随着对产品质量和系统性能要求的不断提高,现代工业系统变得越来越复杂,并由此引发了安全性和可靠性等问题,故障诊断技术应运而生。工业系统的非线性和内外部干扰多样性使系统机理建模异常困难,数据驱动的故障诊断方法能够有效提取系统运行数据中包含的信息并建立诊断模型,无需对系统进行精确机理建模,被广泛应用于复杂工业系统。舵机作为民用飞机飞控系统的核心执行机构,是机、电、液高度耦合,多输入多输出,存在严重非线性特征的闭环系统,结构复杂,故障率较高。因此,开发数据驱动的舵机故障诊断技术具有重要的理论和现实意义。同时,由于舵机运行过程具有明显的间歇特性,对其过程数据进行准确有效的子时段划分有利于提高舵机状态监测的准确率,并加深对过程机理的认识。论文介绍了当前常用于间歇过程故障诊断的多向主成分分析方法(MPCA)的基本原理,并验证了参数变化对其诊断性能的影响。论文针对当前MPCA算法在实际应用中存在的不足,首次提出了一种基于多向信息增量矩阵方法(MBEAM)的舵机故障诊断方法,该方法直接利用舵机历史批次数据间相关性的变化建立监测模型,无需对协方差矩阵进行特征值分解,在提高运算效率的同时能够更加直观地解释故障诊断的结果,实验结果证明了该方法在间歇过程在线监测方面的优异性能。论文还将自适应核主成分分析方法(KPCA)与MBEAM算法相结合,进一步提高了算法的准确性。首先采用论文提出的MBEAM算法对运行过程进行间歇子时段划分;然后基于最大方差原则(MVP)和最近邻保距原则(NNDPP)对核主成分分析的核函数参数进行寻优,以便最大程度地放大样本集所包含的信息,为故障诊断提供更加充分的样本特征;最后通过实验验证了该融合方法在特征提取和故障诊断方面的优异性能。论文最后基于实际的舵机实验平台对所提出的算法进行了实际验证。首先分析了舵机实验平台的基本原理、硬件构成和实验中的可用数据变量,并结合平台特性和算法机理对实验数据进行了选择;然后在舵机平台两种不同的工作模式下对各种算法进行了实际验证;最后通过对比和分析实验结果,得出了针对舵机平台故障诊断问题的监测方法选择原则,即应权衡模型准确度和计算复杂度来选择最适合的方法,以满足舵机实际工作状况的需求。