航空发动机作为飞机的核心构件,它的健康状况与乘客的生命安全息息相关。由于航空发动机的工作环境恶劣,经常工作在高温、高压以及高负荷运转下,导致它十分容易产生故障,并且它的结构复杂且十分精密,直接维修十分困难。随着人工智能技术的发展,将其运用到航空发动机故障检测中去,对于克服这一困难来说具有深远的影响。同时,由于航空发动机价值昂贵,故障数据获取困难,因此这里采用一分类算法进行故障检测,可以有效的解决了这个问题。本文主要是对支持向量数据描述算法进行优化,然后对涡轴发动机实施故障检测,有效提升了检测的精度,完成了预期的效果。本文主要内容如下:首先,在航空涡轴发动机全飞行包线范围内,存在启动、加速、减速、停车等多种状态,这些状态的数据在空间上会呈现多个部落聚集的情况,当采用支持向量数据描述算法时,将所有数据点都包围在同一个超球体中,并尽可能使这个超球体体积最小,这样就可能会出现将某个偏离群体的部落聚集点全部识别为异常状态,因此提出一种将K中心聚类与支持向量数据描述相结合的算法,本文将该算法命名为KMSVDD。它可以将多种状态的数据以多个的超球体包围起来,这样可以极大的避免将某个状态全部错误识别,实验结果表明该方法有效提升了算法的鲁棒性。其次,传统的支持向量数据描述算法在处理分类问题时,往往精度较低,特别是在有异常值干扰的情况下。这是因为传统的支持向量数据描述算法采用一个固定的超球体半径来设置分类边界,这意味着它倾向于强迫将所有的正常数据和异常数据都用一个固定的分界面分开,这在一定程度上是不合理的。为了减小该缺陷的影响,提出了一种动态半径支持向量数据描述算法,在本文中将其命名为DR-SVDD。该算法在判别时引入了角度的描述,对于不同的测试样本,可以选取不同的重要支持向量作为它的判别依据,实验结果表明该方法有效提升了算法的检测精度。最后,针对算法的超参数优化时间过长的缺陷,提出了一种改进的模拟人类学习行为的粒子群优化算法,本文将该算法命名为IHPSO。该算法利用当前粒子的性能指标作为Gompertz函数的输入,以达到惯性权重随迭代次数的变化而自适应改变的目的,可以有效缩短搜索时间。另外,该算法引入全局最差粒子,可以有效跳出局部最优。实验结果表明,使用IHPSO优化KMSVDD和DR-SVDD的超参数可以极大的缩短超参数训练时间,同时可以提升对发动机故障检测的精度。