航空发动机转子叶片是航空发动机的关键零部件之一,对发动机的可靠性和安全性具有重要影响。工程上通常会在叶片表面施加一定的残余压应力场,以提高叶片的稳定性和使用寿命。本文以某型压气机转子叶片为研究对象,针对航空发动机叶片剩余寿命预测问题开展研究,分析了当前航空发动机叶片寿命预测方法的现状和存在不足,提出了一种基于残余应力的叶片剩余寿命预测方法,在叶片产生宏观或微观可检测裂纹之前,通过检测叶片表面材料微观晶格结构变化,获取叶片残余应力变化情况,并以残余应力作为特征参数构建叶片剩余寿命预测算法模型,对叶片剩余寿命进行预测。主要工作包括:首先,研究确定了叶片剩余寿命预测模型的特征参数。本文以叶片表面特定检测点处残余应力值作为叶片寿命预测模型的特征参数,残余应力检测点的选取将直接影响算法的预测效果。在确定残余应力检测点时,本文运用了统计分析的方法对127个该型叶片故障案例的故障部位进行了统计分析。同时,利用SolidWorks软件对该型叶片进行了三维建模,并运用基于有限元分析技术的ANSYS软件对叶片进行了静力学分析和模态分析,研究确定了叶片承受载荷的分布规律。对比发现,模拟仿真结果中叶片载荷分布集中区域和叶片常见损伤部位具有较好的一致性。在此基础上,在叶片表面确定了7个残余应力检测点,并以检测点的残余应力值作为叶片寿命预测模型的特征参数。然后,运用X射线衍射法对检测点的残余应力值进行了跟踪测量,建立了特征参数数据库。研究了X射线衍射残余应力测试方法,并运用X射线衍射法对144个样本叶片工作0h、300h、600h、900h时残余应力检测点的残余应力值进行了跟踪测量,共测量3444个检测点,获取了492组特征参数向量。测量结果表明:新叶片表层均匀分布着一定大小的残余压应力;叶片表层残余应力值会随叶片工作时间逐渐衰减;叶片易损部位和载荷集中部位残余应力衰减的更为迅速;存在微观损伤叶片的损伤部位表层残余应力发生了显著衰减。最后,构建了两种叶片剩余寿命预测模型。在叶片剩余寿命算法目标模型和训练样本特点分析的基础上,利用BP神经网络和支持向量机两种机器学习算法构建了叶片剩余寿命预测模型。在构建BP神经网络模型时,根据预测算法对泛化性能的需求,构建了贝叶斯正则化BP神经网络剩余寿命预测模型,研究确定了最优网络规模和网络关键参数,并对该模型预测性能进行了分析;在构建支持向量回归机剩余寿命预测模型时,运用LIBSVM软件包,分别构建了?-SVR和v-SVR两种算法模型,对两种模型的自由参数进行了寻优,并对最优参数下两种模型预测性能进行了比较分析,选取了性能优越的v-SVR方法构建了支持向量回归机剩余寿命预测模型。运用MATLAB对两种算法模型进行了仿真,并对两种模型进行了比较分析,结果表明:两种模型能够较准确地预测叶片的剩余寿命,样本数量较少时支持向量机模型性能更好,样本数据足够多时贝叶斯正则化BP神经网络模型性能更好。