随着工业化水平的不断提高,工业设备的结构也变得更加复杂。航空发动机长期处于高温高压的恶劣环境中,容易出现性能退化甚至失效的问题。因此,航空发动机剩余寿命预测(RemainingUsefulLife,RUL)作为故障预测与健康管理(PrognosticsandHealthManagement,PHM)的核心,直接影响着航空发动机维修或失效报警的决策,具有重要的研究意义。本文基于数据驱动方法,以NASA提供的涡扇发动机性能退化数据为基准数据开展涡扇发动机剩余寿命预测研究。主要研究内容包括:(1)针对涡扇发动机性能退化数据维度高,数据具有时序性特征,构建了一种基于长短期记忆网络(LongandShort-termMemory,LSTM)的涡扇发动机剩余寿命预测模型。基于C-MAPSS公开数据集,经过均方根误差(RootMeanSquaredError,RMSE)和Score函数两种评价指标对所建立的寿命预测模型的预测性能进行评估。并进一步根据实验结果对基于LSTM的剩余寿命预测模型进行了网络参数优化。(2)针对涡扇发动机退化数据存在诸多噪声影响预测精度的问题,在LSTM-NN预测模型的基础上构建了一种基于BiLSTM-NN的神经网络改进模型。该模型主要从三个方面对基于LSTM-NN的剩余寿命预测模型进行了改进,包括数据预处理,抑制过拟合和网络训练模型。此外,为了使所提改进的BiLSTM-NN模型的目标函数能够反映若预测故障发生时间点晚于真实故障发生点时,会产生严重后果这一实际物理情况,本文将网络目标函数设置为Score自定义函数。最终,实验结果表明改进模型的预测精度提升明显。(3)针对单一网络局限性的问题,提出了一种基于循环神经网络和卷积神经网络的融合模型。首先采用扩张因果卷积,自归一化的缩放指数型线性单元(ScaledExponentialLinearUnits,SELU)激活函数和深度可分离卷积(DepthwiseSeparableConvolution,DSC)神经网络构建CNN-SCNN模型。其次,通过顺序堆叠和双通道并行两种不同的方式去融合BiLSTM-NN模型和CNN-SCNN模型。最后,实验结果表明,融合模型较单一预测模型的预测精度更高。