飞机襟缝翼系统是飞机操纵系统的子系统,是飞机增升、增阻的重要系统。襟缝翼收放故障是飞机操纵系统的常见故障,而飞机QAR(Quick Access Recorder)数据记录着关于飞机运行状态的各种参数,是飞机故障维修、预测的重要依据。本文以襟缝翼为研究对象,以飞机QAR数据为基础,根据工程实际调研数据,采用人工神经网络算法和数理统计原理,开展了关于襟缝翼收放故障的状态监测和故障诊断方法研究。该研究可为国产民航飞机健康管理系统的设计研发及航空公司工程应用提供新的方法和思路。在人工神经网络算法方面,襟翼不对称故障是襟缝翼系统常见的典型故障,由于Elman神经网络自身机构的特点,当对历史数据进行处理时,能够体现出较强的动态性和敏感反应能力,本文应用Elman神经网络建立了后缘襟翼左右角度差值预测模型。采用优化天牛须搜索算法(Improved Beetle Antennae Search,IBAS)对Elman神经网络模型初始权值和阈值参数进行迭代优化,通过对襟缝翼工作原理及受气动力影响的研究,确定模型的输入特征参数。在对神经网络的各参数和天牛种群数确定后,最终对后缘襟翼左右角度差值建立了优化天牛须搜索算法的Elman神经网络模型。应用测试数据对训练后的网络模型进行验证分析,通过Elman、BAS-Elman、IBAS-Elman三种预测模型评估指标对比,得出了IBAS-Elman预测模型在后缘襟翼左右角度差值问题上具有较好的预测精度、泛化性和较强的学习能力。在数理统计方面,为进一步研究襟缝翼收放故障,首先,通过蒙特卡洛数学模拟方法,完善了数据的不足,建立基于蒙特卡洛方法的后缘襟翼不对称风险模型,并将风险值量化为四个等级,通过收集的故障案例,验证了该预测模型的可靠性及实用性,并证实同一风险值不同飞机所对应的后缘襟翼左右角度差值并不同,该模型可为后缘襟翼不对称故障提供新的方法和研究思路。其次,基于前缘襟缝翼收放故障案例,对襟缝收放时间进行研究,结合襟缝翼收放原理,研究了随动响应率,通过空中和地面两种状态,将随动响应率划分为多个维度。为了辅助航空公司进行非计划性维修,基于ASP.NET开发了飞机襟缝翼收放监控平台,具有较好的工程应用价值。