事后维修与定期维修的航空发动机维修方式过于陈旧,存在效率低下、维修费用巨大、无法有效保证飞行安全性与可靠性等诸多弊端,而且这些弊端在实际工程应用中显露得越来越明显。与传统维修方式相比,航空发动机预测与健康管理(EPHM)技术实现了事后被动维修、定期维修向基于智能系统的视情维修转变,使工程技术人员在特定的时间准确定位发动机的潜在故障并展开主动的维修成为了可能,从而提高飞机维修效率、飞行安全性和飞机可靠性,降低维修成本。以Rolls-Royce公司研制的Trent700发动机气路系统为例,本文针对航空发动机预测与健康管理技术的一项核心问题即数据挖掘技术展开了深入研究。首先对该型号发动机气路系统状态参数的相关数据进行信息挖掘。以涡轮燃气温度TGT为例,对反映气路性能的状态参数的基线进行建模,并对模型进行了验证,基线精度达到了要求,为发动机气路状态的监测奠定了基础。之后以监测过程中计算得到的气路参数偏差值为基础,对其中蕴含的性能衰退信息进行挖掘,建立支持向量机(Support Vector Machines,SVM)算法的回归预测模型,对多个气路参数在未来的偏差量进行了单点趋势预测。此外,在此预测模型的基础上进行拓展,尝试融入模糊信息粒化理论,建立基于信息粒化的支持向量机(Granular Support Vector Machines, GrSVM)预测模型,对未来五个时间序列点进行范围性预测。最后通过仿真实验对模型的预测性能进行检验与分析,结果证明基于SVM的单点预测模型与基于GrSVM的范围预测模型的精度达到要求,为EPHM体系的趋势预测研究提供了参考。