随着航空科技的发展,现代航空设备日趋复杂,对故障诊断和维修方式提出了新的挑战。视情维修是面向设备实际状态和发展趋势所进行的维修,是维修方式的发展方向。作为视情维修的基础,航空PHM(Prognostics and Health Management)技术能有效提高航空系统维护保障能力,增加出动架次,从根本上降低维修保障费用,有效地防范突发故障造成训练或作战任务的失败。预测技术是航空PHM的关键技术,因此研究航空PHM中的预测技术具有重要的理论意义和应用价值。数据挖掘技术是数据库系统研究领域中一个新的研究方向,它能够从大量数据中分析提取有用的信息,为决策提供有力依据。本文主要研究数据挖掘预测方法在航空PHM中的应用。主要工作如下:分析了航空PHM中故障率预测的研究现状,由于传统的故障率预测模型往往精度不够,或者模型常需大量的样本或者服从典型的概率分布。这些条件在实际工作中往往难以满足,限制了这些模型的应用。在对灰色预测模型和神经网络模型的优缺点研究基础上,提出了两个基于灰色模型和神经网络模型的故障率组合预测模型:NNAG、NNCG,并将这两个模型应用于某航空公司波音飞机两年内的故障率数据的建模预测,实验结果表明模型充分发挥了灰色系统建模数据量少、神经网络良好的非线性映射和自学习等特性,能够得到较好的预测效果,运用于故障率的预测是有效可行的。分析了航空PHM中磨损趋势预测的研究现状,提出了利用支持向量机建立磨损趋势时间序列预测模型的框架及具体实施步骤,首先用试凑法选择参数组,分析了各参数对预测结果的影响。然后在此基础上,提出了一种利用蚁群算法对支持向量机的参数选择进行改进的算法,并建立了基于蚁群算法参数优化的支持向量机预测模型。最后对某发动机铁元素含量时间序列进行建模预测,对比神经网络模型,实验结果表明提出的模型有较高的预测精度,参数优化算法准确有效。