飞机作为一种高度集成化的复杂系统,长期运行在恶劣的工作环境中,随时都有可能发生故障。飞机发动机作为飞机的核心,又是飞机的动力来源,如果发动机不可靠,后果不堪设想。为了防止飞机发动机故障导致飞行事故甚至空难,航空公司需要花费巨额的费用用于飞机的维护与维修,面对飞机发动机安全性与飞机发动机维护的经济型两个看似对立的问题,许多航空公司都在寻找更加高效的飞机发动机健康管理与维护决策,使得能够在保证航行安全性和可靠性的前提下,兼顾发动机维护保养的经济性。然而传统的故障预测方法具有建立模型复杂,通用性差等缺点,无法准确的预测飞机发动机的故障。本研究将运用深度学习的方法挖掘飞机发动机状态监测数据与飞机发动机剩余使用寿命（Remaining Useful Life,RUL）之间的关系,预测发动机故障,为发动机的运行与维护提供决策性依据,从而制定合理的飞机发动机的健康管理方案。对于飞机发动机的故障预测通常是基于统计学或物理等方法创建模型,经过分析发动机运行原理和故障产生机理,创建数学模型进行研究分析,创建模型过程不仅复杂困难,而且对于不同类型故障或设备,缺乏通用性,无法实现对多种故障的同时预测。本研究的数据来源于NASA预测数据存储库的涡扇发动机退化模拟数据集,其模拟了不同运行条件和不同故障模式下的发动机状态监测数据,通过对其数据的分析,得知数据具有数据量大,数据维度高的特点。针对其特征点对数据进行了预处理,运用主成分分析（Principal Component Analysis,PCA）的方法对状态监测数据进行了特征提取,去除了无用信息和噪声,提高预测处理的精度。对三种常用分类算法支持向量回归（Support Vector Regression,SVR）、循环神经网络（Recurrent Neural Network,RNN）、长短期记忆网络（Long Short-Term Memory,LSTM）进行了分析,在目前研究现状的基础上,提出了使用主成分分析对发动机状态检测数据进行特征提取,然后运用双向长短期记忆网络（Bi-directional Long-Short Term Memory,BLSTM）挖掘状态监测数据与发动机剩余使用寿命之间关系的方法,获取发动机剩余使用寿命,为发动机维护和健康管理方案的制定提供决策性依据。详细介绍了状态监测数据预处理,PCA-BLSTM模型创建过程,训练流程,超参数选择等问题,对PCA-BLSTM混合模型预测飞机发动机的剩余使用寿命问题分别进行了对比实验。搭建了支持向量回归、长短期记忆网络、双向长短期记忆网络与PCA-BLSTM混合模型进行对比,结果显示PCA-BLSTM模型的性能优于前三种方法。最后,提出一种预测维修策略,以飞机发动机压气机的故障为例,通过分析压气机的故障模式,并对故障进行严重等级划分,分析故障原因与检测方法,运用失效模式与影响分析方法（Failure Mode and Effects Analysis,FMEA）分析结果,提出运用PCA-BLSTM模型预测飞机发动机剩余使用寿命,对飞机发动机健康状态进行等级划分,运用FMEA方法排查故障原因分析故障影响,制定合理的飞机发动机健康管理方案的策略。