航空发动机由于结构复杂、工作环境严酷,容易发生故障导致灾难性事故的发生,因此通过科学有效的方法对发动机的性能进行分析与建模,预测它的剩余使用寿命,预防和减少灾难性事故的发生,具有重要的意义。本文从数据驱动的角度对航空发动机余寿预测方法进行了相关的研究,分别从单调性能退化与非线性性能退化两方面研究发动机的性能退化问题。本文主要工作和创新点如下:(1)针对传统余寿预测方法对先验知识的要求较高,且适用性较差的问题,使用基于轨迹相似性的预测方法和支持向量回归机算法来预测发动机的剩余使用寿命,同时为解决支持向量回归机的参数设置问题,引入了差分进化算法优化目标函数,减少主观因素的影响,提高算法的预测精度。(2)单一预测算法由于自身结构以及模型参数的限制,对于不同退化程度下的航空发动机预测精度不一,难以保障准确性。为了解决这一问题,本文提出了一种集成预测模型。该模型结合了基于轨迹相似性的预测方法与基于差分进化算法的支持向量回归机这两种算法的优点,采用集成学习中的提升方法,将两个预测算法进行有机地融合,实验表明,集成预测模型相比于国内外其他同类型算法具有更高的预测准确率。(3)针对传统方法在预测具有非线性退化趋势的发动机剩余使用寿命时需要预设发动机退化分布函数和方法适用性不高的问题,本文使用深度学习算法对发动机进行余寿预测,挖掘发动机性能监测数据中存在的潜在规律。针对航空发动机的数据时序性强的特点,采用循环神经网络进行预测,采用长短时记忆循环神经网络克服传统循环神经网络中存在的梯度消失问题,并在该网络上进行改进,解决了其在回归任务中预测精度不高的问题,使其能够准确地预测航空发动机的剩余使用寿命。采用C-MAPSS数据的实验证明,该模型具有较高的余寿预测精度。