涡扇发动机是一种高度精密的热力机械。这种机械系统结构复杂,经常在极端环境下工作,极易发生故障造成不可挽回的损失。为了保障系统安全可靠运行,降低事故发生概率,预测它的剩余寿命具有十分重要的意义。由于发动机系统工况复杂,基于物理模型的方法过于依赖先验知识,建模困难且适用性差。针对这些问题,采用基于数据驱动的方法,利用安装在机械设备上传感器监测到的数据对机械设备的退化过程进行建模,从而实现发动机剩余使用寿命的预测。研究具体内容如下:将一种改进的梯度提升决策树(GBDT)引入发动机剩余寿命预测领域,该算法适合于构建较高特征维度的模型。将现代机器所记录的飞机发动机性能数据进行归一化处理后用于改进的GBDT的训练与测试,从而达到合理预测发动机剩余寿命的目的。与经典算法如支持向量回归机(SVR)、卷积神经网络(CNN)以及基于卷积神经网络和长短时记忆网络(CNN-LSTM)相比,改进后模型的性能评测指标有明显提升。设计并开发了基于MFC的余寿预测平台。将传感器采集到的数据无线传输至服务器,后台技术人员从服务器获取数据后,基于本文建立的模型,实现发动机剩余使用寿命预测。上述研究结果表明,本文提出的改进GBDT模型适用于不同工况下发动机的剩余使用寿命预测,一定程度上减少了传统诊断方法对领域专家知识的依赖。在C-MAPSS数据集进行对比实验,取得了骄人的成绩。