机电作动器(Electromechanical Actuator,EMA)随着多电全电概念的提出,目前逐步应用于新型多电飞机中。机电作动系统减少了传统液压作动系统中的复杂回路,减轻了重量并简化了维护程序,具备了多种优势。而其中,传感器故障对于机电作动系统的安全性具有较大影响,因而需要特别关注。目前传感器故障检测研究具有信号具备噪声,检测范围小,网络检测时间较长,信号恢复仅依靠故障强度反推等问题。为了解决上述问题,本文首先建立了机电作动系统数学模型,整理了机电作动系统的传感器类型与对应的故障类型。针对信号本身的固有噪声影响故障检测的问题,设计了小波包去噪方法,并对比了与小波去噪的不同。然后基于神经网络,并根据故障类型不同,设计了二级神经网络故障检测系统。神经网络以时序训练方式为例,进行了不同学习方法对比,并对神经网络进行了遗传算法的优化,与传统BP神经网络进行了对比。完成故障检测后,考虑到传感器信号受操纵影响具有不确定性,考虑采用动态神经网络学习的方式对故障后的传感器信号进行恢复,从而解决输入随机性和非液态故障后的信号恢复问题,对比了非线性动态神经网络与NARX网络结果的差异。最后,基于所在的机电作动实验平台完成了所设计方案的实验验证。通过本文研究,提出了基于神经网络的飞控机电作动系统传感器故障检测方法。小波包去噪方法的引入解决了传感器信号的噪声干扰问题;采用二级神经网络架构进行故障检测,将故障分为液态故障与非液态故障两种情况,扩大了故障检测的范围,减少了网络检测所需信息量,并缩短了故障检测所需时间;采用动态神经网络解决了仅依靠故障强度进行反推的信号恢复问题。