随着传感器技术的快速发展、在飞机上应用的扩大以及移动终端的普及,可获取的关于飞机的数据越来越多,类型也越来越丰富,如QAR数据、ACARS数据、维修报告、航空各业务系统数据等等,我们迎来了民航大数据时代——利用民航大数据来提高发动机的安全性、可靠性和经济性,这是民航大数据带来的机遇和挑战,是一个值得研究的课题。目前用于航空发动机状态监测的多数方法在处理大数据时因为无法处理多种类型的数据或者分析大数据耗时等原因,已不能适应民航大数据的处理、分析需求。本论文基于数据驱动方法,深入研究了面向民航大数据的航空发动机状态监测中的数据重构、状态监视、发动机退化模式识别以及面向大数据的系统构架和数据质量管理问题,主要工作和创新点具体如下:(1)实际应用中因为漏采或传感器故障等问题,航空公司获得的发动机监测数据会存在数据缺失,需要对这些缺失的数据进行恢复,我们才能充分使用这些监测参数进行后续数据分析等工作。为了在随机数据缺失情况下重构出发动机监测数据,本论文提出了一种基于子空间的在线发动机数据重构模型。该模型采用极化增量分解获得低秩子空间,利用低秩子空间来表示高维发动机数据的演化特征,根据发动机的历史监测数据提取当前发动机的数据特征(低秩子空间),通过新采集的监测数据更新子空间以跟踪发动机演化特征,并且通过最新子空间可实现发动机传感器数据的在线重构。通过仿真数据和实际数据案例验证,表明本论文模型在随机缺失数据和噪声干扰情况下,对发动机数据数据重构具有良好的鲁棒性。(2)实际情况中的发动机健康状态数据多、退化/故障数据少,针对这种数据分布不均衡情况下识别两种健康和退化两种状态的需求,本论文提出了一种解决不均衡数据聚类的新算法——特征加权的模糊紧致散布聚类算法。该算法考虑到数据各维特征对聚类的影响,将特征加权引入到目标函数,通过特征加权解决了高维数据的特征选择问题。以特征加权的模糊紧致散布聚类算法为基础,本论文进一步提出了一种航空发动机在线状态监视的模型,该模型由两部分组成:一个是离线学习模块,在该模块中通过历史发动机监测数据迭代计算出发动机各特征参数的权重、健康状态和退化状态的聚类中心;另一个是在线监视模块,在该模块计算出实时的监测数据和健康状态以及退化状态聚类中心的加权距离,根据“最近邻”思想,距离最近的即为当前发动机状态所述类别。同时,实时监测数据又被输入到离线模块继续参与模块参数(特征的权重、健康状态和退化状态的聚类中心)更新。通过仿真数据和真实数据的实验,证明该方法用于发动机状态监视有很高的鲁棒性和泛化能力,对不确定性发动机数据有很好的实用性。(3)发动机的性能退化有正常性能退化和因故障引起的退化,对于相同退化模式不同的发动机表现不一样,如因为工作环境不同,发动机的退化速度各不相同等,因此对每台发动机的退化过程进行准确建模是非常困难的。一台发动机的退化数据包含了发动机各状态间的过渡信息,所有发动机的这些数据构成了退化样本库,然而这些信息并没有被好好用于发动机退化模式识别。本论文提出了一种基于相关时间规整的多参数发动机退化模式识别模型,该模型能够将多源数据投射到统一的特征空间,并在时间轴上将待识别数据和退化样本对齐以进行退化模式识别,从而提高了发动机退化模式识别的准确性和灵活性。仿真数据和实际案例数据实验证明本文模型能够正确区分发动机正常性能退化和故障引起的退化,对发动机本体并发故障退化和单故障退化模式定位到了部件级。(4)本文基于国际通用的OSA-CBM层次和大数据处理流程,提出了面向大数据的发动机健康管理与维修决策支持系统(engine health management and maintainence decision support system,EHM&MDSS)架构,该架构主体分为物理层、数据层和应用层三层;数据驱动的发动机健康管理首要工作就是保证数据质量,本文还提出了该架构下的数据质量监控模型、方法和流程,并以此为基础对系统进行了详细的需求分析,设计了系统功能模块。经过和航空公司多次讨论,已决定采用本架构,这部分工作对民航大数据应用于发动机健康管理和维修决策工作有一定指导意义。