航空发动机是航空系统不可或缺的一部分,它直接决定着该系统的整体性能,由于其长期运行在各种复杂的环境中,因此航空发动机对安全性和可靠性的要求比较高。中介轴承作为支撑航空发动机高、低压转子间的核心部位,一旦其出现微小变故将会引起转子的振动幅度加大,甚至造成转子瞬间停转进而导致机械系统出现停运现象。因此对航空发动机中介轴承故障诊断方法的研究一方面可以保证飞行器在运行过程中的稳定性,另一方面也可以降低故障发生,减少经济损失。目前对中介轴承相关信号的诊断研究相对较少,较常见的是在采集振动信号的基础上进行算法的分析与判定。与一般的滚动轴承信号有所差异,从加速度传感器中采集得到的中介轴承信号由于受到周围高低压转子的不平衡响应的影响,并且通过较长路径的传输,使所得信号中含有大量的背景噪声,因此一般分析方法不容易从淹没的信号中找到有效的轴承故障频率。本文从实际出发,对航空发动机中介轴承从前期信号预处理、特征参数集构建及优化和智能模式识别几个方面展开研究。在前期信号预处理方面,本文从相空间重构思想出发引入c-c算法,并对这种算法的不足加以改进。鉴于中介轴承信号本身复杂易受干扰的特性,文中在深入研究相空间理论的基础上建立了一种重构信号去噪方法。’首先把采集的低维数字信号用改进的C.C算法重构在多维的相空间中表示出来,然后用流形识别算法发现该数据空间的主要组成结构,并通过主流形重构来恢复数据以达到降噪的效果。同时,文中也从高维的相空间中采集得到初始的故障信号特征值,这种特征对故障信号的表达更加有效。在特征参数集构建及优化方面,本文首先从相空间中利用奇异值分解提取出初始特征集,然后进行特征集约简。本文采用流形学习中非线性约简方法局部线性嵌入(Locally Linear Embedding,LLE),针对中介轴承数据的特点将LLE算法改进为基于非线性监督距离的NSLLE算法,降维效果明显优于核主元分析(Kernel Principal Component Analysis,KPCA)以及其他的流形学习算法。此外,提出了R-NSLLE方法,通过自定义基于测地距离的判别公式寻找NSLLE算法中的近邻参数,避免了选择的随机性以及不断试验造成的不准确性；同时利用Treelets变换进一步对R-NSLLE参数优化,估计出降维算法中最优的本征维数。最后在智能模式识别方面,本文选择了训练时间短、泛化能力强的极限学习机(Extreme Learning Machine,ELM)算法。文中将ELM算法改进为半监督的ELM,可以综合实际数据特征灵活调整带标签数据与不带标签数据的比例进行训练与测试以增加故障识别模型的实用性。同时将在线增量ELM应用其中,提出在线半监督极限学习机OS-SSELM,实现中介轴承振动数据的实时处理和在线分析判断。在整个研究过程中将理论与实验数据相结合,充分证明文中所研究方法的有效性,对现代发动机中介轴承的故障诊断具有一定的研究意义。