航空发动机工作环境严酷,容易发生故障导致严重的灾难性事故发生,因此对航空发动机进行寿命预测研究提高其可靠性和安全性具有重要的意义。航空发动机的寿命预测研究主要是针对航空发动机零部件或者设备整体的剩余使用寿命(RUL)预测研究。本文基于信息融合理论对航空发动机设备整体的剩余使用寿命进行预测研究,主要工作如下:首先,基于数据层的信息融合思想计算航空发动机健康指数。主要按传感器数据的选择、数据预处理、建立健康评估模型三个步骤展开。通过观察分析所有传感器数据在时间序列上的变化趋势来进行传感器的选择,数据预处理包括数据去燥与数据归一化处理,健康评估模型中采用核主元分析(KPCA)方法对预处理后的传感器数据进行数据层融合。得到能够反映发动机整体性能退化的健康指数(HI)值,趋势图反映出HI值比单一传感器数据更能体现设备的性能退化趋势,也更好地反映航空发动机的健康状态。其次,选择基于数据驱动的三种预测模型对航空发动机RUL进行预测,并进行性能比较分析。首先,在轨迹相似性(TSBP)预测模型中选择欧式距离作为测度函数,在隐半马尔可夫(HSMM)预测模型中解决了评估问题、解码问题和训练问题,将数据融合得到的HI值应用于这两种预测模型中。在支持向量回归机(SVR)预测模型中采用量子粒子群(QPSO)来优化SVR模型参数。然后,分别基于三种单一预测模型进行了航空发动机RUL预测。最后,对三种预测结果进行了对比分析,得出在航空发动机RUL较少(设备退化接近失效)时,QPSO-SVR算法和HSMM算法预测性能较好,在航空发动机RUL较多(设备性能状态正常或退化刚开始发生)时,相似性算法预测性能较好。最后,为了提高RUL预测结果的鲁棒性和精度,对以上三种预测模型的预测结果进行决策信息融合。主要采用基于精度加权、基于多样性加权和信息熵三种方法来进行决策层融合,并对三种决策融合结果进行比较,得出基于精度加权融合综合评分最好。将采取了决策层融合的预测结果,与TSBP、HSMM和QPSO-SVR三种预测结果进行比较,得出无论在航空发动机RUL较少(设备退化接近失效)阶段,还是航空发动机RUL较多(设备性能状态正常或退化刚开始发生)阶段,采取决策层融合后的预测结果均优于单一预测模型结果。