PHM技术是近年来一门新兴的健康管理技术,其核心研究内容包括健康评估、寿命预测。但是在目前复杂工况下航空发动机健康评估方法中存在特征提取不足,依赖专家经验等问题,并且传统的机器学习方法在寿命预测上表现不足,准确度不高。针对以上问题,本文在现有PHM技术研究基础上,结合深度学习,针对复杂工况下航空发动机健康状态评估和剩余寿命预测展开了相关算法研究,主要研究内容如下:1.研究了一种基于LSTM-AE无监督模型的健康评估方法。针对传统健康建模方法存在的依赖专家经验以及特征提取不充分等问题,本文受自编码器结构启发,提出了一种LSTM-AE的无监督模型。该模型一方面引入LSTM网络,能够有效处理监测数据在时间维度上的变化信息;另一方面基于无监督方式实现数据自学习,减少了人工参与。为了提高模型预警性功能以及平滑度,本文在损失函数中加入平滑正则项。另外针对复杂工况问题,提出基于K-means聚类进行工况识别的方法。在C-MAPSS公开数据集上对所提方法进行验证,结果表明LSTM-AE在相关性、单调性以及综合指标上均高于深度DAE、DBN模型,适合用于航空发动机健康评估。2.研究了一种基于深层LSTM-FNN网络的航空发动机寿命预测方法。为了克服传统寿命预测方法依赖专业物理模型、适用性不高的问题,本文采用LSTM模型来解决健康状态序列时间依赖问题,另一方面,为了弥补LSTM在回归预测上的不足,采用FNN良好的非线性映射能力完成隐含特征到剩余寿命的映射。为了解决分段线性RUL训练标签构建中退化拐点难以确定问题,本文提出差分累加法探测各系统拐点。针对测试集健康曲线归一化问题,本文提出一种基于退化过程的相似性方法为测试集匹配相似的训练集样本,从而借助于相似样本的健康值对测试集最后时刻健康值进行估计,然后执行归一化。最后,在C-MAPSS公开数据集上进行了实验,结果表明本文所提出的深层LSTM-FNN方法在RMSE以及Scoring指标上均优于其他对比算法,在航空发动机寿命预测上具有更高的预测准确度。