该文针对电动执行器的输入型故障、参数型故障的问题,深入研究探讨了M型滤波理论与小波故障检测理论,并将这两种理论成功的应用于解决电动执行器的输入型故障、参数型故障的问题;同时,提出了一种新的数据重整方法,并应用于电动执行器的输出数据中.论文创新的将M型滤波理论与小波变换故障检测结合完成对电动执行器的性能监视和故障诊断.电动执行器发生脉冲型、阶跃型及参数故障,其输出残差并不是脉冲型或者是阶跃型的,这给判别电动执行器的故障时刻及故障幅度带来了困难.M型滤波理论利用电动执行器的输出,仿照稳健统计领域M型参数估计思想,建立过程状态向量的容错方法.当执行器发生故障时,利用M型滤波理论构造出的Γx(tk)、Γy(tk)残差可判定输入型故障发生的时刻及幅值,并可初步判别参数型故障.小波变换方法进行故障诊断,该方法检测出输出y(t)的突变,并区分出导致y(t)突变的两种原因.它首先利用输入的小波变换值和输出的小波变换值分别检测出输入和输出的突变边沿(均值突变),然后比较输入的小波变换值和输出的小波变换值,去除后者中由于前者而造成的极值点.则此时输出的小波变换值中剩余的极值点就对应着系统参数的变化.多尺度贝叶斯数据重整方法综合了小波方法与贝叶斯方法.小波方法可以处理含有多尺度信息的数据,贝叶斯方法可以利用概率分布函数的先验信息来提高被整定信号的平滑性和精确性,利用历史数据及其分布,预估去噪信号与重整信号之间的误差.多尺度贝叶斯方法应用于对输出的数据重整,它很好的兼顾了去噪性能与平滑性,为可靠准确的进行故障诊断提供了前提.多尺度贝叶斯数据重整方法的应用,提高了诊断的准确性,消除了由于电动执行器输出的随机波动给诊断带来的误差.在此基础上,应用M型理论建立Γx(tk)与Γy(tk)模型作为故障诊断的数学模型,应用小波变换理论计算r(t),结合两者构成故障数据库并以此判定电动执行器运行过程中的故障情况.