航空发动机是装备制造领域的高端产品,其制造技术是一个国家工业水平和军事实力的重要体现。装配过程是航空发动机制造的重要组成部分,转子装配后精度决定着发动机的各项性能,盘片分离结构的多级转子装配后不平衡量是衡量装配精度的重要指标。如果转子装配后不平衡量超差,那么转子在转动过程中叶片容易碰磨机匣,给发动机带来极大的安全隐患。因此,亟需开展面向盘片分离结构的航空发动机装配优化方法研究,减小多级转子装配后不平衡量,提高发动机的装配精度。针对单级转子不平衡量易超差问题,提出一种单级转子不平衡量调控优化方法。基于指针网络对单级转子叶片进行排序,网络训练分为两种情况。当样本数据具备标签时,使用监督学习的方式训练指针网络。网络基于已有数据输入与输出之间的关系,能够快速准确地预测叶片排布顺序,测试集Rouge值为0.96。当样本数据标签无法获取时,使用强化学习中的Actor-Critic算法对指针网络进行训练,以单级转子的不平衡量作为奖励函数,该算法能够在较短时间内对转子叶片进行排序,并大幅降低单级转子的不平衡量,测试集Rouge值为0.91。针对盘片分离结构的航空发动机多级转子不平衡量误差难以准确预测问题,建立盘片分离结构的多级转子不平衡量传递模型。该模型通过分析叶盘定位和定向误差以及叶片装配误差在误差传递中与不平衡量的关系,首先建立了盘片分离结构的单级转子不平衡量传递模型。进而考虑叶盘定向和定位误差在转子堆叠过程中逐级传递以及各项误差相互耦合作用,融合矢量投影原理,推导出多级转子不平衡量传递模型。针对盘片分离结构的多级转子一次性装配合格率低的问题,提出一种基于遗传算法的盘片分离结构的多级转子不平衡量调控优化方法。该方法以多级转子装配后不平衡量为目标函数,通过调整各级转子叶片的排布顺序以及转子间的装配相位来减小转子装配后的不平衡量。该方法在传统的遗传算法上进行改进,采用四扇区轻重交错分布法产生优质初始种群,添加精英保留策略,依据适应度函数值大小自适应地调整交叉和变异概率,并添加阈值终止条件使算法快速收敛,从而实现快速稳定高效的搜索。最后,分别开展单级转子不平衡量调控优化、多级转子不平衡量传递模型、多级转子不平衡量调控优化验证实验。实验结果表明,基于指针网络对单级转子进行叶片排序,能够快速准确地给出叶片的排布顺序,降低单级转子的不平衡量。基于叶盘和叶片各项参数,使用多级转子不平衡量传递模型对转子装配后不平衡量进行预测,不平衡量的最大预测相对误差为10.3%。使用改进的遗传算法对不平衡量传递模型进行优化,能够根据装配工艺的要求,给出符合装配条件的叶片排布顺序和装配相位。因此,本文提出的面向盘片分离结构的多级转子装配优化方法能够有效降低转子装配后不平衡量,为装配提供指导。