航空发动机一直以来都是飞机安全保障的工作重点,对其进行准确的可靠性研究具有重要意义。系统的可靠性随着安全性理念与高精尖技术等的应用越来越高,因而设备失效数据很难在短时间内获取,这也就导致了基于传统可靠性的方法很难实现故障预测。与此同时,传感器技术、数据采集方法以及数据库等的应用为发动机的健康管理积累了大量状态性能数据,基于此类性能衰退数据对发动机系统与降级故障进行可靠性分析和预测已成为趋势。本文首先对涡扇发动机的降级状态数据进行了预处理,通过数据缩放消除性能参数间的数量级干扰并利用主成分分析方法对数据集进行降维,从而实现发动机降级数据分布的可视化。在此基础上,根据发动机降级过程中的剩余可循环次数信息对数据进行标签化与时序化处理,构建了时序长短期记忆深度学习模型来预测发动机的故障等级。然后将其与另外三种典型的分类预测算法进行对比验证了时序长短期记忆模型在处理发动机故障等级预测方面的突出能力。针对故障等级预测结果为严重故障的发动机样本,通过估计其剩余寿命来确定最大的维修时限。在分析发动机故障降级的衰退模式后,将每个序号发动机训练样本对应的数据拟合成指数退化模型,从而构建出发动机故障降级的退化模型库。基于相似性原理将严重故障样本匹配到衰退模型库中的模型,从而计算出待测发动机样本的剩余寿命。结合降级数据性能参数变化的原理分析锁定故障单元体,应用失效模式与影响分析方法整理并总结出故障原因、失效影响以及维修决策,故障修复后便可重新对该发动机进行故障预测与健康管理。