崔建国，李 勇，崔 霄，王景霖，蒋丽英，于明月

(1.沈阳航空航天大学 自动化学院，沈阳 110136；2.航空工业空气动力研究院 洞设备研发部，沈阳 110034；3.故障诊断与健康管理技术航空科技重点实验室，上海 201601)

航空发动机作为飞机的主要动力装置，是一个极其复杂的系统，其工作环境恶劣，长期受到高温、高速、强振动、大应力等内外部不利因素的影响而容易出现异常状态。因此，对航空发动机进行有效的监控和诊断是实现航空发动机视工作情况进行维修、降低使用维护成本、保证飞行安全的关键[1]。目前，常用的故障诊断方法有BP(Back propagation,BP)神经网络、SVM(Support Vector Machine,SVM)等，但以反向传播神经网络BP为代表的传统浅层神经网络存在泛化能力弱，易产生局部极小值等问题；而SVM参数选择复杂，训练速度较慢，在发动机故障诊断中的应用受到限制[2]。

近年来，深度学习的不断发展为故障诊断技术提供了新的解决方案。深度学习网络是通过构建多层神经网络，逐层学习和提取数据特征，最终实现对数据复杂特征信息的挖掘。姜洪开等[3]将深度学习算法用于飞行器的故障诊断；李梦诗等[4]将深度置信网络(Deep Belief Network,DBN)用于风力发电机的故障诊断；李巍华等[5]利用DBN可以组合低层特征并逐层学习得到更好的特征表示的特点，直接从轴承的振动原始数据出发，对轴承故障进行分类识别。由于无需运用其他特征提取方法减少了人为参与因素，增强了故障诊断的智能性。可见，深度学习在故障诊断领域具有较好的效果。……