智能制造是提升制造企业核心竞争力的关键,是推动制造业转型升级、加快制造业高质量发展的驱动力。推进实施航空发动机智能制造,是加速航空发动机研制进程,缩小与国际先进水平差距的重要途径。现代航空发动机的设计是基于知识的数字化设计,然而航空发动机研制过程中所涉及的知识,多以非结构化数据形式记载,导致知识之间客观存在的有价值的信息无法得以深入的挖掘和利用。知识图谱技术具备强大的语义处理和互联组织能力,构建航空发动机领域知识图谱,将为实现航空发动机领域大规模知识挖掘提供了可能,是航空发动机实现智能制造的技术基础,更是航空发动机实现智能化设计的关键。基于此,本文面向航空发动机设计领域,探索研究了航空发动机知识图谱关键构建技术,为航空发动机知识挖掘与应用奠定基础。主要内容如下:针对航空发动机领域知识图谱语料缺乏的问题,通过对当前航空发动机研制过程中积累的文本数据的整理与收集,建立了航空发动机实体数据集和关系数据集,并进行了数据集质量评估。实体数据集实验结果显示,其他研究者所提出的Lattice LSTM、LR-CNN模型在自建实体数据集上F值分别达到了91.98%、92.85%,这与二者在MSRA数据集上的得分基本相当。关系数据集实验结果显示,CNN、BLSTM、BERT-BGRU-Attention模型在自建关系数据集上的评分与两个高质量标注的中文关系数据集基本一致。实验表明,两个数据集质量均能满足航空发动机知识图谱构建的需要。针对航空发动机知识图谱构建实体抽取工作,提出了在基于字符的实体抽取结构中引入词汇信息来提升识别性能指标的解决思路,研究了改进输入的Lattice-Transformer模型。在微博、MSRA两个公共数据集以及自建实体数据集上,Lattice-Transformer模型F值分别取得了65.98%、95.09%、95.21%,均高于其他研究者的模型得分,在P值、R值上也均取得了较好的得分。针对航空发动机知识图谱构建关系抽取任务,提出了基于预训练语言模型和注意力机制改进的双向门控循环网络模型——BERT-BGRU-Attention模型。实验结果表明,在两个国外公共数据集上,该模型F值略高于Self-ATT-CNN、Att-BLSTM、TRE、ITEM等其他研究者提出的模型,分别达到了88.02%和68.33%,在中文关系数据集上模型F值分别达到了88.02%和87.96%,在自建关系数据集上,该模型P值、R值、F值也分别取得了88.24%、89.47%、88.85%。最后,采用Neo4j数据库对所抽取的结果进行存储,在此基础上建立了航空发动机知识图谱系统平台,并初步探索了知识图谱的应用问题。最后以某型发动机“发动机支点轴承工作异常”故障树自动构建为例,探究了知识图谱在辅助航空发动机设计开发方面的应用。