航空发动机作为一种高精度的复杂机械热力系统,常常工作于高温、高压、高振等恶劣的条件下,而长期工作于此类环境下极易造成零部件的寿命的缩减或损毁,进而导致航空事故的发生。因此,开展航空发动机的健康状态监测与管理的相关研究,对我国航空事业发展的经济性、稳定性与安全性具有重大意义。本文依托于与中航工业沈阳发动机设计研究所合作研究的“航空发动机数据综合管理、性能评估与故障诊断软件系统”项目,针对传统专家系统的特点,设计并实现了结合相关数据驱动算法的航空发动机故障诊断专家系统,文中对项目实施过程中所面对的航空发动机数据预处理、专家知识库知识储备、飞参参数预测与软件平台实现等细节问题展开了研究:针对航空发动机飞参数据中存在异常数据与噪声的问题,采用了启发式临界阈值的Garrote小波阈值去噪的数据预处理方法。首先对航空发动机数据的特点进行分析,根据预处理的需求,在小波阈值去噪原理的基础上,针对小波基选择、小波阈值函数选择、小波临界阈值选择等问题进行详细的阐述,最后通过对比仿真实验验证其有效性。针对传统专家系统知识库知识获取困难的问题,采用了一种基于粗糙集理论的知识半自动获取方式。通过分析航空发动机知识特点及知识表示形式,讨论了适合本系统的知识库架构;其后描述了利用粗糙集原理从故障数据提取知识并进行约简的过程,最后结合软件实现过程,阐述了知识半自动提取的流程。针对航空发动机预防性维护中气路参数预测问题,本文采用了基于LSTM神经网络的方法,并利用Tensor Flow框架进行了预测模型网络的搭建与仿真验证,结果证明,LSTM神经网络可以较好的预测航空发动机飞参参数,为预防性故障诊断奠定良好的基础。最后,结合上述理论与项目需求,进行了相关软件与数据库架构的设计。文中对选用的主要技术做出了详细的描述,并将其与其他主流技术对比以说明其优越性;最后,在Visual Studio 2015开发平台上,采用C++语言完成了航空发动机故障诊断专家系统的搭建。文中展示了软件系统的实现过程、结果及测试成果。