电静压伺服机构（Electro-Hydrostatic Actuator,EHA）作为航空航天领域推力矢量系统的主要发展对象之一,具有响应速度快、准确率高等优点。然而,由于EHA高度集成的复杂组成结构及苛刻的使用条件,致使其可能存在传感器故障、驱动器故障、附件故障（增压油箱漏气、油滤堵塞）等故障模式,且故障机理十分复杂,数学建模困难。同时,由于EHA的小子样、长贮存再加上本身的高可靠性导致其故障样本少,进而影响故障诊断模型的构建。基于Wasserstein的生成对抗网络（WDCGAN）虽然在一定程度上解决了EHA小样本问题,但在进行故障诊断时仍存在准确率低和过拟合问题。因此,对电静压伺服机构小样本故障诊断的研究已成为当前航空航天领域亟待解决的问题。本文依托合作单位搭建的电静压伺服机构试验平台,以双余度电静压伺服机构为研究对象,针对其小样本数据故障诊断存在的准确率低和过拟合问题,首先将多维试验数据转化为二维灰度数据,提取二维灰度数据局部特征,凸显多维试验数据间的时间维度关联性和信号特征量间的关联性,增强多维试验数据特征量的表征能力。然后采用迁移学习和生成对抗网络相结合的数据增强方法（TransferWasserstein Deep Convolution GAN,Transfer-WDCGAN）对小样本数据进行数据增强,并开展基于数据增强样本故障诊断试验,提出EHA多类型故障综合诊断模型Transfer-WDCGAN-SDAE。同时将最优故障诊断模型Transfer-WDCGANSDAE嵌入（Prognostics and Health Management,PHM）智能监测平台故障诊断模块,优化了故障诊断模块功能,缩短了故障诊断时间,提高了智能监测平台对故障模式识别精度。具体章节内容安排如下:（1）总结了电静压伺服机构以及PHM研究背景和现状。针对目前电静压伺服机构小样本故障诊断面临的故障诊断准确率低和模型过拟合问题,提出利用迁移学习和生成对抗网络结合对其小样本数据进行数据增强,并基于生成的状态数据开展小样本故障诊断技术研究。（2）详述了电静压伺服机构工作原理,从伺服机构工作机理出发,建立了电静压伺服机构“伺服电机泵-作动器”数学模型。从数学和机理的角度论证了EHA典型故障敏感参数,确定增压油箱漏气和油滤堵塞为电静压伺服机构特有的故障模式。依据电静压伺服机构电气工作原理图搭建伺服机构试验平台并模拟故障植入。针对分析得出的故障敏感参数采集7类状态信号,并根据采集的状态数据进行数据增强和故障诊断工作。（3）利用数据增强模型对电静压伺服机构小样本数据进行样本扩充,并对数据增强样本多样性进行评价。根据EHA试验数据特征分别采用变分自编码（Variational Autoencoder,VAE）及其变种（Denoising Variational Autoencoders,DVAE）、（Conditional Variational Autoencoders,CVAE）和Transfer-WDCGAN、WDCGAN对电静压伺服机构试验数据进行数据增强。从生成7类信号变化趋势和MMD（Maximum mean discrepancy）距离两方面与真实样本进行比较,进而评价生成样本数据的质量和多样性。对比结果显示WDCGAN和Transfer-WDCGAN两种模型生成数据质量优于其它三种模型。因此,选择以上两种模型生成样本开展后续故障诊断试验并得出最优故障诊断模型。（4）开展了基于数据增强样本的故障诊断试验,通过诊断结果对比确定了最优故障诊断模型。首先,对WDCGAN和Transfer-WDCGAN两种数据增强模型中不同故障模式的数据集进行one-hot编码;然后,采用6种常用故障分类模型进行故障诊断,将测试集和训练集代入分类模型,通过基于混淆矩阵的Accury、F1-score、Kappa三种评价指标对分类结果进行评价;最后,为衡量模型泛化能力,将真实样本作为验证集代入故障诊断模型,从测试集和验证集评价故障诊断结果并得出最优故障诊断模型为Transfer-WDCGAN-SDAE。同时也从故障诊断角度论证了Transfer-WDCGAN生成数据特征更接近于真实样本。（5）将Transfer-WDCGAN-SDAE嵌入PHM智能监测平台,优化了其故障诊断模块功能。介绍了电静压伺服机构PHM智能监测平台架构,详述了伺服机构软件项目部署流程,为故障诊断算法实现和数据存储提供运行环境。对故障诊断模型前后端数据交互接口进行优化,更新了智能监测平台故障诊断模块算法工具包,将Transfer-WDCGAN-SDAE最优故障诊断模型嵌入智能诊断模块,提高了故障诊断结果准确率,极大缩短了故障诊断时间。