航空发动机的主轴轴承作为关键的支承部件,长期处在复杂、恶劣的工作环境中,因此具有故障率高,易损坏的特点。基于此,传统的可靠性分析方法和维修策略已经不能满足装备需求。因此,基于在线监测的故障诊断和寿命预测分析方法应运而生,它可以在故障发生前为维修提供依据和决策,将很大程度地减少灾难性事故的发生。本文首先对某航空发动机主轴子系统进行了FMECA分析,并对航空轴承进行了FTA定性分析,从而针对性地指出了故障影响程度最高的几类故障模式和结构重要度最大的几种失效原因,为航空轴承和主轴子系统的可靠性优化设计提供依据。然后,本文深入地阐述了主轴轴承故障的可测性,即将其振动机理和故障特征建立起了联系,将主轴轴承故障诊断的关键问题转化为基于振动信号的故障特征提取问题。在介绍了振动信号分析与多域特征提取的常规方法后,为了准确地提取和识别主轴轴承的早期故障特征,本文创新性地提出了一种基于EMD-SVD和模糊神经网络的故障诊断新方法。首先对状态已知的振动信号进行经验模态分解(EMD),得到包含故障特征信息的模态分量,再将包含主要故障特征的若干个关键模态分量作为初始向量矩阵进行奇异值分解(SVD),并将分解后的特征向量组成故障特征矩阵,以此增加故障特征的韧性,利用模糊神经网络(FNN)对该故障特征矩阵进行学习和训练,进而实现以数值的形式对不同状态的主轴轴承的诊断与识别。在此基础上,将FNN的输出数值归一化为健康指数(Health Index,HI),实现了以测试样本到无故障样本之间的距离来描述轴承的性能退化状态,并建立起了主轴轴承全寿命周期内的性能退化曲线。最后,本文利用MATLAB GUI界面设计功能,结合上述方法研究,开发出了滚动轴承故障诊断与寿命预测系统。经试验分析验证,本文所阐述的方法能够准确、稳定地提取并识别出主轴轴承的早期故障特征,进一步提高了故障诊断的精度,同时为同类型航空轴承的视情维修提供依据。