针对航空发动机维修等级之间界限模糊、决策准确度较低的问题,提出一种基于大间隔近邻(LMNN)算法和K近邻算法的发动机维修等级决策方法。首先以发动机历史维修数据为基础,通过大间隔近邻算法获取变换矩阵;再利用变换矩阵将发动机监测数据映射到最优的特征空间;最后采用X近邻算法以优化后的数据为训练样本建立决策模型,对发动机下发时的状态进行评估确定其维修等级。采用某型航空发动机的状态参数和维修等级数据验证了该方法的有效性,其决策准确度高于常用的支持向量机模型和神经网络模型。

针对曲率模态不能识别结构端部单元损伤的问题,提出了改进的曲率模态识别模型。叶盘是航空发动机结构非常重要的部件之一,若其发生故障将对发动机安全运转造成严重的威胁。而曲率模态对结构故障具有很强的敏感性,运用曲率模态方法,从不同的损伤位置以及不同的损伤程度这两方面比较了叶盘模态振型变化情况,并且用改进的曲率模态方法对结构端部进行计算。数值计算结果表明:当发动机叶盘受到损伤,位移模态和结构频率难以有效反映出结构的损伤位置,各阶固有频率会下降;曲率模态方法能有效反映出结构损伤状况,曲率在损伤处发生突变现象,并能对损伤程度给出定性的描述;而改进的曲率模态识别模型能够识别出结构端部的损伤故障。这为航空发动机叶盘结构的损伤检测提供了理论依据。

时间序列自回归滑动平均模型（ＡｕｔｏｒｅｇｒｅｓｓｉｖｅＩｎｔｅｇｒａｔｅｄＭｏｖｉｎｇＡｖｅｒａｇｅＭｏｄｅｌ，ＡＲＩＭＡ）能较准确处理和预测依循环顺序获得的航空发动机性能数据。采用分箱改进的拉伊达准则处理起飞ＥＧＴＭ数据，可为ＡＲＩＭＡ模型提供了更加真实的数据，获得航空发动机起飞ＥＧＴＭ预测值，依据航空公司发动机设定的可靠度进行下发预测。应用验证表明：基于ＡＲＩＭＡ的起飞ＥＧＴＭ时间序列能够满足航空发动机的质量管理的要求。