内外双转子是现代先进航空发动机的关键零部件,不对中是影响内外双转子系统正常工作的主要因素且不对中故障是无法避免的,对不对中状态进行准确识别是保障航空发动机双转子系统安全稳定运行的重要途径。现阶段双转子系统不对中故障诊断研究工作主要内容为双转子系统中有无不对中故障的识别、不对中程度的识别。然后,研究工作很少对双转子系统不对中的类别(位置)及不对中的程度,即不对中的状态进行识别,这是因为目前的传统“浅层方法”难以准确识别不对中状态。为了达到双转子系统不对中故障诊断过程中,既有效又准确的对不对中故障进行识别为目的,本文结合可以深度挖掘数据本质特征,能有效识别高维非线性、非平稳信号的深度置信网络(Deep Belief Network,DBN)主要从以下四个方面开展研究工作:1.针对双转子不对中状态振动信号,对DBN的特征提取及分类识别能力进行研究。本文通过对不同迭代次数下、不同隐含层节点数下、不同学习率及动量项下的受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)的特征提取性能研究来反应深度置信网络的特征提取能力。试验结果表明了RBM的迭代次数、隐含层节点数、学习率及动量项等参数对深度置信网络的振动信号特征提取的影响,并得到了各参数的合理选取范围。同时通过对不同网络深度下DBN的分类结果来反应DBN的分类识别能力。试验结果表明了不同网络深度下DBN的振动信号分类识别能力,并得出了分类识别能力最优的网络深度。2.针对DBN结构参数优化的问题,利用果蝇优化算法(Fruit Fly Optimization Algorithm,FOA)对DBN的结构参数进行优化选取,实现DBN网络模型更加精确的故障识别。针对经典FOA中搜索步长固定、容易陷入局部最优解、算法应用受限等问题,提出了一种新的改进FOA算法。试验结果表明,该算法可快速准确的获取最优参数,适用于DBN网络结构参数的优化选取。3.针对不对中信号DBN输入向量构造问题,利用故障特征提取能力较优的变分模态分解(Variational Mode Decomposition,VMD)作为构造DBN输入向量的方法,提出了一种基于VMD-改进FOA优化DBN的故障状态识别方法。并用单传感器的试验数据进行验证结果表明,该方法相对于其他方法更适用于不对中状态的识别。4.针对航空发动机振动信号采集的实际应用中单一传感器采集振动数据必然存在局限性的问题,本文在VMD-改进FOA优化DBN单传感器的故障状态识别方法的基础上,利用D-S证据理论对多个传感器的识别结果进行决策融合故障识别,并针对D-S证据理论中证据冲突的问题,提出了一种基于互信息测度改进的D-S证据理论。最终提出了基于VMD-改进FOA优化DBN与改进D-S证据理论的多传感器故障状态识别方法。试验结果表明,本文提出的基于VMD-改进FOA优化DBN与改进D-S证据理论的多传感器故障状态识别方法提高了不对中故障状态的识别率,增强了诊断方法的容错能力。