航空发动机是飞机最核心的部件之一,其健康状况是保证飞机飞行安全的重要前提。为保证发动机服役的运行安全和维修的经济效益,航空发动机性能参数的基线建模和趋势预测可为上述决策提供技术支持。由于航空发动机物理建模过程比较复杂,因此基于航空发动机监控数据的智能学习模型成为发动机基线建模和性能参数趋势预测的有效方法。发动机复杂的工作环境与性能衰退过程为基线模型和性能参数趋势预测模型带来巨大挑战,而模型的正确性会影响发动机性能状态判断以及维修决策的准确性,因此,研究航空发动机基线模型和性能参数趋势预测方法具有重要意义。本文以航空发动机监控数据为基础,对发动机性能参数进行信息挖掘,建立航空发动机性能参数基线和趋势预测模型,实现航空发动机超限监测和参数预测的功能。本文主要工作包括以下三个方面:(1)针对传感器采集的原始数据中存在粗大误差和噪声的影响,研究了发动机监控数据预处理方法。提出了基于拉伊达准则粗大误差检测和处理;去除粗大误差后,对参数进行修正处理;再基于滑动窗口法提取各参数在各巡航阶段中的稳定特征点,用以表征该航段发动机的性能状态;利用皮尔森(Pearson)系数相关性法提取与气路参数相关的关键因素作为后续模型的输入向量;利用Min-Max算法实现输入数据的归一化,以提高预测模型的收敛速度。(2)针对航空发动机性能参数受诸多工况参数的影响,传统单一的智能学习模型难以从众多工况参数提取出与性能参数相关的非线性特征并达到良好的预测精度要求,提出了基于深度置信网络(DBN)和支持向量回归机(SVR)融合算法的航空发动机气路参数基线模型建模方法。利用深度置信网络逐层训练的贪婪机制对基线模型的输入向量进行非线性特征提取,将提取到的数据特征输入到支持向量回归机模型中进行预测。实验结果表明,该融合方法不仅能很好地提取出输入向量的数据特征,还可提高模型的预测精度,建立高精度自主基线模型。(3)针对传统的时间序列预测方法预测精度不足,可预测时间较短,同时难以实现多变量输入的参数预测问题,采用长短期记忆网络(LSTM)模型预测发动机性能参数未来的变化趋势。将性能参数历史序列和工况参数作为模型的输入向量预测未来的性能参数值,通过考虑工况参数的影响,提高性能参数趋势预测模型的精度与效率。本文的研究内容对丰富航空发动机的基线模型和性能参数预测体系具有重要的理论意义,对提高飞机飞行安全具有实用价值,同时对航空公司提高发动机管理水平有实际的指导意义。