航空发动机作为航空飞机的动力核心就如同心脏作为人体的核心一样,其稳定运行是航空飞机的首要保证。然而航空发动机在运行的过程中不可避免地会遇到多种多样的故障,例如航空发动机的零件表面经常会出现有氧腐蚀、侵蚀、叶片碰撞、外来物撞击等情况。与之相似的这些故障都会使得航空发动机的某些部件出现一定程度的结构损坏,进而导致航空发动机的工作性能跟着发生变化,使得航空飞机运行失常,因而为了保证航空飞机的正常运行,对航空发动机故障进行研究和诊断是十分必要的。传统的基于建立航空发动机模型进行诊断的方法,由于发动机的复杂程度极高,建模精度很难得到保证,导致其难以实现高精度的故障诊断;而传统的数据驱动机器学习方法在处理实测数据时很难排除实测数据中的噪声干扰,也往往导致故障诊断精度不高;而深度学习作为时下影响着各行各业的算法,拥有能挖掘数据中的抽象特征的优势,其中的堆叠去噪自编码器(SDA)算法,又能较好的排除实测数据中的噪声干扰挖掘故障信号的本质特征,因而显现出了优良的诊断效果。往往实测数据都是通过传感器采集而来,因此其测量结果的准确与否对航空发动机故障诊断起着决定性作用。本文经过对传感器自身出现的故障进行研究分析,借助MATLAB仿真其常见故障发生时的输出信号,借助了堆叠去噪自编码器算法完成了传感器的故障诊断,并进一步结合PCA主元分析法改进了堆叠去噪自编码器形成PCASDA进行了故障诊断,取得了更好的效果。因此,PCA-SDA算法能很好地应用于航空发动机传感器故障诊断中。本文于航空发动机故障诊断这一部分主要利用某型类似美国普拉特·惠特尼公司研制的F100型涡扇发动机的发动机实测数据对故障诊断算法进行了探究,对比了传统神经网络算法和深度学习中的堆叠去噪自编码器算法的故障诊断性能优劣,并在堆叠去噪自编码器算法的基础上进行了改进,构成了Adam-SDA算法并对该算法进行了详尽的验证。通过实验的最终证明,改进后的Adam-SDA算法完全有能力应用于发动机的实际故障诊断工作中。