基于一种含外部输入的ARX模型（Env-AR-ARX），提出了一种通过模型匹配的转子故障诊断方法。本文以航空发动机转子健康状态下的振动数据建立AR模型，模型的准确度是故障诊断的关键。为了提高模型的匹配度，在AR模型的基础上，充分考虑了模型残差和信号时变性的特点，对比讨论了AR模型， AR-ARX模型以及Env-AR-ARX模型，最终确定了最优的Env-AR-ARX模型。由于没有航空发动机转子的故障数据，本文对本特利转子的故障（碰摩、裂纹、双裂纹）振动信号建立AR模型，结合单因素方差分析的方法，确定信号是否存在故障以及故障类型。实验结果表明，该方法能有效的应用于转子的故障诊断。

转子故障的早期诊断与预示是当前转子动力学的一个难点。文献[1]提出了一种基于多模型估计得到转子裂纹参数对转子进行故障诊断的方法，但是该方法需要构造大量的多模型估计器，存在着构造复杂，计算量大的问题。针对这个问题，本文提出了基于扩展卡尔曼理论（EKF）的转子典型故障诊断方法。针对Jeffcott转子建立了不对中、裂纹和弯曲故障模型，并分别构建了基于扩展卡尔曼滤波-加权整体迭代(EKF-WGI)的参数估计方程。通过不对中、弯曲和裂纹故障的实验验证，表明了该参数估计方法对于转子典型故障有着较高的诊断能力。与传统的诊断方法提取频谱特征相比，该方法不依赖于经验和故障事例，可以较精确地估计故障参数，在转子的故障诊断中更有针对性。

航空发动机结构复杂，转子的故障诊断与定位是一个难点。考虑航空发动机实际测量条件，提出一种基于扩展卡尔曼滤波器的转子故障诊断方法，其核心是通过识别典型故障特征参数对转子的多种故障进行诊断和定位。针对实际航空发动机整机结构，用有限元法建立一种耦合的转子-支承-机匣动力学模型。该方法针对实际采集观测信号不完备的问题，采取加权整体迭代的方法来加快参数的稳定与收敛。针对所建立的航空发动机典型故障模型和实际模型存在误差的问题，采取衰减记忆滤波的方法来补偿误差。最后对含典型故障转子的航空发动机整机模型进行仿真计算得到数值解，作为未知故障的观测信号，结合加权整体迭代和衰减记忆滤波的扩展卡尔曼滤波方法，分析得到未知的故障特征参数，依此故障特征参数，实现对故障的识别和诊断，结果证明了该方法对航空发动机转子进行故障诊断和定位的有效性。

转子的故障诊断是当前转子动力学的一个难点。针对这个问题，提出基于粒子滤波方法的转子典型故障诊断方法。针对Jeffcott转子建立不对中、裂纹和弯曲复合故障模型，并构建基于粒子滤波器的参数估计方程。通过在转子实验台上模拟故障对算法进行验证，结果表明：粒子滤波方法对于转子故障有较高的识别能力，可以诊断单一故障和多重故障。与传统的转子故障诊断方法相比，它不依赖于经验和故障事例，同时可较精确地估计故障参数。