航空发动机是航空器的核心部分,其正常稳定运转直接关系到航空器的飞行安全。由于其结构复杂,特别是其中的转子系统长期工作在高温、高压、高转速的条件下,受力场、流场、温度场等多物理场耦合作用,振动问题非常复杂,容易出现故障,进而导致事故发生。因此开展航空发动机早期故障诊断研究对于避免发生飞行事故、避免经济损失、提高航空发动机的稳定性与安全性具有重大意义。目前的故障诊断主要是基于数学模型、信号处理、智能诊断的方法,但是由于航空发动机早期故障信号淹没在强噪声中导致故障信号微弱、难以提取且早期故障样本收集困难导致样本缺乏。本文提出堆叠稀疏自编码和主成分分析相结合的特征提取方法,并将其与迁移学习方法相结合从而构建基于迁移学习的故障诊断网络模型,并由此开发一套故障诊断系统。主要研究内容如下:(1)针对早期故障信号微弱、故障特征难以提取的问题,研究了稀疏自编码原理,并针对其局限性进行改进,提出一种堆叠稀疏自编码和主成分分析相结合的特征提取方法并利用实验台滚动轴承数据进行验证。实验结果表明:本文方法特征提取性能更好,与传统方法对比更具优势。(2)针对早期故障样本缺乏的问题,深入研究了迁移学习理论及不同的迁移学习方法,结合本课题研究了迁移学习中最大均值差异算法,并将其应用到故障诊断网络中,从而构建了基于迁移学习的故障诊断网络模型。(3)分别以滚动轴承数据和航空发动机振动数据为对象,利用建立的故障诊断模型,对其进行故障识别。分别研究不同网络参数对其诊断结果的影响,并与传统方法和不同网络模型进行比较。实验结果表明:本文构建的基于迁移学习的故障诊断网络模型相比于传统方法和其他模型更具优势,诊断正确率更高。(4)基于LabVIEW和MATLAB的软件平台,通过混合编程开发了一套集特征提取与故障分类与一体的故障诊断系统。使故障诊断流程更加方便直观,便于操作及后续研究。通过系统运行测试,验证系统有效性。