对大展弦比固定翼无人机机翼而言,因其工况具有重载荷、大扰动和强冲击等复杂运行状况的特点,使机翼会不可避免地发生故障。而由于缺少有效的故障预测系统使得机翼的维护成本逐年提高。但是机翼的故障预测往往具有复杂性、微弱性、耦合性以及因果关系复杂等特点,使得传统的故障预测方法并不能很好的达到效果。深度学习作为智能故障诊断领域中的新起之秀,能自主挖掘隐藏于原始数据中的代表性诊断信息,直接建立原始数据与运行状态间的精确映射联系。因此研究深度学习方法应用于机翼的故障预测具有广阔的应用前景和较高的商业价值。本文针对复合材料大展弦比无人机机翼进行了应变故障诊断、故障预测和全生命周期预测的一系列健康管理研究,主要包括如下研究内容:1.采集机翼应变数据:使用真实实验场景进行实验,采取在复合材料机翼内部和外侧蒙皮安装传感器的方式,直接采集机翼在加载过程中所产生的应变数据,保证数据真实可靠。2.单点故障诊断:通过深度置信网络对采集到的机翼应变数据进行分析和学习,寻找并建立机翼应变数据和机翼状态之间的准确映射关系,实现准确的故障定位和诊断。3.多点协同故障预测:对多个传感器数据进行协同分析和学习,建立故障发生时与之对应的多个传感器协同变化趋势,使故障定位更加精确。4.多点协同健康管理:通过对多传感器协同变化趋势的分析,对机翼全生命周期进行健康管理,及早发现故障发生趋势,大幅降低机翼的维护成本。