21世纪以来,基于数据驱动的故障预测技术以前所未有的势头在国内外得到了十分迅速的发展,很快受到来自政府、学术和工业界的高度重视,并在航空航天、机械、电子、船舶、汽车等多个领域得到了广泛的应用。航空发动机故障是构成飞机安全飞行事故的主要威胁之一。作为航空发动中最主要的一种,涡扇发动机由于其复杂的工作机理、频繁变化的状态以及系统结构的复合性,使得发动机的故障机理和故障模型也多种多样。而对涡扇发动机所发生故障进行预测研究,对于保证飞行安全和降低飞机维护费用具有重要的意义。鉴于此,本文拟沿着“涡扇发动机特性及故障分析—故障特征信息提取—故障模式识别和故障发生诊断—剩余使用寿命预测”的逻辑主线进行研究。主要研究内容如下:概况分析了涡扇发动机的研究背景,并阐述了本文的理论意义和实际意义。进一步从剩余使用寿命预测、故障识别诊断以及涡扇发动机故障预测3个角度对国内外现有研究成果进行了总结归纳和文献评述。具体分析了涡扇发动机的相关特性、主要分类以及结构和各部件功能,进而总结了故障模式和故障诊断基本原理,对故障发生的主要参数进行了归纳。为提高预测运算效率和精度,综合使用Denoising Auto-Encode、StandardScaler以及KPCA对原始数据样本进行了降噪、无量纲化和降维。构建了CDT-RF模型,并应用于涡扇发动机故障模式识别和故障发生诊断的预测实证中。相较于RF模型,提高了对连续型数值的处理性能,具有更高的准确率和稳定性。利用GridSearch-NI优化了LSTM算法,应用于涡扇发动机剩余使用寿命预测实证。通过对比实验得出,所构建模型在把握时序数据特性的同时,避免了陷入梯度消失,对于涡扇发动机剩余使用寿命预测具有更优异的预测准确性。