航空发动机结构极复杂，工作在高温、高速的恶劣条件下，极易发生各种机械故障。据统计，在造成各类飞行事故的诸因素中，发动机故障原因所占比例一般在25％～30％，而航空发动机转子系统及传动系统中的齿轮和轴承磨损失效是航空发动机研制和使用过程中所出现的主要故障。由此可见，及时有效地诊断和预测出航空发动机的磨损故障，对于提高飞行安全，降低发动机维修成本，实施航空发动机视情维修，具有重要意义。然而，由于航空发动机的复杂性，各种磨损数据与磨损故障之间是一种模糊的、非线性、不确定的关系，传统方法已经不能满足磨损故障诊断的要求。鉴于此，本文将现代人工智能和模式识别技术引入航空发动机磨损故障诊断，围绕航空发动机磨损故障智能诊断若干关键技术进行研究，主要内容如下：1）不局限于正态分布假设的磨损界限值的制定。抛弃了传统油样数据正态分布假设，提出了基于支持向量机的磨损界限值制定方法。利用支持向量机从大量的油样分析数据中估计出概率密度函数，再依据估计出的概率密度函数得到航空发动机磨损界限值。该方法利用了支持向量机全局最优、良好泛化能力，以及解的稀疏性等优越性能，与传统统计方法相比，更具科学性和合理性。最后本文应用实际的航空发动机油样光谱数据对方法进行了验证分析，表明了方法的正确有效性。2）磨损趋势的组合预测方法。对油样分析数据进行数学建模，外推出未来发展趋势，对于航空发动机磨损状态的预测，尽早对故障的发展趋势进行预测和评估，从而避免重大事故的发生和及时安排维修工作，具有重要意义。鉴于此，本文提出基于最小二乘支持向量机的组合预测方法，首先利用灰色预测模型，神经网络预测模型和AR预测模型进行单项预测，然后利用最小二乘支持向量机方法实现组合预测，同时利用粒子群算法对支持向量机参数进行了优化。该方法解决了单一预测模型的信息源不广泛性，对模型设定形式敏感等问题。最后，利用实际的航空发动机油样光谱数据对方法进行了验证，表明了本文组合预测方法较单一预测模型方法大大提高了预测精度。3）磨损故障诊断知识规则的自动提取。为了解决目前航空发动机磨损故障智能诊断专家系统普遍存在知识获取能力弱，知识更新困难，知识适应性差等方面的缺陷，本文提出了基于支持向量机的数据挖掘技术，利用支持向量机进行了磨损规则的自动获取研究。在该方法中，首先利用遗传算法对样本数据特征进行选取，然后将特征选取后的数据样本映射到一个高维特征空间中，得到样本的最优分类超平面以及支持向量，利用支持向量机聚类算法得到样本的聚类分配矩阵，最后在聚类分配矩阵的基础上构建超矩形，得到超矩形规则，并利用规则合并、维数约简、区间延伸等方法对超矩形规则进行了简化。针对样本严重不平衡问题，本文采用过抽样算法中典型的SMOTE算法对故障样本进行重采样之后再进行规则提取，取得了良好的效果。同时，开发了专家系统与国外著名数据挖掘开源软件Weka的接口技术，利用Weka软件的数据挖掘算法实现了航空发动机磨损故障诊断专家系统的知识自动获取。最后，利用实际的航空发动机故障数据进行了验证，表明了本文方法的正确有效性。4）基于多Agent的磨损故障融合诊断方法。该方法综合运用各油样分析方法的冗余性和互补性，有效地利用各种油样分析方法的特点和优势以提高诊断精度。该多Agent诊断系统主要包括颗粒计数Agent、理化分析Agent、铁谱分析Agent、光谱分析Agent、总控Agent、调度Agent、通信Agent、融合诊断Agent、油样数据和知识规则库以及人机智能界面。本文根据飞机发动机磨损故障诊断的实际情况，给出了各Agent诊断规则，并用具体的油样分析数据进行了验证，表明了多Agent融合诊断的有效性。5）最后本文将所研究的若干智能方法运用于与成都飞机工业（集团）有限责任公司以及北京航空工程技术研究中心合作开发的航空发动机磨损故障诊断专家系统中，实现磨损界限值制定、磨损趋势预测、融合诊断以及专家系统的知识自动获取。应用结果表明，本文的研究工作大大提升了航空发动机磨损故障智能诊断专家系统的智能化和自动化水平。