為了提高航空發(fā)動機推力衰減的短期預測精度，提出了基于ARIMA和BP神經(jīng)網(wǎng)絡的組合模型。闡述了ARIMA-BP組合模型的預測步驟，建立了發(fā)動機推力衰減的預測模型。利用ARIMA模型預測推力整體變化趨勢，利用BP神經(jīng)網(wǎng)絡預測非線性剩余變化量，進而完成對發(fā)動機推力的預測分析。并與ARIMA模型預測結(jié)果進行對比。結(jié)果表明：組合模型短期預測精度較高，為確保發(fā)動機試車安全提供可靠的方法，具有一定的工程應用意義。

　　在航空發(fā)動機研制中，都會按要求開展可靠性累積試車、全壽命試車等試驗。這些試驗一般長達幾百小時。在試車過程中，因雜質(zhì)和污垢、葉頂間隙增大、旋轉(zhuǎn)部件長時間工作在高溫高壓惡劣的環(huán)境中以及葉片表面粗糙度增加等原因?qū)е虏考阅芩ネ耍瑥亩鸢l(fā)動機性能衰減，主要表現(xiàn)為發(fā)動機推力下降和耗油率增加。在不采取任何維修措施的情況下，發(fā)動機性能衰退程度會進一步加重，甚至產(chǎn)生更為嚴重的后果。為保證發(fā)動機試驗安全，可根據(jù)已有的試驗數(shù)據(jù)對發(fā)動機的技術(shù)狀態(tài)進行預測分析，進一步降低風險。

　　針對發(fā)動機性能預測，目前比較成熟的方法是線性回歸、時間序列預測等傳統(tǒng)解析方法以及近年來出現(xiàn)的神經(jīng)網(wǎng)絡、支持向量機等人工智能算法。傳統(tǒng)預測方法理論成熟，能夠給出預測公式，計算速度快，適合做線性問題的短期預報，但對非線性問題存在局限性。神經(jīng)網(wǎng)絡用于非線性預測獲得了較成功的應用，對非線性問題具有較好的預測，但發(fā)動機訓練樣本數(shù)量一般較少，數(shù)據(jù)非線性程度高，單一的BP神經(jīng)網(wǎng)絡模型預測精度不高，而且神經(jīng)網(wǎng)絡模型存在一些不可避免的缺陷（如容易陷入局部最小、過擬合等） 。通過可知，發(fā)動機性能衰減預測技術(shù)的研究，大都以發(fā)動機推力、排氣溫度或者反映發(fā)動機性能的綜合指標參數(shù)進行預測。

　　考慮到推力是直接反映發(fā)動機性能衰退的最直接參數(shù)，本文以發(fā)動機推力作為性能狀態(tài)衰減分析的預測參數(shù)，以某航空發(fā)動機累積試車試驗數(shù)據(jù)為樣本，針對發(fā)動機試車數(shù)據(jù)特點，發(fā)動機推力衰減過程存在線性趨勢變化成分和非線性剩余量兩種成分，結(jié)合兩種算法的不同特點，建立ARIMA-BP組合分析模型，以此來預測發(fā)動機推力變化趨勢。同時將預測結(jié)果與ARIMA模型的預測結(jié)果進行比較。結(jié)果表明，組合模型的預測精度有所提高，對發(fā)動機試車安全具有一定的參考意義。