近十年来,国内航运需求激增、各个航空公司竞争激烈,安全、经济地保障民航发动机的运行成为重要课题。在民航发动机维护过程中,水洗等日常维护操作根据发动机气路性能下降的阈值确定维护时间。如果日常维护过于频繁,会提高发动机的维护成本;如果日常维护周期较长,发动机可能存在安全隐患。为了实现高效经济的日常维护,需要对发动机的性能进行精准的短期预测。在发动机的长期运行中,准确的维修计划和备发计划是经济性和安全运行的保障,要有准确的发动机气路性能趋势支持,发动机性能长期预测技术必须保障其趋势的稳定性和鲁棒性。在发动机维修决策的制定过程中,准确的故障定位是核心问题。由于信号的多源性和时序性,故障诊断技术也是发动机维修方案决策中的关键技术。上述研究为单机提供了维修时间和维修方案的决策支持,但由于航空公司机队规模较大,机队整体的维修决策不仅要保证单台发动机的性能恢复,还要在机队层面考虑维修和运营的经济性,因此需要建立多层面优化模型,为航空公司提供全面维修决策支持。此外,由于发动机的购买成本和保持成本较高,为了保障飞机任务并提高运营的经济性,各个航空公司基地存在密切的租用备发合作关系,具有抗冲击性的合作网络模型也会随着基地数目扩大以及调配频率增高越来越具迫切性。针对上述问题,本论文拟开展如下的研究工作。为了保证民航发动机性能短期预测中预测精度以及效率,需要建立抗噪性强、模型准确度和效率高的短期预测模型。由于极端学习机模型效率高,随机森林模型泛化性能好、抗噪性好,拟采用极端学习机和随机森林集成的方法建立发动机气路性能短期预测模型。考虑马赫数、飞行高度等工况会影响发动机气路性能参数值,拟采用工况分离的方法分析多工况下发动机气路性能预测的处理方案,提高性能短期预测模型的准确率。为获得民航发动机服役中性能长期变化主要趋势,重点解决现有回归预测模型对于训练样本的过拟合和欠拟合问题,通过建立预测模型对训练样本的拟合灵敏度模型来控制回归模型对原始样本的拟合程度,使预测模型对偏离样本群较远的样本灵敏度小,对样本群核心的样本灵敏度高,调整预测模型的拟合精度,使预测模型能够拟合出性能变化的主要趋势。由于民航发动机气路性能数据噪声大、原始监测数据非线性关系强,可分性差,为提高故障诊断的准确性,就要去除样本中的噪声,提取出样本中能够表征故障和正常样本本质的特征信息。此外,发动机故障本质是小概率事件,小样本模式识别也是必须要解决的问题。本文拟改进栈式自编码网络,利用栈式自编码网络的去噪功能,增加层间去除噪声样本模块,在提取特征的同时实现去噪;为扩充故障样本数量,利用遗传算法进化生成新样本的功能,对故障特征集合进行扩充,在较为完备的特征空间中,通过模式识别方法提高故障诊断的准确率。为解决机队维修决策问题,本文以机队可用度为上层优化目标,以单机维修成本为下层优化目标,将发动机可靠度作为主要约束,建立两层机队维修决策优化模型。在此类大规模优化问题中,变量数量与模型解空间的规模呈指数级关系,因此当发动机数量增加时,模型求解效率是一个重要指标。另外,由于此类模型的解空间是不连通的,要想获得最优解,必须获得所有非劣解空间。受到酵母菌繁殖时快速填满营养液区域的启发,本文拟研究基于酵母菌繁殖搜索的机队维修决策模型求解方法。通过解的迁移和多维繁殖两种搜索方式,遍历所有的非连通解空间并提高解的扩展效率,对上述模型的高效求解提供支持。如上所述,为提高运营经济性,需建立高效且抗冲击性的发动机基地合作网络,其中的难点问题是保证备发的调配活动不会引起其他发动机基地缺发的连锁反应。本文拟以无标度网络为基础建立基地合作网络,考虑基地的备发量、连通度和基地之间的发动机转运时间,建立基地节点间连接概率函数,获得具有异质结构的基地合作网络。同时,根据各基地节点的实时备发量,基于Q learning强化学习算法优化备发搜索路径,找到能够快速调配的发动机,保障整个网络内的发动机运力。这些关键技术涉及民航发动机的基本物理知识和基于深度学习的预测、模式识别和优化方法,具有较大的理论意义。同时,这些技术在民航发动机智能运维的应用上,能够提高民航发动机气路性能短期预测和长期预测的准确率、提高民航发动机气路性能故障诊断的准确率、提高机队维修决策模型的效率,并且能够提高备发管理的效率,具有较大的应用意义。