航空发动机视情维修的实现基于对航空发动机性能参数的准确预测。传统的单参数预测技术虽能在一定程度上实现对性能参数的预测,但其存在准确程度不高、运算速度不够快等缺陷,航空公司已不再满足于采用该方式进行参数预测。究其原因,除了现有预测系统所采用的传统BP神经网络等算法有一定的局限性外,忽视多种性能参数间的相关关系也使得预测精度的提升遇到了瓶颈。为此,本文拟选择合适的方法进行输入参数融合,同时采用一种新型离散输入过程神经网络建立航空发动机性能参数融合预测模型,并以其对实际航空发动机性能参数进行预测。针对基于密度的异常点识别方法运算过程中出现的不方便、不准确的问题,本文提出一种基于不确定距离的异常点识别方法,通过计算数据点邻域内全局覆盖概率,从不确定性的角度对异常点进行识别,并与基于距离和密度的异常点识别方法进行比较,验证该方法的有效性。同时,针对指数平滑法的不足,基于罗-罗公司使用的COMPASS平滑函数对性能参数时间序列进行平滑处理,为融合预测做好输入数据准备。为定量分析航空发动机性能参数间的相关性,以便进行融合预测,本文提出一种基于实验现象的三点渐进查询方法,能够快速查询到最大延迟相关点,进而计算出线性相关系数。为防止仅计算线性相关系数产生相关性分析误差,本文拟采用基于分形理论的去趋势交叉相关方法对航空发动机不同的性能参数间的非线性相关性进行定量分析,求取交叉相关赫斯特指数,以此为依据判定各参数间的非线性相关性大小。对比以上两种方法所得结果,选择相关性较大的参数作为融合预测的基础。针对现有单参数预测模型存在的精度和运算速度等问题,建立基于卷积和离散输入过程神经网络的航空发动机性能参数融合预测模型。针对主成分分析过程运算量大、局部特征体现不明显问题,本文提出一种基于蚁群算法的输入样本空间划分方法,通过建立TSP问题模型并采用蚁群算法求解,将相空间重构后的样本空间划分为若干子空间,再分别对各个子空间进行主成分分析。在此基础上,将融合预测结果与单参数预测结果进行比较,验证模型的有效性。基于上述理论研究成果,充分分析需求,采用C/S构架,开发具有性能参数预处理、性能参数相关性分析、性能参数融合预测、数据库管理等功能的航空发动机性能参数融合预测软件原型系统,为航空公司提供维修决策支持。