航空公司需保证航空发动机运行的安全性与可靠性,且保证发动机维修的经济效益,航空发动机的性能评价与衰退预测可为上述决策提供技术支持。由于难以建立精确的物理模型,因此基于发动机监控数据的智能学习技术成为发动机性能评价与衰退预测的有效方法。发动机复杂的运行工况与性能衰退过程对性能评价与衰退预测模型提出了挑战,而模型的正确性直接决定了维修决策的准确性与经济性。目前,多工况多参数的性能评价是难点之一,对于衰退预测,发动机性能衰退中复杂的特性给预测模型带来了较大困难,因此,研究航空发动机的性能评价与衰退预测方法具有重要意义。本文采用数据驱动的方法,针对航空发动机性能评价与衰退预测中的若干问题进行了研究,包括性能衰退状态评价、性能衰退状态短期预测、性能参数短期预测、发动机剩余寿命预测、以及预测模型的不确定性评估。研究航空发动机的性能衰退状态评价。针对航空发动机监控参数众多,关系复杂的特点,提出了航空发动机监控数据的树形表示方法,将众多监控参数按功用与隶属关系进行组织。为合理衡量监控数据的差异程度,定义了监控数据树的距离,并通过证明,给出了其成为广义距离的充分条件。使用该距离实现了基于模糊聚类的航空发动机性能衰退状态评价方法,该方法与局部模型方法结合后可用于多工况下的发动机性能衰退状态评价。研究航空发动机性能衰退状态短期预测。针对传统预测模型中未考虑发动机性能衰退的时间累积效应,以及未考虑性能衰退趋势等问题,通过改进Takagi-Sugeno模糊规则模型,建立了过程模糊规则(PFR)模型。模型的输入与输出均为连续函数,分别考虑了发动机历史性能衰退的时间累积效应与未来变化趋势。推导了PFR模型训练的解析解,进而给出其快速参数辨识算法。PFR模型的训练无需迭代,提高了模型的效率与稳定性。以发动机的历史性能衰退序列为样本训练PFR模型,进而预测发动机未来的性能衰退状态,结果显示PFR模型在发动机性能衰退状态预测中准确、稳定且运行高效。研究航空发动机性能参数的短期预测。针对航空发动机性能参数测量值受工况影响的问题,采用双储备池回声状态网络(DRESN)模型预测发动机的性能参数,将历史性能参数变化以及工况参数结合后预测未来的性能参数值,有效的考虑了工况参数的影响。推导了DRESN模型参数的解析解,并应用其进行模型求解,提出了DRESN模型的快速训练算法,提高了性能参数预测的精度与效率。研究航空发动机的剩余寿命预测。为了提高发动机剩余寿命预测的精度,运用基于实例推理方法,根据其流程,将集成学习模型与基于相似度的预测方法结合,提出了近邻增强与双层随机森林模型。首先提出了近邻增强方法,基于相似度寻找与当前发动机相似的性能衰退模式,进而调整训练样本,使其侧重于相似的衰退模式,然后提出了双层模型,以提高随机森林模型的预测精度,最后将二者结合后预测发动机的剩余寿命。研究航空发动机预测模型的预测区间估计。针对上述点预测模型结果存在不确定性的问题,采用了基于残差聚类的预测区间估计方法。基于点预测模型预测结果的残差,使用极端学习机分别构建预测区间上限与下限的估计模型,进而得到点预测模型的预测区间。本文的研究对于丰富航空发动机的性能评价与衰退预测方法体系有理论意义,对航空公司提高运行可靠性有实用价值。同时,本文的方法对其它复杂装备的性能评价与衰退预测问题也有一定的适用性。