● 摘要
气体减压器是发动机中的重要部件，其工作运行中的稳定性问题影响发动机的性能。以往学者用数值方法对稳定性问题进行研究，可以描述单结构参数变化情形。由于计算复杂性等原因，数值方法对多结构参数变化难以描述。机器学习领域中，经典学习方法基于经验风险最小化原则，对小样本空间泛化性能略弱。统计学习理论中的支持向量机（SVM）方法，基于结构风险最小化原则，对稀疏的小样本空间依然有着优秀的泛化性。本文使用支持向量机方法研究涡轮气封减压试验系统中高压卸荷膜片式减压器的稳定性问题，研究过程中针对单结构参数变化和以往方法不易涉及的多结构参数耦合变化，进行建模和性能分析。研究数据集属于稀疏易有残缺的小样本空间，支持向量机的优秀性能使稳定性模型的泛化性得到保障。通过建立和对模型性能的分析，得到支持向量机方法在所研究数据集上的一些结论：支持向量机模型在多结构参数变化情形下预测性能优于BP神经网络，可以获得更小的误差；支持向量机的泛化性在小样本空间中有着良好的表现；在双参、三参情形下，支持向量机模型为气体减压器的设计提供了更好的决策支持。通过模型对比和误差分析，本文给出了减压器设计中优化结构参数的建议。