航空发动机故障诊断技术是保障飞行安全,降低维护费用的重要手段。本文以某型涡扇发动机模型为研究对象,围绕信息融合技术开展了航空发动机气路故障融合诊断方法研究,包括基于融合滤波方法的气路健康参数估计、气路部件故障融合诊断与定位、气路部件故障与传感器故障融合诊断。论文的主要工作和贡献如下:在发动机部件级模型的基础上建立了发动机状态变量模型,设计线性卡尔曼滤波器对发动机气路部件健康参数进行在线估计;针对集中式结构的线性卡尔曼滤波器存在计算效率低、容错性差等缺陷,提出采用线性融合卡尔曼滤波算法实现发动机气路健康参数的估计,通过理论分析和数字仿真证明了融合滤波算法的优势。由于发动机为强非线性系统且健康参数间耦合性强,线性滤波器用于发动机气路健康参数估计存在精度不够高等缺陷,将融合卡尔曼滤波器推广至非线性系统,分别基于扩展卡尔曼滤波器、无迹卡尔曼滤波器、粒子滤波器构建融合滤波器;为了将反映发动机健康状态的先验知识引入至健康参数估计中,对融合粒子滤波器进行改进,采用概率密度截断法加入不等式约束,提高了估计精度;针对测量参数统计特性未知对融合粒子滤波器估计效果的影响,采用小波变换实时估计测量噪声标准差并以此更新粒子似然函数,实现了测量噪声变化下发动机气路部件健康参数的准确估计。采用自适应加权D-S证据理论方法进行发动机气路部件故障融合诊断与定位。以基于粒子滤波器和极限学习机的气路部件故障诊断方法为基础,在决策层构建融合诊断模块对两个诊断结果进行融合;为了解决多证据融合过程中证据严重冲突的问题,通过混淆矩阵获取两种诊断方法对发动机各故障模式的诊断可靠度,从而在生成基本概率赋值函数时赋予不同的权值系数。通过发动机单、双部件故障仿真,验证了所提出的方法能有效降低证据冲突,提高了发动机气路部件故障融合诊断与定位的精度。研究了航空发动机气路部件故障与传感器故障融合诊断方法。分析了发动机传感器常见的故障形式及产生原因;以卡尔曼滤波器为基础,提出了采用融合卡尔曼滤波器组和扩展卡尔曼滤波器-自适应遗传算法(EKF-AGA)两种方法实现发动机气路部件故障与传感器故障融合诊断。仿真结果表明,两种方法均能有效的检测并隔离发动机传感器故障,在传感器故障发生后依然能得到准确的发动机健康参数估计值,具有较好的容错性。