航空发动机是飞机的心脏,其健康状态对飞行安全性和维修经济性有重大影响。目前航空公司普遍依赖国外发动机制造商(OEM)的基于ACARS报文数据的发动机健康管理系统,存在使用成本高、数据分析方面拓展功能受限等问题。而基于QAR数据自主开发发动机PHM技术可以一定程度解决上述问题,因此,本文基于QAR数据研究发动机的状态监控与预测算法,可用于提前预知发动机健康状态和剩余寿命。发动机基线模型是发动机性能衰退状态预测的基础,为了减少对OEM状态监控系统的依赖和充分开发QAR数据用于发动机状态监控,本文以QAR数据替代ACARS数据,结合偏差趋势图数据,采用支持向量机方法对发动机基线模型进行了挖掘,为求取发动机气路监控参数偏差值提供了基础。为了提前发现发动机未来的超限状态和预估剩余寿命,利用发动机气路监控参数偏差值建立了发动机性能衰退状态预测模型。根据预测的目的和时间跨度不同,模型包括发动机性能监控参数的短期预测和发动机剩余寿命区间长期预测。针对短期预测的现存问题,提出了基于滑动时窗策略的自适应GASVM在线预测模型,通过与传统基于SVM的时间序列预测方法对比表明改进的预测方法不仅动态适应性好且预测精度有显著提升。针对航空公司普遍采用的基于机队EGT衰退率预测发动机剩余寿命方法预测精度不高的问题,提出了基于模糊信息粒化的发动机寿命区间预测,结果表明该方法能够很好地反映剩余寿命变化的整体趋势和范围。针对发动机性能异常检测存在检测效率不高或故障数据获取困难的问题,本文基于QAR数据对发动机的故障检测进行了相关研究,提出了基于DBSCAN的无监督聚类的发动机异常检测方法,利用该方法可成功检测出异常发动机,从而解决了超限异常检测技术效率低和有监督学习检测方法异常样本少的问题。