航空发动机是一个及其复杂精密的机械系统,其中任何部件工作正常与否关系到整个系统的稳定性和安全性,一个零部件的失效就会引起巨大的灾难事故。而且航空发动机的研发周期长,耗资大,是集合了现代科技的结晶,其研制过程涉及到工艺学,材料学以及计算机学等各个领域的尖端。航空发动机作为飞机的动力来源,同时也直接决定着飞机各种性能和水平。在飞机的实际运行过程中,由于工况多变,引起结构振动因素有很多,在发动机内部各部分器件之间存在着密切的联系,如果其中一部分器件工况异常或者失效将会对整个飞机系统造成连锁影响。本文针对由高压转子不平衡引起的航空发动机振动故障进行分析,在研究过程中发现在构建航空发动机故障诊断模型时的主要难点在于不平衡数据的处理和多维特征数据的降维提取,同时经过与研究所沟通制定了单类结构特征参数分析与组合结构特征参数分析两个方法进行故障诊断,其中单类结构特征参数分析采取softmax分类器方法进行分析研究,组合结构特征参数采用集成学习的方式进行研究。经过研究分析单类结构特征参数所构建的模型的故障诊断率难以满足要求,因此采用一种集成学习方法来进行故障诊断。该方法利用borderline-smote方法对数据进行平衡处理,并提出了一种基于权重的基尼系数特征提取方法来进行特征提取,最后利用所提取的特征构建航空发动机故障诊断模型。经过对某研究所提供的航空发动机高压转子振动故障数据进行研究分析。通过采用一种基于权重的特征提取方法从样本空间中提取出与故障标签相关程度较高的特征,同时选用集成学习的方式进行模型的构建。主要研究了xgboost,gbdt和adaboost三种较为先进boosting集成算法的分类效果,讨论了不同算法的优越性,采用三种算法并利用决策树为基学习器构建了三种分类器,并运用了某研究所的台架数据进行测试,经过研究发现应用xgboost算法构建的故障诊断模型的故障诊断率可以达到百分之95以上,并且AUC值也明显高于其他两种方法,并且运用组合结构特征参数构建的模型的故障准确率也明显高于由单一结构特征参数构建的的模型。说明了该方法在航空发动机高压转子振动故障诊断有着良好的应用。