航空发动机故障诊断技术,是实现发动机视情维护,降低使用成本,提高设备可靠性,保证飞行安全,战斗任务完成的重要前提,是飞行推进系统健康管理技术的核心组成部分。本文重点研究了基于模型和卡尔曼滤波器的航空发动机气路部件与传感器系统的故障诊断方法,主要内容如下:首先针对发动机线性模型建模的问题,在小扰动与拟合法的基础上,提出了优化拟合建模方法,利用MATLAB工具箱函数进行线性模型矩阵元素的求解,大大提高了线性模型的精度与建模效率。在线性模型中定义了能够表示发动机部件蜕化程度的健康参数,保证了模型对于发动机非额定工作状态的仿真,使用卡尔曼滤波器根据可测输出的偏离量估计不可测量的发动机部件健康参数,建立了能够准确跟踪额定与非额定工作状态下发动机输出的机载自适应线性模型。研究了基于线性模型的发动机气路部件故障诊断算法。通过调整发动机非线性模型部件特性,实现了对于气路部件故障的模拟。提出了针对突变型故障诊断的假设条件,解决了采用线性卡尔曼滤波器进行部件突变故障诊断的问题。针对传感器测量野值干扰影响部件故障诊断结果的准确性,导致误诊的问题,通过对卡尔曼滤波器新息序列特性的分析,判定传感器测量数据中是否存在野值,并重新构造参数估计来消除野值的影响,提高滤波器对于传感器测量野值的鲁棒性与故障诊断结果的精度。在发动机线性模型的基础上,设计了基于一组卡尔曼滤波器的发动机传感器故障诊断系统,设计实现了单一或者双重传感器故障检测、隔离与重构,故障诊断仿真验证了所设计传感器故障诊断系统的有效性。在实现传感器故障诊断系统的基础上,提出了一种发动机传感器、部件故障诊断系统,重点研究讨论了传感器与气路部件故障的检测、区分与隔离算法。仿真结果证明,在传感器或者气路部件两者之一发生故障的情况下,该系统能够正确实现故障检测和诊断,但当两者同时发生故障时,系统能够判断故障存在,但无法给出确切的故障隔离、诊断结论。研究了基于非线性模型和UKF卡尔曼滤波器的发动机故障诊断算法。非线性卡尔曼滤波器UKF直接应用于发动机非线性模型,避免了由于线性模型建模过程中近似算法引入的建模误差影响故障诊断结果的问题。设计了发动机部件健康参数估计UKF算法并进行了典型故障诊断的仿真,均达到了较高的诊断精度,尤其是发动机动态情况下的故障诊断,UKF与线性KF相比具有明显的优势。研究卡尔曼滤波器系统噪声、测量噪声矩阵的选取方法,提高了算法的收敛速度与精度,确定了适合实现发动机在线故障诊断的噪声矩阵选取方案。针对第四章中尚未解决的传感器与气路部件同时发生故障情况下的诊断问题,提出了基于δ-c概率密度函数的鲁棒UKF算法以及基于双重卡尔曼滤波器的部件和传感器健康参数同步估计两种解决方案,并进行数值仿真验证了两种方案的有效性。研究了基于改进非线性UKF与非稳态测量数据的发动机故障诊断技术。从提高滤波器计算精度、稳定性,降低计算量等方面改进原UKF算法,提出了一种超球体采样平方根UKF滤波算法。研究了基于动态测量数据的发动机性能监控与故障诊断系统,采用超球体采样平方根UKF算法实现了多个部件渐变与突变故障的诊断。仿真结果证明超球体采样平方根UKF算法精度高,稳定性好,且计算量大大降低,适用于航空发动机的在线实时故障诊断。融合神经网络、卡尔曼滤波技术两种算法的优势,提出了一种航空发动机算法融合故障诊断系统。采用自联想神经网络建立了发动机传感器数据验证模块;概率神经网络对发动机工作模式进行分类,实现定性气路部件故障诊断。根据概率神经网络的诊断结论,由卡尔曼滤波器对发生故障的部件健康参数进行估计,实现对故障程度的准确评价。与单一故障诊断系统相比,算法融合故障诊断系统能够完成发动机传感器和气路部件故障的系统性诊断,进一步解决了传感器与部件故障互相干扰、诊断困难,传感器数量较少影响部件故障诊断结果的精度以及较多的待估计参数导致计算量大的问题,在避免误诊漏诊,提高诊断精度与效率方面有着突出的优势。