随着航空技术的发展,综合航电系统的复杂度越来越高,发生故障的频率及由此带来的损失也越来越多,故障预测与健康管理(Prognostics and Health Management,PHM)作为实现航空器视情维修、自主式保障的新兴技术,已成为新一代航电系统系统设计和使用的重要部分。故障预测与健康管理是基于视情维修的一种全面状态监测、故障诊断、故障预测及健康管理技术。它是在有异常征兆时,就对故障的发展趋势进行预测,确定系统的剩余使用寿命和未来某时刻的健康状况,并选择在合适的时间内采取维修策略,预防系统完全故障,实现自主式保障,达到安全性、可靠性,降低使用和保障费用的目标。本文针对航电PHM系统中状态监测、故障诊断及故障预测3个模块,研究了多小波阈值去噪、小波包特征向量提取、小波神经网络故障分类器及预测器等多项关键技术。具体研究内容如下:1.多小波阈值去噪。研究了GHM多小波阈值去噪的步骤,仿真分析了四种典型阈值估计的去噪性能。针对多小波阈值去噪中硬阈值和软阈值函数的缺点,提出了一种改进的阈值函数,经过仿真分析,这种改进的阈值函数去噪性能优于硬阈值函数和软阈值函数,在输入信噪比为12 dB的情况下,利用改进的阈值函数去噪后的信噪比达到20.5867 dB,去噪后信噪比提升了71.56%,最小均方误差为0.3742。2.小波包特征向量提取。将小波包分解的各频段能量作为故障特征量,可以把微弱的早期故障分解到容易检测到的故障特征空间中去,并为神经网络的学习提供训练样本。仿真了小波包、最优小波包提取特征向量的过程,其中最优小波包提取特征向量可以很大程度上改善“维数灾”的问题。3.健康评估。通过将小波包各层分解系数的残差与预先设定的阈值比较,判定现时系统所处的是健康态还是异常态。4.神经网络故障分类器、性能预测器。研究了传统小波神经网络学习算法和改进的小波神经网络学习算法,改进的算法通过增加动量项和自适应改变学习速率,很好的改善了传统最速下降法收敛速度慢、易陷入极小点的缺陷,通过仿真实验,验证了此算法的有效性。并给出故障诊断和故障预测实例,验证了小波神经网络作为故障分类器进行故障诊断,作为非线性函数拟合器进行故障预测的合理性和可行性。