发动机系统作为飞机最核心的系统之一,其性能的优劣不仅仅影响飞机的整体性能,还决定了飞机的飞行安全。而发动机的工作环境往往十分恶劣,因此发展发动机健康管理技术十分重要。随着大数据时代的到来,基于飞行数据的发动机健康管理己然成为主流。目前基于数据模型的发动机健康管理两大主要内容就是发动机参数基线建模以及发动机的状态识别。本文主要针对这两方面的内容开展了以下工作:(1)针对真实的飞行数据进行了预处理,主要包括缺失值填补以及异常点的去除,同时针对飞行参数进行了修正,将其修正到标准大气压海平面状态下。为了建立基线模型,从飞行巡航阶段中提取出能较好代表发动机稳定运行状态的稳定点。(2)使用堆叠降噪自编码器建立了发动机燃油流量、排气温度、风扇转速以及核心转速的基线模型。通过与传统BP神经网络建立的基线模型进行比较,发现基于堆叠降噪自编码器建立的基线模型不仅具有更高的精度,抵抗噪声的能力也更好。最后,使用粒子群优化算法针对堆叠降噪自编码器每层的节点数、学习率以及迭代次数进行寻优,发现找到的超参数组合明显优于手动搜寻的超参数组合。(3)提出了一种将飞行航段数据转换为图像数据的方法,这种转换方法使用了飞行各个阶段的数据,然后通过卷积网络建立了发动机状态识别模型。通过与传统方法相比,表明卷积网络在状态分类中具有独特的优越性。其次,通过对比使用飞行各阶段数据与仅使用巡航阶段数据相比,证明同时使用各个阶段数据建立的卷积分类模型具有更好的效果。最后仍然使用粒子群优化算法针对卷积网络的超参数进行寻优,再一次验证了粒子群在模型超参数选取方面的优越性。