民航发动机机队编制一般包括多架飞机及多台同型号发动机,为满足机队的航班调度和运维需求,民航机队应当配置必要的备用发动机。备发数量的多少直接影响到运维成本和机队保障率的高低,过高或过低的备发数量都可能产生不必要的成本损失或资源浪费。随着机队规模的不断扩大,航空公司对于机队备发需求预测系统的需求愈发强烈,因此研究适用于民航发动机机队的备发数量确定方法具有重大的工程实践意义。备发数量的确定过程受到机队健康状态、发动机拆换计划、机队调度方案等诸多因素的影响和制约,而由于这些因素中的大部分都与发动机的状态监测数据密切关联,因此本文针对状态数据驱动的民航发动机备发需求预测方法开展研究。本文提出了基于深度卷积神经网络(DCNN)模型的航空发动机剩余使用寿命预测方法,利用卷积神经网络适于处理可变、复杂信号的特性,挖掘发动机状态监测数据的深层隐含特征。依据状态数据的特性设计了新颖的网络模型结构,并利用分段线性衰退模型给训练集样本设置了剩余寿命标签。针对不同发动机运行周期数的差异性,利用变分自编码器重构数据,采用无监督重构的方法判别数据序列的异常初始位置,对寿命标签平台值进行了修正。利用滑动窗口制备数据样本,将其作为神经网络模型的输入,输出剩余寿命预测值。利用C-MAPSS仿真数据集验证了本文提出的方法的有效性。本文将发动机拆换计划制定工作分解为拆发期限预测和维修工作范围决策两部分内容分别开展研究。整理发动机性能衰退真实数据样本,制备性能衰退案例库,通过分析时间序列衰退趋势估计到寿时间节点,并将其与基于限寿件更换规则、适航指令和服务通告约束、关重件硬件损伤等得到的预测结果综合考虑,得到知识与数据融合驱动的拆发期限预测模型;在单元体维修等级知识模型的基础上,建立状态参量与可用维修等级的映射关联关系,以状态参量作为评价因素,基于模糊评价原理,确定发动机的维修工作范围。针对不同机队的差异化需求,论文利用改进的蚁群算法实现对于机队备发需求的预测,将机队的健康状态、拆换计划、调度方案等因素纳入到备发数量的确定过程中,评估与备发相关的各项成本,整合、构建机队总保障成本模型,并对蚁群算法的信息素更新方式做出改进,使其能够在解空间中搜寻保障率高且成本较低的最优解。通过与GE航空传统的数理统计方法进行比较,证明了本文提出的方法可在保障率满足运维要求的条件下有效缩减运维成本,可指导调度方案优化、备发数量确定等实际运维工作的开展。在完成上述理论研究后,以航空公司现有的发动机维修决策系统为基础,依据实际需求,设计、开发机队备发需求预测系统构件,指导航空公司剩余寿命预测、拆换计划制定、机队备发需求预测等机队运维管理工作的开展。本文的研究,对于机队备发需求预测技术的研究与发展具有理论指导意义,对提高发动机寿命预测的精准度、优化机队调度方案、降低机队运维成本、提高机队备发保障率也具有工程实用价值。