传感器在发动机的控制系统中举足轻重,并且在飞机的整个运行过程中发动机的工况变化非常大,这期间难免会有故障发生,相对其他零部件而言,传感器较容易发生故障。为了减少发动机飞行事故,同时指导飞机的维修工作,则必须提高航空发动机的传感器故障诊断能力,为了提高控制系统的容错能力保证飞行安全则需要对故障的传感器进行信号重构。由于本文主要是以实验台DGEN380的实验数据为基础进行的研究,而神经网络方法具有数据处理能力强的特点,因此,本文选择基于神经网络方法进行转速传感器的诊断和信号重构。具体研究内容如下:(1)分析了传感器的工作原理和故障原因以及传感器故障诊断的方法,为下文的高压轴转速传感器的信号预测和故障诊断奠定基础。(2)使用基于数据的方法创建发动机模型,以满足信号重构的需要。根据数据建模和发动机的特征,选择使用神经网络建立发动机重要参数模型,在研究过程中,只需要研究系统的输入和输出之间的关联,而不需要研究系统的内部原理。(3)使用正常传感器对故障传感器进行预测,建立了航空发动机转速传感器信号预测空间模型。建模时采用BP、PSO-BP和IPSO-BP网络,并对建模精确度进行比较。然后,使用高压轴转速传感器历史数据建立时间模型,使用BP、PSO-BP和IPSO-BP网络建模,并比较建模精度。(4)选择小波分解对发动机传感器进行快速的预诊断,发现正常传感器和可能出现故障的传感器。使用正常传感器通过神经网络对可能出现异常的传感器进行信号预测,使用传感器的实际输出和神经网络输出生成残差以及设定阈值的大小来确定是否存在故障。根据专家规则,可以确定航空发动机所有可能出现的六种故障类型。(5)在信号重构方面,比较分析了发动机模型,空间模型和时间模型的特点和精度。结果显示,时间模型的精度高于空间模型和发动机模型。