从飞控系统工作时记录的各项参数中提取故障特征,并借助各种诊断算法与预测算法构建有效的健康管理系统,有利于实现飞控系统的实时故障诊断、状态预测与寿命评估等,对保障飞行安全具有重要意义。然而,由于飞控系统内部存在复杂的耦合关系,难以有效建立系统准确物理模型和故障模型,造成飞控系统故障诊断的准确率不高、预测能力具有较大不确定性等问题。深度学习是近年来机器学习领域内的研究热点,算法所具有的多隐含层结构,能够逐层抽取数据的抽象特征,得到数据最完备的特征表达,是解决上述问题的一种有效手段。因此,本课题围绕健康管理中故障诊断与状态预测两个方面,研究基于深度学习的B777飞控系统健康管理技术。针对传统故障诊断算法无法有效提取故障特征的问题,提出一种融合CNN与RNN的故障诊断算法CNN-LSTM,该算法具有提取数据空间局部特征与时序特征的能力。通过对方向舵伺服控制系统的液压故障进行分析,并在AMESim液压仿真软件下搭建故障模型以获取用于故障诊断实验的故障数据,实验证明所提算法能够更完备地提取故障特征,从而具有较高的故障分类能力。针对传统多元状态预测算法预测精度低、对非平稳序列泛化性能差、不能迭代预测的问题,提出一种结合多任务学习与LSTM的多元状态预测算法MTL-LSTM,可从时间与特征两个维度对预测任务进行建模,并对多个参数同时预测。在飞控系统俯仰回路中的多元状态预测实验表明,MTL-LSTM能够大幅提高预测精度。本课题研究工作为大型复杂系统的健康管理和工业大数据的处理提供了一种新的研究思路。