伴随着当今科学技术的高速发展,越来越多的复杂设备在航空航天、能源、船舶、制造业等领域得到广泛的应用,并且对设备的集成化、智能化、综合化水平需求也日趋提升。其中,机电设备在航空航天领域扮演着重要角色,其功能的复杂性日益提升,装备研制的风险、周期与费用越来越高,这也同时提出了设备应当具有高可靠性的要求。故障预测与健康管理技术(Prognostics and Health Management,PHM)作为一种对设备健康状态进行监测、诊断、预测和管理的技术,通过对系统内可能存在的故障隐患以及设备的剩余使用寿命进行预测,提高设备安全性,从而尽可能地降低故障影响及后勤维护成本,减少财产损失和重大事故的发生,该技术已在诸多领域受到日趋广泛的关注与重视。因此,深入研究机电设备相关的PHM技术具有重要的理论价值和实践意义。本文以机电伺服控制系统的PHM系统为研究重点,开展系统等效数学模型建模、特征参数辨识、健康状态预测与评估等研究,主要研究内容如下:(1)针对半实物仿真试验平台——直线电机驱动Stewart平台的伺服控制系统的失效机理进行分析,建立等效数学模型,建立故障树,确定性能退化的特征参数,以此为基础给出该系统的PHM技术方案(2)应用无迹卡尔曼滤波(Unscented Kalman Filter,简称UKF)理论研究特征参数辨识方法,针对状态方程欠秩导致无法实现多参数同时辨识的问题,给出一种多UKF的循环推挽结构观测器设计方法,实现了多参数的联合辨识(3)引入模糊隶属规则,采用基于冲突分配的DS证据融合理论的方法实现伺服系统的健康状态评估、预测和剩余使用寿命(Remaining Useful Life,RUL)预测,给出相应状态下的故障原因,为辅助维修决策提供便利。(4)给出一种基于非线性修正的ARIMA模型与长短期记忆(Long Short-Term Memory,LSTM)神经网络相结合的数据融合预测方法,提升数据的长期预测精度,并基于该方法完成了伺服系统的健康状态与故障的预测。在上述研究成果基础上,完成了相应的仿真验证,研究结果表明,本文提出的多UKF循环推挽观测器以及基于非线性修正ARIMA-LSTM的融合预测方法能够较好地解决目前存在的一些问题,基于模糊隶属函数与DS证据融合的评估方法也能够较好地给出系统当前以及未来时刻的健康状态。