为提高涡轮叶片气膜冷却设计效率，提出以高斯函数约束的单排气膜冷效分布神经网络预测方法，并结合修正叠加原理预测多排气膜冷效分布。针对平板单排气膜，以主流湍流度、密度比、吹风比、气膜入射角和长径比以及无量纲流向距离为输入预测高斯函数的3个系数，再将无量纲横向距离代入预测的高斯函数计算得到冷效。高斯函数约束的神经网络对测试集的面平均冷效预测误差仅为5.70%，比直接预测的误差低67%。基于单排气膜预测模型，再根据吹风比和无量纲坐标预测多排气膜叠加原理修正系数，从而计算多排气膜冷效。在吹风比为0.5和1时，多排叉排气膜的面平均冷效预测误差分别仅为6.19%和12.19%。结果说明该方法具有较强的气膜冷效分布预测能力。

通过曲线坐标系浸没边界方法（IBM），在设计阶段可以实现对真实航空发动机燃烧室的高保真虚实映射，保留全部几何结构信息。在IBM方法基础上，采用大涡模拟（LES）结合概率密度函数输运方程湍流燃烧模型（TPDF），对双旋流燃烧室、某单头部直流燃烧室以及某折流燃烧室1/10模型进行真实结构仿真，测试数字孪生体系关键技术的有效性。对比预测结果和实验结果，双旋流燃烧室的旋流器出口附近轴向、径向、切向速度平均误差分别为15.7%、23.8%、15.0%；非稳态解析了真实直流燃烧室与折流燃烧室的详细湍流燃烧场，出口温度分布的平均相对误差分别为11.66%和17.95%。因此基于虚实映射得到的燃烧室数字孪生体系具有一定的有效性，该方法具有潜在的工程应用前景。

发动机结冰会对飞行安全造成影响，研究发动机结冰过程机理可以帮助提高飞行安全性能和完成适航验证。使用欧拉法计算了水滴运动过程，使用能量平衡法计算了结冰的多相传热流动过程，使用一维导热模型矫正了壁面导热过程，并提出了基于相界面导热平衡方程的数据交换模型。基于此模型进行了发动机进口部件的冰风洞实验数据数值验证，模拟计算最大结冰厚度与试验误差能够控制在10%左右。相界面数据交换模型能够对近壁的水膜流动和温度梯度进行精细化模拟，并且将用户自定义函数（UDF）与求解器进行流场参数的实时交换，经验证后表明该模型在计算结冰最大厚度时具有较好的精度。

由于无法掌握不同发动机的真实部件特性，传统热力学模型对在翼涡扇发动机的建模存在较大的建模误差；同时，热力学模型在特性图边界线附近迭代时，容易迭代到特性图之外，造成迭代过程的不收敛。针对上述问题，本论文提出基于热力学过程的涡扇发动机神经网络建模方法，在神经网络模型的训练过程中充分考虑对部件共同工作热力学约束的优化，提高发动机建模的准确性。通过构建部件级网络结构、部件共同工作损失函数及融合训练过程，将基于部件特性图的传统热力学模型迭代过程转化为部件级神经网络的多目标优化与训练过程，提高了模型的收敛性及建模准确性。模型在26970条发动机实际飞行数据上进行了训练及测试，结果表明，在相当宽松的准稳态数据下，论文提出的建模方法最大误差可以达到7%左右，比基于部件特性图的热力学模型低5%左右。

在实际工程中保持航空发动机高效运行的有效措施之一是应用叶尖间隙主动控制技术，其前提是建立精确的叶尖间隙模型以实现叶尖间隙预测。建立叶尖间隙的简化物理模型和数学模型，将叶尖间隙计算转化为热变形与传热问题，通过机器学习模型对发动机工况参数进行特征提取，利用有效特征求解传热问题的边界，从而实现基于发动机工况参数快速预测实时叶尖间隙。机器学习模型的十折交叉验证集的平均准确率为98.9%，叶尖间隙模型的验证误差为4.3%，得到了不同工况下的叶尖间隙计算结果和冷气流量大小变化规律，计算耗时小于0.03 s。

为提高用于叶型优化设计ResNet深度学习模型的泛化性，对一种适用于亚声速和跨声速的压气机叶型进行了参数化设计。叶型基于Matlab进行几何模型构建，设计变量为叶型最大厚度、最大厚度位置、栅距和叶型尾缘与轴向的夹角，几何模型通过Pointwise软件进行批量网格划分，网格量级为30万，通过OpenFOAM流体仿真软件进行批量计算。最终通过4个设计变量参数化建模后进行仿真得到了叶型流场仿真数据集，该数据集包含22331个叶型仿真算例，可为ResNet深度学习模型提供训练集和测试题，有助于提高模型的泛化性。

针对于传统的航空发动机燃烧室设计过程计算周期长，加工和试验成本高，制约发动机设计周期的问题，基于航空发动机燃烧室模型，结合POD-PCE-Kriging（本征正交分解-多项式混沌展开-Kriging）模型和粒子群优化（PSO）算法开展了燃烧性能代理模型的构建和多目标优化设计。通过试验，应用POD-PCE-Kriging模型预测结果与一维程序计算结果进行对比分析，针对于燃烧效率和总压损失预测值的方均根误差分别为0.0063%和0.1227%。对设计变量参数开展寻优，并对获取的Pareto最优解集进行了分析，为满足性能指标的先进航空发动机燃烧室设计提供了物理见解，可以快速准确获得满足最优性能的设计参数，缩短航空发动机的研制周期。

为解决传统的叶栅损失经验模型在构建过程中对于强非线性函数关系总结能力不足，导致其适用局限性、可修正性不好等问题。在一般端到端人工神经网络的基础上，进一步发展了物理嵌入神经网络方法，通过将叶栅表面压力分布引入神经网络建立叶栅损失模型，对叶栅压力分布和性能进行预测。经验证，相对于经验模型，端到端神经网络模型总体损失预测误差降低22.3%，物理嵌入神经网络模型总体损失预测误差下降37.9%。

建立了物理神经网络（PINNs）求解导热问题的通用框架，描述了三维非稳态问题、初始条件和三类边界条件及曲面边界的处理方法。使用PINNs求解了一个一维导热问题。求解结果与理论解的最大相对误差为0.0017%，平均相对误差为0.0011%。使用一个简化叶片的导热问题作为案例，将PINNs与传统有限元方法进行对比，探究了PINNs不同的网络架构和超参数对结果的影响。对于简化叶片的导热问题，有限元方法求解时间为11.7 s，PINNs平均求解时间为8.96 s，求解结果的最大误差为1.03%，平均误差为0.139%。微调实心叶片的内冷源强度，在训练收敛的PINNs基础上重新采样计算，新的计算收敛时间为1.41 s，证明了PINNs方法具有设计条件微调时的快速计算能力。

发展了一种基于数据驱动的复杂进气下风扇转子叶根损失预测方法。提取了影响风扇转子叶根损失的关键气动参数作为输入变量，熵损失系数作为输出参数；采用计算耗时小的单叶片通道定常模型，通过给定不同边界条件并进行组合来构建样本数据库，使得数据库中样本点尽可能覆盖更广的复杂进气工况；采用径向基神经网络训练并构建输入变量与输出参数之间的映射，实现叶根损失的快速预测。计算结果表明：该损失模型能够准确捕捉叶根损失的径向分布趋势，并且相比于传统损失模型能够大幅提升预测精度。在不同流量、进气旋流以及畸变强度工况下，叶根流动损失平均预测误差基本小于10%。

为探究整机与部件仿真数据和测试数据的匹配性，基于MATLAB/SIMULINK、Python和通用商业CFD软件，开发了数据驱动的部件串行协同仿真技术，主要由航空发动机整机的集成仿真平台和部件串行协同仿真平台组成。其中，集成仿真平台采用模块化的方法对发动机部件建模，结合共同工作方程及边界约束条件，实现了发动机整机和部件特性的迭代模拟；发动机部件串行协同仿真平台采用自编程序结合底层求解程序，提出了重叠区域的交界面数据传递与处理方法，实现了部件间的串行仿真和边界迭代求解，完成了零维、三维仿真的耦合求解过程。以某小型涡喷发动机为研究对象，基于已有试验数据进行案例验证，计算结果最大误差不超过5%，表明集成仿真平台与串行协同仿真平台的准确性及工程应用价值。

为实现三维物理场的预测，提出一种利用卷积神经网络（CNN）对双层壁冷却结构外壁三维热应力快速评估方法。针对双层壁冷却结构外壁平板状的结构特征，沿壁厚方向将温度场切分为多个切片。将温度作为卷积网络输入张量的基本元素，不同厚度位置的切片对应输入张量的通道维度，从而实现将三维温度场输入进网络，并输出在热载荷作用下的三维等效应力场。结果表明：训练收敛后的网络在测试集上的平均绝对误差为1.23 MPa，平均相对误差为15.10%，对峰值应力的平均绝对误差为16.10 MPa，平均相对误差为11.81%。对于双层壁冷却结构的热应力预测问题，CNN能够很好地完成温度到应力的映射。使用深度学习方法探究热弹性问题的潜在机理有望实现。

针对扰流柱通道结构的流动传热过程进行了仿真研究，构建了该结构内部表面传热系数的快速预测模型。该预测模型首先构建了若干流阻元件用于冷气质量流量预测，之后根据质量流量预测结果计算通道内的流动雷诺数。将雷诺数与几何结构参数组合并输入基于遗传算法优化的反向传播神经网络，分别预测通道内不同结构的平均表面传热系数。最后建立基于肋化传热模型的扰流柱导热等效表面传热系数换算方法，以便将预测模型应用于实际双层壁涡轮叶片的冷效预测。经数值仿真验证，该模型对通道内冷气质量流量和表面传热系数进行组合预测，相对误差控制在5%以内。

为了提高压气机特性预测的精度，基于机器学习方法构建预测落后角与总压损失的代理模型。以一台两级压气机为研究对象，基于多个转速工况下的流场实验数据和叶片几何参数建立了基元叶型数据库。通过灵敏度分析方法筛选出对落后角和总压损失影响最大的输入参数，分别采用高斯过程回归和人工神经网络两种机器学习算法建立落后角与总压损失模型，并引入贝叶斯优化算法搜索最佳模型超参数。对于人工神经网络面临的优化问题和泛化问题，调整模型学习率和修正参数梯度以加速收敛，同时采用正则化方法增强模型泛化能力。模型训练过程采用交叉验证策略以降低过拟合风险，并将优化后的代理模型整合到通流程序中对压气机进行特性预测验证。对比表明，低转速工况代理模型的压比特性预测误差显著低于经验模型，其中人工神经网络建模改善最明显，相比经验模型预测误差降低了0.1。通过代理模型横向对比，基于人工神经网络建立的代理模型比基于高斯过程的代理模型预测精度更高且鲁棒性更强。

提出一种基于格拉姆角场（Gramian angular field, GAF）和密集连接卷积网络（densely connected convolutional networks，DenseNet）的航空发动机系统遭受虚假数据注入攻击的机器学习检测方法。首先，基于美国国家航空和宇宙航行局的商用模块化航空推进系统仿真数据集（commercial modular aero-propulsion system simulation，C-MAPSS），构建了连续和间隔虚假数据注入两种攻击模型；其次，通过GAF算法，在保留原始航空发动机传感器获得的时序信号的时间依赖性的前提下，对时间序列数据进行唯一编码，并设计了DenseNet-121网络对图像阵列中内含的传感器信息进行深层挖掘，进而检测航空发动机是否遭受虚假数据注入攻击及攻击类型识别；最后，融合GAF-DenseNet方法在T24、T50和P30传感器上的平均分类准确率为98.46%，与长短期记忆、门控循环单元和卷积神经网络对比分别提高了1.91%、3.82%和0.38%。

重点研究了综合考虑变形代价及气动收益的可控变形叶型优化设计方法。利用机器学习算法构建叶型几何与关键气动参数之间的预测模型，量化变形代价及气动收益，并搭建贝叶斯优化框架进行寻优。结果表明：基于机器学习的预测及优化框架能够准确预测风扇变形后的气动性能，且在考虑变形代价的条件下对叶型变形收益边界进行评估。主要结论是利用机器学习算法结合叶斯寻优框架可以获得兼顾变形代价以及气动收益的变形方案。相比于单纯的气动优化方案，此方案可以在保证气动性能提升的同时，使叶片最大应力降低14.17%，压电片驱动能耗降低67.45%。

针对航空电缆在布局空间安装中存在的可靠性差，效率低和成本高等问题，提出了一种基于改进蚁群算法的航空电缆布局路径规划优化方法。对布线安装空间进行栅格化处理，通过分析航空布线要求与约束条件，对待布线安装空间进行模拟真实环境建模，获得的建模空间用于航空电缆的二维布线路径优化。采用了向终点方向引导的转移规则，并增加转弯拐角惩罚因子，来改进启发函数，减少了路径搜索的盲目性，提高了规划路径平滑度；采用一种自适应调整方式的信息素挥发因子，提高算法的搜索效率和后期收敛速度；引入了遗传变异，避免算法陷入局部最优。在仿真实验中，将所提出的方法与其他算法进行了对比分析并表明：应用该算法优化后总体电缆的路径布局电缆路径明显减少、即电缆长度用量减少；拐点数明显减少、即电缆电器性能变好，能够提供航空发动机系统的稳定性。验证了该算法的可行性和有效性。

根据工程实际中某核心机转子振动异常现象和试验件结构检测结果，建立了前支点鼠笼弹支松动的故障转子简化力学模型。基于转子动力学理论和试验信号中谐波特征，建立了前支点鼠笼支承结构由于螺栓连接松动致干摩擦简化模型，重点分析了干摩擦非线性对转子系统的轴心轨迹、弹支位移和支点反力等动力学响应特征的影响，从简入繁分析了如下3种转子的动力学特性：无故障的线性转子系统；考虑螺栓松动致非线性力、不考虑陀螺效应的非线性系统；考虑螺栓松动致非线性力和陀螺效应的非线性转子系统。研究发现：在转子系统中考虑干摩擦非线性力后，系统响应特征中会出现丰富的谐波成分；螺栓松动故障转子系统简化力学建模时，是否考虑陀螺效应对谐波特征也有较为明显的影响。该研究能为该类故障转子系统的监测和诊断提供参考。

基于涡轮榫连接结构高低周疲劳试验结果，确定微动疲劳损伤控制参量并建立寿命预测模型。建立涡轮榫连接结构的参数化模型，开展有限元计算，结合试验数据分析了等效应力、接触压力、摩擦力、滑移量等多种损伤参量与微动疲劳寿命的相关性，发现综合考虑疲劳和磨损的FFD（fretting fatigue damage）参量与寿命的相关性最高，相关系数达97%。基于幂函数形式拟合了FFD参量与微动疲劳寿命的关系式，榫连接结构的微动疲劳寿命预测误差在1.5倍分散带内。开展了FFD参数对几何参数的敏感性分析，从数值仿真角度获取不同几何参数对微动疲劳寿命的影响规律：微动疲劳寿命对压力角最敏感，且呈现负相关性。

针对传统水平排气劈缝结构流动损失大的问题，提出了径向倾斜排气的设计思想，并围绕其进一步提出了直线式和曲线式两种倾斜劈缝结构。基于数值仿真研究了其内部流场，揭示了倾斜劈缝可减小冷气转折角，抑制旋涡产生，使流动更加平缓，从而减小流阻的机理。通过与水平劈缝的对比分析，初步验证了两种新型劈缝结构使总压损失分别降低了约10%～12%和13%～15%。进一步考虑了燃气外流与冷却气掺混过程对劈缝内流动的影响，仿真结果同样印证了倾斜劈缝对于内流减阻能力的提高。但同时也发现了此类倾斜射流导致掺混损失增大的现象，通过给出两类劈缝结构的涡轮叶栅整体流动损失变化规律为叶片综合性能优化提供了参考。

在忽略辐射误差的情况下，使用流固耦合传热数值模拟的方法预测了一种总温探头在不同工况下的速度误差和导热误差。结果表明：在马赫数为0.2～0.6的范围内，导热误差都保持在较小值；总误差的90%以上由速度误差贡献；最大测量误差为1.13 K，比结构A、结构B、结构C以及结构D分别低了331.6%、119.4%、61.6%以及59.5%；速度误差和导热误差存在互相影响的关系，存在最优解可使总误差最小；适用于等温来流和马赫数大于0.5的高速非等温来流的总温测量。最后探讨了热电偶节点位置对测量精度的影响，节点在从设计点远离支持体的过程中，测量误差遵循着先增大后减小的变化规律。

采用数值模拟方法及激波极曲线方法开展高马赫数平板-后掠前缘流动结构与热环境特性研究。结果表明：随着后掠角增加，平板斜激波与后掠前缘激波相交，依次形成Ⅳ、Ⅴ、Ⅵ类激波-激波干扰。整体上随着后掠角增加，激波-激波干扰引起的局部压力、热流增量逐渐减小，但过渡型Ⅳ类激波-激波干扰诱导干扰区热流、压力可能低于典型Ⅴ类激波-激波干扰。激波-激波干扰诱导热流随攻角增加而增加，随雷诺数增加而降低。同时，建立了基于临界折转角的高马赫数前缘激波-激波干扰类型判别准则，判别结果经过数值模拟结果验证。形成了高马赫数前缘激波-激波干扰关系、干扰位置及干扰类型图谱，能为高马赫数飞行器总体方案和气动外形设计与优化提供有力支撑。

为研究旋流驻涡燃烧室的燃烧性能，设计了3种旋流器方案（基准型、小流通面积和外加套筒），在进口温度493 K、常压条件下，采用RP-3航空煤油作为燃料，凹腔当量比在0.8～1.8之间，开展了热态试验。结果表明：基准型和小流通面积的主燃区火焰为脱体火焰，而外加套筒则为V型驻定火焰，且小流通面积和加套筒的主燃区火焰更加集中。燃烧效率方面，基准型最低，而小流通面积最高，试验中获得的最高燃烧效率为96.3%。随着凹腔当量比的增加，基准型的燃烧效率不断增加，而小流通面积的则先基本不变，随后略有增加，外加套筒的则先快速增加，然后缓慢增加。此外，小流通面积的冷态总压损失高于基准型，在进口马赫数为0.31时，两者的冷态总压损失分别为7.2%和4.5%。

针对传统故障诊断方法在故障样本缺乏条件下容易遭遇过拟合，以及强噪声条件下微弱故障特征难以提取的问题，提出了一种基于孪生减元注意力网络的航空发动机故障诊断方法。根据孪生神经网络的原理，将训练样本集中的样本随机两两配对，使输入从样本变为样本对，实现样本量的扩增。在特征提取模块引入减元注意力机制。其中，注意力机制能够通过全局扫描，快速找到有用特征，并且抑制冗余特征，这与航空发动机微弱气路故障特征被噪声所淹没的情况吻合良好；减元操作可以降低模型的参数量，缓解过拟合现象。研究结果表明：该方法在某航空公司CFM56-5B/7B系列发动机的真实监测数据上取得了88.39%的平均准确率。