航空机电系统先进诊断与预测技术研究

王红 杨占才 靳小波 封锦琦

摘要：本文首先分析了国外航空机电系统诊断与预测产品的功能、性能及特点，然后对航空机电系统诊断与预测研制流程进行了分析，接着对可应用于航空机电系统的先进诊断与预测关键技术进行了全面分析，主要包括基于任务剖面的跨系统交联实时故障仿真与验证技术、基于模糊神经网络专家系统的故障模式识别、基于数据驱动的部件剩余寿命预测、基于性能衰退特性的健康状态评估、基于自适应技术的诊断预测模型修正等方面，最后结合国内的研究现状，论述了航空机电系统诊断与预测技术发展过程中需要关注的主要问题，希望能够为航空机电系统诊断与预测技术应用起到一定的推动作用。

关键词：机电系统；故障诊断；寿命预测；健康评估；模型修正

中图分类号：TP206+.1文献标识码：ADOI：10.19452/j.issn1007-5453.2020.07.006

基金项目：国防基础科研计划（JCKY2016205A004，JCKY2017205B015）

航空机电系统（如液压系统、燃油系统、环控系统、辅助动力系统、电源系统、旋翼传动系统、起落架系统、生命保障系统、空降空投系统、空中加油系统等）是飞机的重要组成部分，其工作性能和工作状态直接关系飞机系统的可靠性和安全性。随着航空机电系统从功能、能量、控制和物理4個方面不断向综合化、电能化、数字化、高功率等方向发展，对系统的可靠性、维修性、安全性、测试性也提出了更高的要求。据国外经验表明，采用先进的故障诊断、寿命预测及健康管理技术，是提高航空机电系统可靠性、维修性及安全性的重要途径，同时也是提高航空机电产品竞争力和产品附加值的关键技术[1]。鉴于国内航空机电系统的诊断与预测水平与国外还存在一定差距的实际情况，本文在借鉴、分析了美国Impact Technologies公司和欧宇航凯希典测试与服务公司（EADS CASSIDIAN T&S）的航空机电系统预测及健康管理产品功能、性能及特点基础之上，结合我国新一代飞行器机电系统预测及健康管理研究需求，对可应用于航空机电系统的先进诊断与预测关键技术进行了全面分析，包括基于任务剖面的跨系统交联实时故障仿真与验证技术、基于模糊神经网络专家系统的故障模式识别、基于数据驱动的部件剩余寿命预测、基于性能衰退特性的健康状态评估、基于自适应技术的诊断预测模型修正等方法，并对现有的算法模型进行了对比，最后结合国内的研究现状，论述了航空机电系统诊断与预测技术发展过程中需要关注的主要问题，为飞行器机电系统诊断与预测水平的进一步提升发挥作用[2-3]。

1国外航空机电系统诊断与预测产品分析

国外专业从事航空机电系统诊断与预测产品研发的供应商众多，本文以国外著名的美国Impact Technologies公司、澳大利亚PHM Technology公司和以色列ALD公司的机电系统诊断与预测产品为例，分析其产品功能、性能及特性。

1.1美国Impact Technologies公司诊断与预测产品

美国Impact Technologies公司是一家专业的航空故障诊断与预测产品供应商，其相关产品达到几十种，而且已经在美国F-35、F-22等新型战斗机的研制过程中发挥了重要作用。下面仅以可用于航空机电系统诊断与预测系统开发的SignalPro？异常状态检测系统、ReasonPro？诊断/预测推理软件、GPSys？齿轮寿命预测系统等为例进行说明。

（1）SignalPro？异常状态检测系统

SignalPro？异常状态检测系统是一个数据驱动的建模发动机平台，该系统可提高机械或其他系统的信噪比，还可进行早期预警，指示系统状态的细微变化，如系统性能下降或传感器漂移等情况。特别是在载荷、振动、环境温度等综合环境因素影响系统内部状态的情况下，SignalPro？的效果更加明显。

SignalPro？可独立使用，还可同环境与性能在线监测平台、生产工艺跟踪软件、控制系统以及其他各种不同类型的应用软件组合使用。目前SignalPro？已经应用在舰船传感器故障诊断、航空发电机性能监测、直升机发动机诊断/预测及健康评价、舰船燃气涡轮-压缩机污垢监测等领域。

（2）ReasonPro？诊断/预测推理软件

ReasonProTM是一款可扩展的软件平台，基于规则和案例进行综合推理，以组合失效模型为主要特点，支持各种类型诊断/预测推理模型的嵌入，并且采用XML形式的诊断/预测模型实现更为精确的故障隔离。目前，该软件套件已经应用于航空发动机及液压、环控等子系统，船舶推进系统、水陆两栖车辆系统和F-18机载系统等领域。

该软件以XML格式构建组合失效模型知识库，该知识库通过与推理算法的交互实现诊断/预测模型的运行，该知识库存储了系统相关信息（如异常检测、诊断知识、观察现象、经验知识、预测知识等）与故障或失效模式进行关联，以故障或失效模式传播路径为基础，ReasonPro？软件可通过其“监视器”激活诊断/预测序列进行分析，并给出诊断和预测结论等信息。

（3）GPSys？齿轮寿命预测系统

Impact公司开发的GPSys？齿轮寿命预测系统，并将一种专业的齿轮预测模型嵌入到系统中，该模型通过对物理失效模型、HUMS振动特性模型和历史数据等进行综合，实现了关键传动系统中齿轮失效的精准预测。GPSys？软件集成了所有设计、操作和检测方面的有效信息源，这些信息作为剩余寿命预测的输入，有助于提升预测精度。目前，该系统已经用于国外某型飞机附件机匣诊断、预测系统研制、试验及验证领域[4]。

1.2澳大利亚PHM Technology公司诊断与预测产品

澳大利亚PHM Technology公司研发的MADe产品是一套辅助状态感知系统设计的软件工具。该平台可满足机械、液压等机电系统全寿命阶段的诊断与预测需求。MADe在专注于实现系统状态数据获取的同时，通过引入先进的传感器相关技术，对传感器的布局进行优化，有效地降低了装备的虚警率、缩短了停机时间，并减少了多余的维修。MADe平台通过模糊认知图（fuzzy cognitive map）和键合图（bond graph）技术，自动推导系统中各个层次对故障的响应，分析故障的传递路径及其影响。

MADe是一款集成的产品建模、RAM分析和PHM设计的软件工具包，包括三个软件模块。MADe系统故障响应行为的建模和分析模块：其系统模型可直接生成FMECA数据，用于MADe RAM和MADe PHM。MADe RAM（可靠性、可用性和维修性）：用于系统可靠性、可用性和维修性评估；MADe PHM（诊断和健康监控）：用于设计诊断、预测和健康管理系统并评估其能力。MADe是一款系统、子系统、部件、零件建模软件工具，可用于在设计过程中识别和评估潜在的功能和安全关键项（FMECA）。MADe可以应用于复杂系统及产品各个设计阶段（概念设计、初步设计、详细设计、技术更新、产品改进），适用于高复杂、高集成的多域机电系统[5]。

1.3以色列ALD公司诊断与预测产品

以色列ALD公司研发的PHM Commander是一款适用于复杂机电系统及产品的故障诊断与预测货架产品，如图1所示。它帮助用户灵活地收集、跟踪、分析和管理故障，收集并分析整个过程中的多种参数，进而对装备进行故障预测和健康管理。在确保所有数据完整性的基础上，它可以作为跨区域、跨组织的故障知识库，分析装备的售后维护、现场运行的故障类型分布、故障发生趋势、视情维修方案、装备健康状态等，灵活地进行产品信息導入、查询、统计、分析、管理，以优化售后服务工作。

该产品可确保机电系统及产品可靠性、安全性、维修性和关键性能指标的改进。ALD的PHM方法与传统的由制造商驱动的维修政策不同，目前由MRO和车间维修等机构实施。PHM Commander是基于预测的维修决策的基础。ALD PHM方法是一种基于故障预测与健康管理（PHM）的整体系统维护方法。

2航空机电系统诊断与预测流程及特点分析

航空机电系统是飞行器的关键部分，其诊断与预测系统设计与验证方法的可行性直接关系到飞行器全机模型验证的合理性与有效性。首先分析研究航空机电系统的故障机理，明确主要故障表现形式、故障原因、故障影响及故障传播关系，以危害性大、维护成本高为原则选择需要诊断的故障模式。然后分析故障模式与故障征兆的对应关系，明确对故障和性能退化敏感的物理量作为故障征兆监测参数，监测参数要具备高度敏感性、高度可靠性及实用性（如参数获取的难易程度及经济性）等特点[6]。在上述分析的基础上，制订参数监测方案、试验方案、特征提取方案、故障诊断方案、寿命预测方案、健康管理方案、维修决策方案及模型验证方案等内容，为后续飞行器级诊断与预测设计与验证奠定基础。航空机电系统诊断与预测研究流程如图2所示。

通过上述流程分析，总结出航空机电系统PHM研究主要特点如下：（1）从前期的故障机理分析，到后期的模型验证，诊断与预测流程是一个反复迭代的过程，需要通过分析、建模、验证的多次迭代过程才能实现规定的功能和性能。（2）诊断与预测过程涉及环节众多，每个环节出现误差都会影响诊断与预测决策的准确性，因此需要研制人员仔细分析误差影响，掌握误差传递规律，进而合理进行误差分配。（3）在前期分析准确的前提下，影响航空机电系统诊断与预测准确性的关键在于故障注入与仿真是否有效、故障模式识别是否准确、寿命与健康状态预测是否可信、模型修正是否合理有效等。

3航空机电系统先进诊断与预测关键技术

3.1基于任务剖面的跨系统交联实时故障仿真与验证技术

跨系统交联故障是指飞行器各个成员系统在工作过程中，由于系统之间相互耦合作用，故障现象复杂多样，难以准确隔离和定位的故障。跨系统交联故障不仅是飞行器全机级、区域级最重要的故障表现形式，也是飞行器最难准确隔离的故障，目前已经成为研制使用单位最迫切、最急需解决的关键问题。

为了提高跨系统交联故障诊断隔离的准确度，迫切需要在飞行器全机级、区域级地面试验验证过程中采用一种可靠、有效的故障仿真手段对所有相关故障进行模拟，并且将故障准确而有效地注入到相互交联的成员系统之间，以确保在地面试验验证阶段对交联故障进行准确模拟，为验证故障诊断模型提供可靠而有效的故障注入手段。

针对任务区域级内部成员系统之间交联故障仿真，可采用基于总线的集中控制、分布式注入的方式实现，具体实现原理如图3所示。在跨系统交联故障仿真建模与验证中，包括输入准备、跨系统交联故障仿真模型搭建和故障仿真验证等几个程序。在输入准备过程中，包含搭建工作环境和资料搜集两方面内容；在跨系统交联故障仿真模型搭建过程中，主要包括模型加载、连接模型接口、创建模型间通信函数、补充变量收发状态机等几个建模环节；在故障仿真验证过程中，主要包括故障仿真验证和故障仿真结果分析两部分工作。具体过程如图4所示。

3.2基于模糊神经网络专家系统的故障模式识别方法

神经网络与模糊系统均是软件计算的重要方法，神经网络具有并行处理的网络结构，自学习能力强，但以权值表达的知识形式不易理解，不能充分利用领域专家大量的语言知识；而模糊逻辑可以较好地利用语言知识，且知识表达形式易理解，但却存在自学习能力弱，难以利用数值信息的不足，因而将两者结合形成模糊神经网络，优势互补，将更具有优越性。利用模糊神经网络专家系统能够很好地解决专家系统的知识和规则获取问题，具有很强的实用性，适用飞行器复杂系统的故障诊断[7]。

故障模式识别实际上是故障诊断的过程，即通过对部件外部征兆的监测，取得特征参数的正确信息，实现故障识别、定位和隔离。依据航空机电系统诊断结果具有模糊性、专家经验较多等特点，以试验数据为学习样本进行模式识别模型设计，采用模糊推理与神经网络协作式的专家系统对航空机电系统的故障模式进行识别，其结构如图4所示。

3.3基于性能衰退特性的健康状态评估方法

航空机电系统的一些关键设备及部件从正常到故障通常会经历一系列的退化状态（见图6），这使得基于性能衰退特性的健康状态评估方法成为可能。基于性能衰退特性的健康状态评估方法，主要通过监控部件性能退化参数对其性能退化状态进行监测、跟踪和度量，借助可靠的评估模型实现健康状态评估，其中的技术难点是性能参数退化轨迹的获取以及如何保证评估精度。目前，国内外科研人员正在陆续开展基于性能退化数据的健康状态评估研究，如美国Impact Technologies公司针对液压泵实现了基于性能退化试验数据的健康状态评估，但大多数研究机构尚未取得成熟的研究成果。

开展基于性能衰退特性的健康状态评估技术研究主要包括以下三方面的内容：（1）通过失效模式及失效机理分析、专家知识、历史经验、试验研究等方式确定产品的性能退化参数，可以一个或多个；（2）通过对历史数据、仿真数据、试验数据等进行深入分析和研究，确定性能参数的退化轨迹及表征不同退化状态的阈值；（3）建立多个性能退化状态评估模型（基于灰色理论、曲线拟合、回归分析、统计分析等方法），通过综合评判给出健康状态评估结果。基于性能衰退特性的健康状态评估结果如图7所示。

3.4基于数据驱动的机电设备剩余寿命预测技术

基于数据驱动的寿命预测是比较热点的技术，其实质是根据历史数据找出变化规律，建立相应的数学模型，利用该模型对未来数据进行预测。寿命预测通常以时间序列为基础，时间序列是指某一系统变量或指标的数值或观察值按其出现时间的先后顺序，且间隔时间相同而排列的一列数值。基于时间序列的预测过程是通过被预测系统过去和现在的观测数据，构造依时间变化的序列模型，并借助一定规则来预测未来。

机电设備的寿命是指设备从开始使用到淘汰的整个时间过程，即设备从投入使用开始，到因设备磨损、到寿而不能继续使用，最后报废为止所经历的全部时间。它主要由设备的有形磨损以及疲劳载荷所决定，受到有形磨损影响的以摩擦损耗为主，是根据磨损寿命来确定，因疲劳载荷作用影响明显的，根据疲劳寿命来确定。寻求能够表征设备磨损程度（即损伤程度）的参数或者参数特征是基于数据驱动的剩余寿命预测技术的关键研究内容。目前能够支撑机电设备剩余寿命预测技术研究的数据源包括飞行器飞行参数、故障记录数据、试验数据等，但其特点是量大、无序、规律性差，而且飞行器运行过程复杂，存在多任务剖面的情况，导致寿命预测难以实现。

为了摸索并实现机电系统关键部件寿命预测，需要一个长期试验、观察、分析、总结的过程，通过采用寿命试验平台，开展加速寿命试验，获取寿命参数信息，通过对其进行预处理，得到寿命预测特征参数，分析特征参数伴随时间历程的变化趋势，弱化其随机性，强化其寿命衰减的规律性，进而构建寿命预测模型，对关键部件进行剩余寿命预测，从而得到寿命预测结果。如果根据寿命特征分析，能够找出某个代表性参数可以表征关键部件性能退化，则通过构建基于单性能参数的寿命预测模型可实现寿命预测，如采用灰色理论方法；如果经过研究，关键部件性能退化需要多个参数共同表征，那么需要构建基于数据驱动的预测模型进行寿命预测，如采用神经网络、多元回归等方法，如图8所示。

3.5基于自适应技术的诊断预测模型修正方法

航空机电系统结构复杂，组成部件众多，动态特征明显，实际上诊断与预测技术是通用的，针对不同具体对象，不同工况，需要调整的是模型主要参数，因此在实际使用中，诊断与预测模型是个不断调整不断修正的过程，以增强模型的鲁棒性、时效性。航空机电系统性能退化过程中，不可避免地伴随很多随机干扰，也可能存在突发的异常事件，且工况多变，因此需要跟踪历史状态信息、近期状态信息、当前状态信息、未来可能状态信息，并结合知识库，对诊断预测模型做出更新、修正。

诊断预测模型修正主要研究两个方面的内容，一是模型修正判据，即什么条件下需要进行模型修正，二是模型修正方法。诊断预测模型在试验验证环节、试飞应用阶段或者实际应用过程中能够得到全面使用和验证，当出现模型性能持续下降、模型相关信息需要更新、模型应用对象变更、模型性能要求变化等情况时，需要对模型进行修正。不同原理的模型需要不同的修正方法。诊断分类器主要采用神经网络、支持向量机等有监督学习型算法，可从更改模型输入/输出参数、修正模型学习参数、调整模型结构参数等方面着手修正模型。诊断推理机主要基于大量知识、规则实现故障推理，因此，可以通过知识/规则的增加、修改、删除实现推理机模型修正。预测模型主要基于时间序列进行趋势外推，可通过模型输入更改、最优初始条件参数修改、模型参数学习更新等方式实现模型修正。上述模型修正过程中，需要采用自适应最优滤波算法，以全自动的方式实现滤波过程，对于数据进行分类和处理，自主地迭代、学习、验证，最终得到符合要求的模型。基于自适应技术的诊断预测模型修正方法如图9所示。

3.6航空机电系统故障诊断和预测算法模型对比分析

目前已有多种诊断和预测算法可应用于航空机电系统的诊断与预测技术研究当中。其中信号分析诊断方法有傅里叶变换、希尔伯特变换等利用数据频域当中的特征信号来诊断系统设备故障。亦有基于统计学的诊断预测方法如高斯混合模型、统计模式识别等用于诊断故障模式。另外，神经网络、模糊技术等方法可用与系统故障的预测。部分诊断预测方法及其作用、优点、缺点见表1[8]。

4需要关注的几个问题

（1）现有理论方法成熟度低，航空机电系统诊断与预测技术发展后劲不足

实现航空机电系统诊断与预测的支撑技术主要包括：传感器技术、数据传输网络技术、数据采集软件设计技术、数据处理技术、状态监测技术、故障诊断技术、寿命预测技术、验证评价技术等。我国开展的相关技术研究，对机电系统典型部件故障机理、特征提取方法、诊断预测算法等进行了研究和摸索，与国外差距逐步缩小。但由于多年来传感器技术发展未受重视，航空机电系统的故障诊断工作开展不深入，缺少故障数据的积累、故障模式的全面分析、故障原因的深入解析等，严重影响了诊断和预测技术的开展；同时国内对航空机电系统诊断与预测模型的验证与评价工作刚起步，对所得到的研究结果缺乏强有力的验证，对其有效性的评判缺乏支撑。

（2）试验数据积累不足，知识获取难度大，导致模型准确度不够

目前，在航空机电故障预测与健康管理系统研制过程中，由于历史数据积累不足导致知识获取难度大，已成为业内共识。知识获取的主要途径有专家经验、仿真试验、物理试验、历史数据挖掘等手段。专家经验主要指设计人员、可靠性分析人员及维修人员在实际工作中总结的各种诊断案例，最终总结成规则，可以作为专家系统的规则知识。专家经验大多无法定量进行描述，应用专家经验的主要困难在于有效、可靠地提炼与总结规则知识。

在研究过程中，历史数据的统计信息是建模与模型验证的关键，而目前积累的可用历史数据较为匮乏，直接导致模型成为开发过程中的薄弱环节，这不仅影响诊断预测的准确度，对其工程实际应用也造成很大影响[9]。

（3）验证技术和指标体系不完善，导致现有的航空机电系统诊断与预测研究成果难以评价

航空机电系统诊断与预测验证是指通过功能分析、费效比分析、综合优化方法等来评定诊断与预测系统设计的优劣。诊断与预测技术只有通过仿真验证和实物验证，经不断改进和完善，才能满足工程要求，为航空机电系统PHM系统的验证和评价提供基础技术支撑。由于不同物理对象采用的诊断与预测模型有一定的差别，故一般情况下单一方法很难完成验证任务，需要多种方法互为补充、相互验证，才能得到比较理想的验证效果。目前，国内还缺乏相关验证技术的必要手段，没有全面的诊断与预测验证和指标评估体系，使得其研究成果难以评价[10]。

5結束语

本文是在充分分析了美国Impact Technologies公司、澳大利亚PHM Technology公司和以色列ALD公司的航空机电系统预测及健康管理产品基础之上，结合我国新一代飞行器机电系统预测及健康管理研究需求，对可应用于航空机电系统的先进诊断与预测关键技术进行了全面分析，包括基于任务剖面的跨系统交联实时故障仿真与验证技术、基于模糊神经网络专家系统的故障模式识别、基于数据驱动的部件剩余寿命预测、基于性能衰退特性的健康状态评估、基于自适应技术的诊断预测模型修正等先进且实用的方法，并对现有的算法模型进行了对比，最后结合国内的研究现状，论述了航空机电系统诊断与预测技术发展过程中需要关注的主要问题，希望能够为飞行器机电系统诊断与预测水平的进一步提升发挥重要作用。

参考文献

[1]杨占才，安茂春，王红.对发展故障预测和健康管理技术的探讨[J].测控技术，2012，31（11）：107-110. Yang Zhancai， An Maochun， Wang Hong. Discussion on the development of fault prediction and health management technology [J]. Measurement and Control Technology， 2012，31（11）：107-110.（in Chinese）

[2]年夫顺.关于故障预测与健康管理技术的几点认识[J].仪器仪表学报，2018，39（8）：1-14. Nian Fushun. Several understandings about fault prediction andhealthmanagementtechnology[J].Journalof Instrumentation， 2018， 39 （8）：1-14.（in Chinese）

[3]吕刚德，杨占才.故障预测与健康管理系统建模技术研究[J].测控技术，2011，30（1）：59-63. Lyu Gangde， Yang Zhancai. Research on modeling technology of fault prediction and health management system [J]. Measurement and Control Technology， 2011，30（1）：59-63. （in Chinese）

[4]陈琼，李素洁，杨占才.基于信息融合的液压泵故障诊断技术研究[J].测控技术， 2014， 33（1）：164-167. Chen Qiong， Li Sujie， Yang Zhancai. Research on fault diagnosis technology of hydraulic pump based on information fusion [J] .Measurement and Control Technology， 2014，33（1）： 164-167. （in Chinese）

[5]张宝珍，王萍，尤晨宇.国外飞机预测与健康管理技术发展计划综述[J].计算机测量与控制，2016，24（6）：1-7. Zhang Baozhen， Wang Ping， You Chenyu. Summarization of foreign aircraft prediction and health management technology development plans [J]. Computer Measurement and Control，2016，24 （6）： 1-7. （in Chinese）

[6]彭宇，刘大同，彭喜元.故障预测与健康管理技术综述[J].电子测量与仪器学报，2010，24（1）：1-9. Peng Yu， Liu Datong， Peng Xiyuan. Summary of fault prediction and health management technology [J]. Journal of Electronic Measurement and Instrument， 2010， 24 （1）： 1-9. （in Chinese）

[7]張宝珍.国外综合诊断、预测与健康管理技术的发展及应用[J].计算机测量与控制，2008，16（5）：591-594. Zhang Baozhen. Development and applications of integrated diagnostics prognostics and health management technologies of abroad [J]. Computer Measurement&Control， 2008， 16（5）： 591-594. （in Chinese）

[8]刘磊，龙兵，刘震.两种多故障诊断算法的性能比较研究[J].电子测量与仪器学报， 2011， 25（1）： 75-80. Liu Lei， Long Bing， Liu Zhen. Research on performance comparison of MFD algorithms [J]. Journal of Electronic Measurement and Instrument ， 2011， 25（1） ： 75-80. （in Chinese）

[9]焦裕松.民用飞机液压系统发展与展望[J].航空科学技术， 2019，30（12）：1-6. Jiao Yusong. The development and prospect of hydraulic power system in civil aircrafts[J]. Aeronautical Science & Technology， 2019， 30（12）： 1-6. （in Chinese）

[10]罗志会.国外远程轰炸机液压系统分析[J].航空科学技术， 2019，30（4）：8-12. Luo Zhihui. Analysis of hydraulic system of long-range bomber[J]. Aeronautical Science & Technology，2019，30（4）：8-12. （in Chinese）（责任编辑陈东晓）

作者简介

王红（1969-）女，博士，研究员。主要研究方向：航空自动化测试、故障诊断、健康管理及测试性技术。

杨占才（1975-）男，硕士，研究员。主要研究方向：飞行器综合测试、综合诊断、故障预测技术。

Tel：15001271283E-mail：15001271283@163.com

靳小波（1987-）男，硕士，工程师。主要研究方向：航空机电系统故障诊断、故障预测及健康管理技术。

封锦琦（1979-）男，硕士，研究员。主要研究方向：航空地面测试、测试性及故障诊断技术。

Research on Advanced Diagnosis and Prognosis Technology of Aeronautical Electromechanical System

Wang Hong，Yang Zhancai*，Jin Xiaobo，Feng Jinqi

AVIC Beijing Changcheng Aeronautical Measurement and Control Technology Research Institute，Beijing 100176，China

Abstract： This paper first analyzes the functions， performance and characteristics of foreign aviation electromechanical system diagnostic and prediction products， then analyzes the development process of aviation electromechanical system diagnosis and prediction， and then carries out the key technologies of advanced diagnosis and prediction that can be applied to aviation electromechanical systems. The comprehensive analysis mainly includes cross-system crosslink real-time fault simulation based on task profile， fault pattern recognition based on fuzzy neural network expert system， remaining life prediction of components based on multi-parameter fusion， health status evaluation based on performance degradation characteristics， and adaptive based technical diagnostic prediction model correction and other aspects. Finally， combined with the domestic research status， this paper discusses the main issues that need attention in the development of aviation electromechanical system diagnosis and prediction technology， hoping to play a certain role in promoting the application of aviation electromechanical system diagnosis and prediction technology effect.

Key Words： aeronautical electromechanical system； fault diagnosis； life prognosis； health assessment； model correction