航空发动机是飞机的心脏,因发动机故障造成民机航班延误和军机被迫停飞事件时有发生,其危害的严重性及维修费用的增加早已被人们普遍认识,这种情况对处于研制试验中的新机更是如此。本文因此提出了发动机状态监控与故障诊断这一热门的研究课题,以便能根据监测参数预报故障的发生,并对发生的故障做出正确的诊断结论,为达到保证地面试车安全,节约维修与试验费用,提高试车效率的目的提供技术支持。本文从信源获取的一致性和提高故障诊断准确率和可靠性的目标出发,将多传感器信息与人工智能技术融合,对航空发动机试验中发生的诸如传感器故障、气路故障和机械振动故障的各种检测与诊断方法,进行了系统性的研究、仿真验证、比较和优化,主要内容有:(1)结合发动机性能故障诊断特点和现场试验用分布式测控网络环境,提出了分层次优化的发动机试验三级式融合系统结构。(2)开展了多传感器数据(信息)时空配准的方法研究,应用样条插值与滤波重构、时钟同步与帧采集同步技术,提出了基于帧同步模型的系统同步整合新方法。(3)应用多种改进BP网络、径向基网络、概率神经网络、SOFM自组织特征映射网络、ELman回归神经网络的基础理论,对其在不同规格化方式和噪声干扰条件下的故障诊断可靠性及准确率展开了对比研究。(4)通过对模糊聚类诊断方法的研究,得到了“用隶属函数的模糊诊断,以选用高斯型隶属函数为最佳;而用距离贴近度方法的模糊诊断,以选用夹角余弦距离为最好”的结果。(5)通过对支持向量机诊断方法的研究,为解决它存在不能正确识别区分两个线性相关性很强的故障样本的局限,提出“分类率”的概念,改进了诊断判决规则,形成了一种新的基于支持向量机的信息融合故障诊断方法,并仿真验证其可靠性和准确率。(6)通过基于D-S证据理论的信息融合故障诊断方法研究,发现对同一故障例进行融合诊断时,两个用不同诊断算法的证据体的诊断输出可信度值大不相同,甚至出现矛盾的结果,本文提出“偏离率”概念,改进了诊断判决规则和算法,进一步提高了融合诊断准确率。(7)通过将小波五层分解提取故障特征和应用概率神经网络诊断故障的方法相融合,构成小波概率神经网络应用,取得了对发动机振动故障的诊断十分满意的效果。