随着人们对发动机稳定性以及安全性的要求不断提高,发动机的故障预测技术受到了广泛关注。对发动机长期的维护存在着安全与高额成本之间的矛盾问题,如何在确保安全的情况下减少维护成本成为各公司面临的难题。在大数据时代的背景下,基于大数据驱动的故障预测成为了解决这一问题的有效方案。本文采用时频域分析算法分解发动机传感器采集数据,将分解后的数据作为输入数据,运用深度学习相关算法,实现发动机的故障预测,并搭建了设备管理及维修保障系统,实现了对相关设备科学且完备的维护管理和故障预警。本文首先对两种分解算法分别进行了研究并进行对比实验,算法包括变分模态算法以及互补集合经验模态分解。通过实验验证了变分模态算法对非平稳信号具有更有效的分解能力。并针对变分模态算法需要预先设定分解参数的问题研究了一种基于信息散度和贝叶斯优化算法的自适应变分模态分解算法,以信息散度为目标函数,采用贝叶斯算法优化了寻找最优参数的迭代过程。同时研究了一种基于注意力机制以及混合神经网络模型的故障预测方法,采用带注意力机制的卷积网络抽取重要特征,然后运用双向门控循环单元预测发动机的剩余使用寿命,实现发动机的故障预测。采用NASA公开数据集对本文方法进行了验证实验,并与基线模型的结果进行了对比,验证了本文模型的预测结果具有较高的准确性,与基线模型长短时记忆网络相比,均方根误差平均降低11.7%,评分函数平均下降9.9%。本文基于故障预测技术搭建了一套设备管理及维修保障系统。该系统已运行于某企业中,该系统能够对发动机故障进行有效的预测,为发动机的维修维护提供了可靠的参考依据。