随着国家航空技术的迅猛发展,现代飞机机载部件的复杂性、综合化、智能化程度不断提高,使得其维护和保障的成本不断增加。同时,加之复杂系统的构成环节和外部影响因素的增加,使其发生故障和部件功能失效的概率逐渐加大,因此对飞机运行的安全性和可靠性提出了更高的要求。舵机是驱动飞机主控舵面的核心执行机构,其可靠性直接影响到飞行控制系统乃至整架飞机的安全,因此,舵机的稳定性、可靠性和精准性对飞机总体性能提升至关重要。舵机故障预测是减少可能导致严重事故风险的关键性技术,开展针对飞机舵机的故障预测研究具有非常重要的现实意义和理论价值。论文主要提出了基于改进相关向量机(Relevance Vector Machine,RVM)的舵机故障预测算法。具体工作内容如下:首先,研究了相关向量机的核心思想即贝叶斯理论,指出目前相关向量机算法亟待解决的两个问题,即长周期预测精度较低和预测模型不能实现动态更新问题,并给出了相关向量机模型的简要推导过程。其次,提出了相关向量机与差分自回归滑动平均融合的舵机故障预测方法(RVM-ARIMA)。该方法采用ARIMA技术对RVM模型的预测结果进行误差校正,另外,采用滑窗的方法对训练样本数据进行及时更新,使RVM-ARIMA融合模型始终保持较好的匹配性能,提高了RVM算法长周期预测的精度。再次,深入研究相关向量机算法的机理,提出了一种基于改进的增量学习相关向量机(Optimized I-RVM)预测算法。通过引入样本熵(sample entropy)定量计算原始训练样本时间序列的波动程度和规律性,大大减少了训练样本的规模;另外通过增量学习技术对RVM预测模型进行实时更新,实现在线动态预测。最后,针对本文提出的RVM-ARIMA和Optimized I-RVM两套算法,在真实的电液联合舵机平台上进行验证实验。在相同实验条件下,通过与不同算法的预测结果进行对比分析,RVM-ARIMA和Optimized-IRVM两种算法的预测性能相较于对比算法均有所改善,实验结果证明了所提出改进算法的有效性。