变循环发动机作为未来先进民用及军用飞机的核心部件,其稳定可靠地运行是飞机飞行安全的重要保证。然而由于工作环境十分苛刻,变循环发动机难免会发生各种故障,而气路部件故障是变循环发动机的主要故障类型,因此对变循环发动机气路部件进行故障诊断,并及时地对故障部件进行维修或更换,具有重要的现实意义。相比传统的基于模型的故障诊断方法,基于数据驱动的方法直接利用发动机运行时采集的数据来进行故障诊断,避免了变循环发动机由于结构复杂而难以建立其精确数学模型的问题。常用于发动机故障诊断的BP神经网络、支持向量机等传统数据驱动算法依赖于人工提取的特征,还存在着过拟合、参数选择等问题,造成了故障诊断的效果并不是非常理想。而近几年来迅速发展起来的深度学习算法凭借着其强大的自动特征提取能力,有效避免了繁琐的人工提取特征的过程,在各个领域都取得了广泛的应用和巨大的突破。结合变循环发动机气路故障的特点,本文主要研究基于深度学习的变循环发动机气路故障诊断。本文首先利用气路敏感性分析方法选择了合适的气路测量参数,然后对采集到的发动机故障数据进行野点剔除、平滑、归一化等预处理操作。接着分别利用浅层神经网络、卷积神经网络(CNN)和双向长短时记忆网络(BiLSTM)对变循环发动机进行气路故障诊断。在比较了CNN和BiLSTM的特点之后,本文提出了CNN-BiLSTM网络,该网络结合了CNN和BiLSTM网络的优点,同时拥有CNN网络的局部特征提取能力以及BiLSTM网络的时间特征提取的能力。实验结果表明,CNN-BiLSTM网络对于发动机气路故障具有良好的诊断能力。在此基础之上,为了提高故障诊断系统的实时性,本文对CNN-BiLSTM网络进行了优化,分别使用KPCA方法对数据进行降维处理,以及利用自适应动量法(Adam)对网络进行学习。实验证明,该策略在保证了故障准确率的基础上,大大提升了网络的学习及测试速度,具有一定的实用价值,可以将其应用到变循环发动机气路故障诊断系统之中。