中介轴承作为航空发动机的关键部件之一,其运行状态与发动机整体的性能密切相关。受发动机双转子系统复杂多变的工况的影响,中介轴承振动故障频发,因此研究航空发动机中介轴承的故障状态并进行诊断具有重要的意义。本文以中介轴承振动信号为研究对象,采用深度神经网络作为诊断方法,针对自动编码器网络分析中介轴承原始信号能力不足的问题,提出核自动编码器作为改进方法。论文研究内容概括如下:(1)论述课题的研究背景与选题意义,介绍滚动轴承与航空发动机中介轴承故障诊断方法的研究进展,并且对深度学习方法在滚动轴承领域的应用情况进行分析。介绍了三种典型的深度学习基本模型,并对堆叠自动编码器进行了深入的研究,探讨模型预训练与微调的网络结构。采用频域特征作为输入,应用堆叠自动编码器对中介轴承典型故障进行诊断,结果显示相较于传统浅层模型,深度神经网络可以得到更好的诊断结果。(2)针对堆叠自动编码器模型处理含噪声较多的原始信号能力的不足,结合核函数方法提出核自动编码器,并构建堆叠核自动编码器网络,分别以原始信号、频域特征、混合域特征作为输入验证模型的有效性。针对所提出核自动编码器泛化性差与参数选择困难的问题,提出了添加L2惩罚项的堆叠核去噪自动编码器模型,并采用基于混沌改进的萤火虫算法对待定参数进行寻优,通过中介轴承故障试验数据验证,所提方法相较于标准深度神经网络可以从原始数据中提取得到更好的特征,并且诊断准确率更高。(3)针对振动原始信号中大量的非线性成分,结合小波核函数与稀疏自动编码器提出一种无监督特征提取模型,并采用核极限学习机对故障进行诊断。首先构建堆叠Morlet小波核稀疏自动编码器,从原始振动信号中无监督的提取反应轴承运行状态的特征参数;其次采用局部保持投影方法对提取得到的特征进行第二次融合,可以缩减特征中的冗余成分;最后采用核极限学习机对特征进行识别诊断。采用中介轴承典型故障数据进行验证,本方法可以得到很好的效果。(4)以前文研究作为基础,结合LabVIEW与MATLAB软件实现算法的编程应用,通过开发航空中介轴承故障监测与故障诊断系统,将深度学习方法应用于中介轴承实时诊断的实践。本系统不仅可以对中介轴承实时运行状态进行监测显示、对数据进行保存及离线分析,并且可以采用深度学习模型对故障进行及时的诊断。