叶盘（叶片-轮盘）结构（BladedDisk）是航空发动机中最为关键的部件之一。长期处于振动的工作环境中，会导致夜叶盘结构发生高周疲劳（High Cycle Fatigue）。同时，由于加工误差、材料分散性、使用磨损等各种因素，工程叶盘各个扇区的叶片存在微小的差异，称为“失谐”。失谐改变了结构的周期对称性，会导致振动局部化现象，通常表现为局部少量叶片的振动幅度加剧，导致其叶片发生提前破坏。因此，对失谐叶盘的振动特性分析显得非常重要。
　　本文系统研究了如何通过代理模型来预测失谐叶盘的受迫响应和幅值放大比，包括了训练集规模、不同抽样方法和代理模型的种类对应的预测精度，并研究了在不同激励阶次、失谐量和阻尼比条件下，代理模型的预测精度。通过对一个包含24扇区叶盘的集中参数模型施加比例失谐（用刚度的微小变化模拟失谐），进行蒙特卡洛仿真（Monte Carlo Simulation，MCS），得到以下结论：
　　①就样本规模而言，训练集样本规模为1000时预测精度最高，更多的训练样本可能导致“过拟合”；
　　②就抽样方法而言，低差异序列（Sobol序列）建立的代理模型预测精度较高，简单随机抽样和拉丁超立方（LHS）样本没有显著区别；
　　③就代理模型而言，高斯过程回归（GPR）模型的预测精度最高，二阶多项式混沌展开（PCE）模型其次，二阶多项式回归（PR）模型精度最低；
　　④改变激励阶次、失谐量大小和系统阻尼比等振动参数时，GPR模型能够较为准确地预测幅值放大比的均值和中位数（50%分位数），而标准差和99%分位数的预测结果比真实值偏小。其中99%分数的预测值比真实值偏小的幅度都约为5%~6%，可以作为预测值的修正。
　　最后，针对小阻尼情况下代理模型预测精度降低的问题，本文提出了一种基于截断固有特性和优化方法的失谐叶盘振动特性分析方法（ATO算法），将叶盘的振幅分解成两个不相关矩阵的积。通过数值实验验证了其可行性，但是也发现了关键问题在于求解矩阵对于目标变量的灵敏度过高，导致得到的结果出现振荡的特性。