民航发动机是民用航空器的主要动力来源和引气装置,是安全性要求较高、部件组成及其相互影响较为复杂的动力机械。目前多数民航发动机仍然采用以单机为中心的维修思想,尚缺乏从全寿命、全机队角度对发动机维修策略进行主动优化的方法,这直接影响民航发动机维修决策的科学性和机队管理的精细化程度。然而,当民航发动机维修优化方法从以单机、单次为中心的维修思想扩展到以机队为中心且面向全寿命的维修策略优化时,其问题的规模和复杂度将会急剧增加。针对这一问题和需求,本文的研究目标是探索面向全寿命的民航发动机机队维修决策优化方法,并分别对民航发动机单机单次维修优化、单机全寿命维修策略优化和机队维修策略优化三个层面的关键技术展开研究。首先对民航发动机气路性能预测及故障诊断方法进行研究,这是民航发动机单机单次维修优化的基础支持技术。针对民航发动机气路性能预测中需要同时处理参数时序信息和工况影响的特点,提出基于长短期记忆(Long Short Term Memory,LSTM)深度学习网络的民航发动机气路性能预测模型。针对民航发动机故障样本较少且故障发动机之间存在个体差异的特点,提出基于故障征候状态性能偏差的民航发动机故障诊断方法。实例研究表明,基于LSTM深度学习网络的民航发动机气路性能预测模型能够提高气路性能参数预测精度;基于故障征候状态性能偏差的民航发动机故障诊断方法能够在小样本条件下实现发动机故障诊断。民航发动机修后性能预测方法是进行发动机维修工作范围优化的基础支持技术。针对民航发动机修后性能预测问题特点,提出一种简化结构辨识的混合参数Takagi-Sugeno(Simplified Structure Identification and Mixed Variables Takagi-Sugeno,SMTS)方法,并基于SMTS方法建立了民航发动机修后性能预测模型。基于SMTS方法的预测模型能够同时利用民航发动机送修前性能时间序列参数及各单元体维修深度离散参数,在小样本条件下实现修后性能时间序列参数预测。民航发动机实际运维数据验证表明,基于SMTS方法的预测模型能够较好地满足民航发动机修后性能时间序列参数的预测要求。民航发动机是典型复杂机电设备,在其较长的使用寿命周期内需要进行多次维修。由于民航发动机的多次维修之间相互关联和影响,需要在单次维修优化基础上进行民航发动机的全寿命维修策略优化。同时,民航发动机在实际运维中多采用混合维修策略以保证其安全运行。为此,提出基于强化学习的民航发动机单机全寿命维修策略优化方法,该优化方法利用多维状态空间表征发动机的状态,根据机队运维策略和统计数据计算发动机状态转移矩阵,并以维修成本最低为优化目标,在强化学习框架下应用Gauss-Seidel迭代方法实现民航发动机混合维修策略的全寿命协同优化。相比于单机维修优化,民航发动机机队维修优化还需要考虑机队资源和机队中各台发动机维修策略的协同优化。为此,针对民航发动机机队备发需求预测问题以及有限规模机队的备发需求为间断型的特点,提出基于深度Croston方法的民航发动机机队备发需求预测模型。该需求预测模型在Croston方法框架下利用LSTM深度学习网络实现间断型备发需求的准确预测。为了对间断型备发需求预测精度进行综合评价,结合民航发动机机队实际运维特点提出间断型备发需求预测评价方法。经过民航发动机机队实际备发需求数据验证,表明基于深度Croston方法的机队备发需求预测模型的预测精度好于传统方法。为实现机队资源的合理配置,降低机队综合运维成本,需要在单机维修优化基础上进行面向机队的民航发动机维修策略优化。针对传统策略优化方法难以适应民航发动机机队维修策略优化中状态空间维度较高、动作集合复杂和约束较多等特点,提出基于多Agent卷积深度强化学习的机队维修策略优化方法。该方法采用多Agent强化学习结构,且每个Agent基于独立的卷积深度学习网络感知机队整体状态并结合约束条件决策所对应发动机的维修动作。通过对比仿真分析验证,表明基于多Agent卷积深度强化学习的机队维修策略优化方法能够实现复杂状态下的民航发动机机队维修策略优化,且优化效果明显好于传统方法。本文的研究对于丰富民航发动机维修决策优化技术体系和提高民航发动机机队管理的精细化水平具有一定的理论意义和实际应用价值。形成的相关维修决策优化方法对于其他复杂装备的维修决策优化也具有较好的参考价值。