发动机是一种广泛应用于工农业生产、社会生活及军用装备中的动力机械,其运行状态的好坏直接影响到整个机械装备的工作性能,因此对发动机故障诊断及预测开展研究具有重要的理论意义和工程应用价值。12150ZL型发动机是一种主要用于重型特种机械及三代装甲战备的大型发动机,具有吨位大、构造复杂、工作动载荷大和升功率高等特点,机体的“三机构四系统”故障频率高发,很难保证在特定工作环境下具有较高的稳定性和可靠性。受动载荷、接触力、间隙和刚度等非线性因素的影响,大型发动机在不同工作条件下实测振动信号呈现非线性、非平稳的混叠信号。本文以12150ZL型发动机为研究对象,对故障信号特征提取、诊断、识别及故障预测开展研究,解决了故障信号提取精确度低、故障诊断准确率不高及故障识别不准确等问题。本文提出了一种基于深度迁移压缩感知的故障信号特征提取方法。首先,研究了深度迁移学习和稀疏自编码网络模型,降低了故障样本多源异构时训练难度大,解决了故障早期训练样本欠缺及网络中各层的特征学习用时较长且稳定性差等问题;其次,研究了基于SL0压缩感知方法对故障信号稀疏度进行感知测量,通过求解一个非线性最优化问题实现对信号的重构,输出精确分类结果。最后,提出DTLNet-SL0特征提取方法,提升了故障样本多源异类时特征提取的效率和准确率。经过对比实验验证,该方法比Entropy-SVM、Wavelet-SVM、BPNet等传统特征提取方法效率、准确率都更高。本文提出了一种基于时序融合网络的故障诊断方法。研究了卷积神经网络模型和双向长短时记忆网络融合的故障诊断方法,提出了一种CNN-Bi LSTM时序网络融合方法,建立特定时间窗内特征互关联性,实现时序特征长短时记忆目标。解决了大型发动机“三机构四系统”发生故障种类多、故障信号数据大且不同时序的故障特征不稳定时故障诊断效果差的问题。实验结果表明,CNN-Bi LSTM方法准确率达98%以上,比融合之前故障诊断效率和准确率都要高,实现较好的故障诊断效果。本文提出了一种基于Alex Net与核优化SVM的故障识别方法。在故障样本数据量较大时,传统故障识别方法存在计算开销大、识别准确率低等问题,提出了基于Re LU的Alex Net神经网络训练方法和HPSO-PDT核的SVM改进方法,构建了适用于大型发动机故障识别的多分类器,将Alex Net网络训练后的特征向量送入HPSO-PDT-SVM进行分类。通过实验对比,基于Alex Net与核优化的故障识别方法比TW-SVM、PSO-SVM及HPSO-PDT-SVM方法准确率都高,故障识别准确率达95%以上,从而验证了Alex Net-SVM的故障识别方法效果较好,提升故障信号识别准确率。本文构建了一种基于SAPSO大数据特征属性选择的故障预测模型。由于传统的发动机故障预测方法存在时效滞后且准确率低问题,造成发动机故障难以预测。首先,分析12150ZL型发动机状态监测与健康评估大数据特征属性,提出了故障信号特征属性模糊约束模型和基于粒子群算法属性选择方法,构建了基于自适应粒子群的大数据属性选择的故障预测模型。通过实验对比,该方法比传统特征属性选择方法准确率平均提高了约16.5%,验证了基于SAPSO大数据属性选择的故障预测模型,实现了大型发动机视情维修和自主式针对性维修。本文提出的上述方法,提高了大型发动机工况多变、信号多源异类等任务上的故障诊断与预测效果,拓展了发动机智能故障诊断方法,提升了发动机故障诊断技术与水平,具有较好的理论研究意义和较高的工程应用价值。