随着多电(全电)飞机发展,飞机电气系统对电力的需求日益增加,无刷交流发电机作为飞机电源系统的主要供电设备,其地位日益凸显。近年来,因航空发电机故障引起的航空事故时有发生。旋转整流器是航空发电机的关键零部件,且是最容易产生故障的部件之一。因此,对航空发电机旋转整流器故障特征提取及诊断技术研究,保证飞机电气系统的稳定运行,具有重要的深远意义和应用价值。本文主要对比研究了深度学习和宽度学习两种不同的网络在旋转整流器故障特征提取及诊断应用,并将深度置信网络移植到数字信号处理器中实现了在线式的故障诊断。具体研究内容如下:(1)首先,对基于常规的故障特征提取方法进行了理论研究,针对目前基于深度学习的故障特征提取方法需要大量数据,训练过程需要消耗大量硬件资源和时间等问题,提出了一种基于粒子群优化深度置信网络的旋转整流器故障特征提取方法,该方法可以自适应的提取故障特征进行分类;并设计了相应的数字信号处理器诊断系统,实现了该方法的在线故障诊断;(2)其次针对目前深度学习的网络结构的复杂性和训练消耗大量时间的问题,研究了基于宽度学习的特征提取方法;并针对宽度学习的特点,提出了基于网格搜索法改进的宽度学习法;(3)最后,将深度学习和宽度学习的方法在仿真模型和故障模拟实验平台进行了研究,对所提算法进行了验证和总结。结果表明所研究和提出的方法能有效地解决深度学习在特征提取方面的缺点,且提高了特征提取的效率。