlag, 1996.
[14] He Y, Wang G H, Multisensors Information Fusion and Its Applications, Beijing: Publishing House of Electronics Industry, 2000.
[14]王克昌，液体火箭发动机的健康管理系统，上海航天，1992（1）：27-35。 [15]曾声奎，Pecht M，吴际，故障预测与健康管理（PHM）技术的现状与发展，航空学报，2005，26（5）：626-632。
[16]孙博，赵宇，黄伟等，电子产品健康监测和故障预测方法的案例研究，系统工程与电子技术，2007，29（6）：1012-1016。
[17]赵冲冲，基于支持向量机的旋转机械故障诊断，西安，西北工业大学。 [18]龙兵，孙振明，姜兴渭，航天器集成健康管理系统研究，航天控制，2003（2）：56-61。 [19]左洪福，发动机磨损状态监控和故障诊断技术，北京：航空工业出版社，1996。 [20] 郝英，孙健国，白杰，航空燃气涡轮发动机气路故障诊断的现状与展望，航空动力学报，2003，18（6）：753-760。
[21] 郝英，孙健国，杨国庆等，基于支持向量机的民航发动机故障检测研究，航空学报，2005，26（4）：434-438.
[22] 赵宗贵，信息融合技术现状、概念与结构模型，中国电子科学研究院学报，2006，1（4）：305-312。
[23] 潘泉，于昕，程咏梅等，信息融合理论的基本方法与进展，自动化学报，2003，Vol 29（4）：599-615。