随着人类对航空飞行器越来越多的依赖,飞行器的安全性得到了越来越多的关注,而航空发动机是决定飞行器安全的核心。涡桨航空发动机由于内部燃烧室会产生极高的温度和压强,因此很容易导致气路故障的发生。然而由于缺乏高效的涡桨航空发动机故障诊断技术,目前发动机的维修和维护主要还是依赖于传统的人工定期检修,这种方式会消耗大量的人力物力同时效率低下,因此为了提高涡桨航空发动机故障诊断的效率,尽早地发现其中可能存在的故障,更好地保障涡桨发动机飞行器的安全,对涡桨航空发动机的智能气路故障诊断技术进行研究是非常必要的。因此,本文研究将一维卷积神经网络和长短期记忆网络等神经网络相关技术应用于涡桨航空发动机智能气路故障诊断。由于涡桨航空发动机气路故障数据属于多维度的数据且具有时间序列特征,所以本文的研究借鉴了深度学习中的卷积神经网络和长短期记忆网络模型的设计思想。然而,因为传统的卷积神经网络并不适用于本文研究中的气路故障数据,因此本文提出一种名为L1Net的轻量级一维卷积神经网络分类模型用于故障诊断。L1Net采用了非常简洁的结构设计,使用固定尺寸的一维卷积核以及单层的网络结构,可以很大程度的减少模型的参数量,防止训练过程中模型的过拟合,并且满足实时性要求。L1Net在本文的测试数据集中取得了76.3%的故障诊断精度,然后本文在L1Net的基础上进一步优化并提出了两个不同的变种:L1Net-g和L1Net-m模型。其中L1Net-g在L1Net的基础上引入了分组卷积的设计,同时采用不同感受野的卷积核进行特征的提取,从而将模型的精度提升到了77.9%;L1Net-m在L1Net的基础上使用了更大的卷积滑动步长,同时增加了网络层数,从而可以提取到更多全局特征,最终模型的精度达到了81.2%。另一方面,本文研究了利用长短期记忆网络对气路故障数据进行特征提取,然后通过全连接神经网络对提取的特征进行分类,以实现气路故障诊断。此外,本文也研究了具有不同内部隐藏层节点的长短期记忆网络模型对气路故障诊断效率的影响。最后,本文对以上几种气路故障诊断模型进行了模块化封装,并实际部署到某型涡桨航空发动机气路故障诊断平台中,实现对气路故障的实时诊断。