飞机发动机的故障诊断对航空公司有着非常重要的意义,如果能全面了解发动机性能并对其故障进行快速、准确的隔离和辨识,就可以更好的有计划的换发以及确定发动机送修时的工作范围和深度,从而大大的减少运营和维修成本,提高公司效益,并有效避免重大事故的发生。本文在介绍当前飞机发动机故障诊断技术及分析神经网络用于发动机故障诊断现状的基础上,将径向基神经网络用于飞机发动机故障诊断作为研究课题。本文首先对神经网络和当前飞机发动机故障诊断技术进行了介绍,结合神经网络的一些特性,对神经网络用于故障诊断的优点进行了分析。对神经网络的研究表明,神经网络具有良好的工程应用前景,神经网络被认为是最有潜力的诊断工具。目前用于发动机故障诊断的神经网络主要有BP网络、自组织(SOM)神经网络、概率(PNN)神经网络。BP网络是靠整个网络“记住”了故障模式,自组织特征映射网络利用样本的距离来聚类。概率神经网络则是由已知模式样本估计类条件的概率密度,然后得到Bayes意义下的最优分类且其网络训练无需迭代。本文分别对这三种网络进行了仿真实现。在此基础上对径向基(RBF)神经网络用于飞机发动机故障诊断进行了研究。首先介绍了径向基(RBF)神经网络及RBF网络的学习算法,然后结合飞机发动机故障实际情况,改进实现了k-means聚类学习算法;对用于故障诊断的这几种神经网络进行比较,最后利用集成神经网络进行发动机故障诊断。结果表明:径向基(RBF)神经网络具有结构简单、训练速度快、诊断精度高等优点,在发动机故障诊断中有很好的潜力;但其隐层基函数的中心及方差的确定,仍然需要研究。