航空发动机是在多种极端条件下工作的复杂设备,航空发动机能否正常、稳定地工作会直接影响飞机的飞行安全。针对航空发动机可能或已经出现的异常状况的检测分析是保证航空发动机安全的重要手段。为了保证检修或运行时及时发现航空发动机已经发生或可能发生的异常,需要研究高效、准确的异常检测方法。本文的研究内容包括:航空发动机关键参数值异常检测,航空发动机时序数据异常序列检测和基于退化模式的航空发动机异常状态预警,它们覆盖了航空发动机异常检测的不同方面。本文的主要工作和创新点如下:(1)航空发动机关键参数值异常检测主要研究发动机关键参数的值是否存在异常。针对航空发动机数据维度过高的问题,提出了基于互信息与合作博弈的发动机异常特征选择算法AFSIC,通过计算每个属性和异常的关联度,寻找最佳的特征子集;同时,针对航空发动机数据不平衡的问题,在隔离森林算法的基础上提出了加权隔离森林算法WIForest,对不同的异常特征赋予权重,提高异常值检测算法在高维和数据不平衡下的效果。实验表明,将AFS-IC算法和WIForest算法结合,在航空发动机关键参数异常值检测问题上具有较高的精确度。(2)航空发动机时序数据异常模式检测主要研究发动机时序数据中的异常序列。针对时序数据异常样本过少,提出了一种无监督的发动机参数异常序列检测方法TFDTW-JDD。该算法使用J近邻异常算法解决时序数据中连续的异常数据造成的“双胞胎怪胎”问题,同时采用带局部趋势特征的动态时间规整算法,对J近邻异常算法中时序数据相似度计算的部分进行优化,取得了较高的异常序列检测正确率。(3)基于状态退化的航空发动机状态预警主要研究发动机状态及健康状况的度量方法,通过拟合其状态退化情况,对可能发生的航空发动机异常状态进行预警。针对基于退化轨迹相似性的算法TSBAP中没有考虑退化轨迹趋势的问题,提出了基于多信息融合相似性度量的异常预警算法IF-TSBAP,从相似性度量的角度优化了原始的TSBAP算法。通过实验,证明该算法比原始的TSBAP算法效果更好,且优于基于其他预测模型的算法,拥有较高的准确性。