航空发动机作为一种技术指标要求很高的复杂旋转机械系统,由大量相互耦合且工作过程又彼此不同的部件组成。由于长期处于温度、压强等外部环境条件十分严酷的工况下,经常会出现各种故障形式,严重影响了飞机的正常飞行。作为航空发动机的核心结构部件,转子系统的工作性能在一定程度上影响着发动机的运行安全性和可靠性,因此对其故障异常进行及时准确地诊断,对于提高航空发动机的安全性能具有重要意义。转子系统的大量状态特征信息往往隐藏于振动信号中,通过对振动信号进行处理和特征提取实现对转子系统的故障定位是学术界普遍公认的有效手段。针对这种情况,本文的研究内容包括:(1)利用EEMD方法处理某型涡桨发动机转子系统的振动信号,提取包括能量值、奇异值、多尺度排列熵值和时域无量纲指标等多种特征值;采用邻域粗糙集算法对建立的属性特征集合进行降维,进而借助SVM进行故障诊断。结果表明SVM对转子系统不同运行状态的识别率达到了 97.5%,诊断结果能够满足实际的工程需求。(2)由于微型涡喷发动机的转速较高,其振动信号的非线性和非平稳性趋势进一步增强,EEMD方法并不适于处理这种复杂的随机信号。为此,将改进CEEMDAN方法、距离评估技术、遗传算法和SVM等结合在一起,提出了一种综合多特征域和敏感特征选择的故障诊断模型。该模型通过改进CEEMDAN方法对振动信号进行预处理,在包含主要故障信息的本征模态函数基础上提取能量值、奇异值和包络样本熵值三种特征指标;利用距离评估技术从中选择对故障状态敏感的特征构成敏感特征集;采用遗传算法对SVM分类器的参数指标进行优化,进而对转子系统进行故障诊断。实验结果表明该模型对转子系统不同转速工况下的故障状态识别率达到了 99.4737%,获得了满意的诊断结果。(3)在前面两部分的基础上,利用MATLAB开发了航空发动机转子故障诊断系统的图形用户界面,提高了整个诊断流程的人机交互性和简捷性,使得操作过程更加方便直观。