故障诊断技术是实现航空发动机视情维护、降低使用维护成本、保证飞行安全的重要手段,已成为航空动力技术领域的研究热点。本文围绕信息融合技术开展了航空发动机故障融合诊断研究,包括发动机气路部件性能故障诊断、传感器故障融合诊断、发动机部件故障定性融合诊断、定量融合诊断和发动机部件故障交叉融合诊断。论文的主要工作和贡献如下:1.研究了航空发动机机载自适应模型及发动机健康参数分析。根据发动机部件级模型,采用小扰动法建立稳态点线性化模型,构建大范围小偏差模型,利用卡尔曼滤波器建立了包含部件健康参数的发动机机载自适应模型。对发动机非额定工作状态性能进行了模拟,分析了气路部件性能蜕化下测量参数与部件性能参数间的关系。2.研究了基于模型的发动机气路部件性能诊断方法和数据驱动的性能诊断方法。将单输出最小二乘支持向量回归机扩展至多输出的情况,提出多输出最小二乘支持向量回归机(MO-LSSVR)的结构和算法,并将MO-LSSVR用于构造数据驱动的发动机部件故障诊断模型,仿真表明该算法能解决多输出部件性能参数估计问题,简化了模型结构,减少了计算量。在基于模型的部件性能诊断中,将自适应遗传算法与LSSVR相结合,提出AGA-LSSVR的核参数及惩罚因子寻优方法,利用AGA-LSSVR建立发动机机载自适应模型补偿模块,减少了模型与真实发动机之间的输出误差,通过部件单故障和双重故障模拟验证了该方法有效地改善了诊断精度。3.研究了航空发动机传感器故障融合诊断系统。提出了自协调粒子群(SPSO)算法,通过对粒子速度和位置同时自协调更新,扩大了全局搜索能力,加快了收敛速度。提出SPSO-SVR模型,采用SPSO算法优化SVR的超平面,解决了现有利用Lagrange对偶原理求解SVR最优超平面时遇到的高阶矩阵问题,使得问题更直接、更简化。设计了集监测、隔离和恢复功能的航空发动机传感器故障诊断系统,在监测模块中利用SPSO-SVR构造了传感器参数预测模型,实现了超限检查并获得传感器故障诊断结果,在重构模块中利用SPSO-SVR设计信号重构机制,实现了故障传感器的信号恢复。4.研究了采用部件蜕化性能参数模糊化的D-S证据理论进行发动机部件故障定性融合诊断。以基于模型和数据驱动的气路部件性能诊断方法为基础,提出了在数据链路的决策层构建蜕化参数模糊化的D-S理论并行融合诊断模块对两个诊断结果进行融合,从定性的角度分析了部件故障模式的诊断,通过对发动机单、双部件故障仿真,验证了所提出的决策层并行融合诊断系统的有效性。解决了单独使用基于模型和数据驱动方法各自存在的建模误差和噪声、样本量的限制引起的数据样本的不可靠性的缺陷。5.研究了航空发动机部件故障特征层并行定量融合诊断。提出了自调整权重的量子粒子群寻优(QPSO)算法,对航空发动机部件性能蜕化在整个连续的蜕化空间进行特征层并行融合诊断,解决了基于模型和数据驱动的连续量化融合问题。提出将进化支持向量回归机(ESVR)应用于特征层并行融合诊断,设计了发动机故障定量融合诊断系统,利用径向基网络实现了部件异常监测。通过对部件单故障、双重故障仿真,验证了QPSO自调整决策权重融合诊断和ESVR融合诊断方法,整合了以往单一诊断方法的优势,提高了诊断精度。6.研究了航空发动机部件故障交叉融合诊断。提出了在数据链路的数据层和特征层信息进行交叉融合,以用于发动机部件故障诊断的思想。针对每一故障模式利用灰色关联度对测量信号进行分析,建立了每一故障模式对应的测量强信号的信源相关性知识库。基于部件标准故障模式灰色关联度分析及性能蜕化灰色关联度分析,设计了两层部件故障模式识别网络,实现部件故障模式有效判断。综合利用在特征层经信息强化处理的弱信号特征和数据层分类处理的强信号,最后综合利用ESVR实现两类信号的交叉融合,获得部件蜕化程度的定量诊断结果,删除了冗余输入信号,更有利于满足工程中对实时性的要求。