预测与健康管理技术(Prognostics and Health Management,PHM)以其对设备健康状态的预测能力和对多源信息的综合处理能力构成了对复杂装备视情维修的良好支撑。目前国内民航发动机PHM领域缺乏有效的发动机性能推理手段,对发动机部件与整机于在翼和修后时间段内的性能预测存在着诸多不足。本文以民航发动机为研究对象,重点研究部件性能建模和诊断、整机在翼性能趋势预测、单机队和跨机队的修后性能预测等问题。针对各类问题,分别提出数据与物理知识融合的发动机性能建模、多元参数融合的发动机性能趋势预测、多源信息融合的机队修后性能预测、基于迁移学习的跨机队修后性能预测等方法。研究内容按照部件、整机、机队、多机队的顺序依次递进,解决问题的过程中融合了发动机设计知识、在线监控数据、维修工作范围、使用时间等多源信息,为民航发动机的性能预测提供理论和技术支持。本文的主要研究内容如下:航空发动机属复杂多部件系统,对其性能进行建模需要融合观测数据及物理知识以克服可测参数数量过少所导致的部件特性不可辨识问题。为此,提出了一种数据和物理知识融合的,对多部件系统进行系统层和部件层协同建模的跨层级混合学习(Trans-Layer Model Learning,TLML)建模方法,并从数学上证明了该方法的可行性判别准则。该准则明确了传感器数据集与物理知识融合建模方法在面向给定建模任务时的信息充分性阈值。所提出的TLML方法采用两层嵌套式训练算法对各部件模型进行交替训练,能够有效融合传感器数据和物理规则中的信息以辨识各部件的响应特性,同时避免模型过拟合。通过在仿真系统上的实验验证了所提出的信息判别准则的有效性,并证明了TLML方法在可测参数数量不足和数据噪声明显的环境下对系统部件的精确建模能力。针对发动机部件性能诊断过程中的系统非线性强、数字滤波易发散的问题,提出了发动机TLML建模与改进无迹卡尔曼滤波相结合的部件性能衰退趋势诊断方法。该方法在分析发动机部件工作特性的基础上,利用TLML建模方法融合气路传感器数据、物理规则约束、领域设计知识等多源信息以得到高精度的发动机性能模型,并基于该模型构造出系统观测方程。同时,通过滑动窗口采样策略对传统无迹卡尔曼滤波方法进行改造,扩展了系统观测矢量维度,避免了系统观测值数量不足所导致的滤波发散问题。经发动机运行数据实验验证,该方法对发动机部件的衰退程度诊断精度较高,诊断结果与发动机气路部件的硬件结构损伤情形吻合良好。针对当前发动机性能趋势预测领域中所面临的预测时间范围过短,难以量化发动机在未来时刻的性能状态的不确定性的问题,提出了基于多元参数轨迹相似性的发动机性能特征参数趋势预测方法。该方法通过卡方分析手段和极大似然估计方法得出待预测发动机的多元性能特征参数在高维空间中的演化轨迹与历史样本库中各轨迹的相似程度,而后通过所提出的高斯元降序聚合方法得到待预测发动机的性能特征参数在未来各时间点的概率分布情形。经对发动机机队的多个性能衰退轨迹样本预测实验验证,该方法既能够以较高精度预测发动机在数百飞行循环时间范围内的性能变化趋势,又能够对发动机各性能特征参数的概率分布进行准确估计。为解决大规模机队发动机修后性能预测过程中多源数据异构、工况参数与状态参数耦合的问题,提出了自编码器与极端梯度提升相结合的发动机修后性能预测方法。该方法利用条件熵增长因子对发动机的修前多元状态参数序列进行参数排序规整,而后采用卷积自编码器和堆叠自编码器分别对多元状态参数序列和发动机维修工作范围矢量进行特征提取,并将提取出的特征与发动机使用时间信息融合为合成特征,最终利用合成特征训练极端梯度提升模型以预测发动机的修后性能并评估各类影响因素的重要程度。经整机队发动机的修后性能预测实验验证,该方法能够有效融合三类异构数据中的多源信息,对发动机的修后性能预测精度和鲁棒性较高。在有大规模机队样本作为参照的条件下,迁移学习能够较好地解决小规模机队发动机的修后性能预测所面临的样本容量不足问题。为解决经典迁移学习理论难以应对的特征提取模型与回归分析模型的联合迁移问题,提出以弱学习机和特征翻译矩阵作为辅助模型的迁移学习方法。该方法将大规模机队和小规模机队的修后性能预测任务分别视为源任务和目标任务,并以源任务训练得到的弱学习机和目标任务的特征翻译矩阵监督目标任务自编码器学习过程,使得目标任务特征被映射至源任务特征空间,最后利用源任务特征与经映射后的目标任务特征同时训练强学习机以完成目标任务的预测过程。经两个具有不同规模机队的修后性能预测实验验证,该方法有效地实现了机队之间修后性能预测模型知识的迁移,显著提升了小样本机队的修后性能预测精度。