随着科技与工业的发展,数字化和电气化程度更高的多电飞机逐渐成为了下一代飞机的发展方向,这使得电气化程度高的电动舵机在飞机上的应用越来越广泛。舵机作为飞机飞行控制系统的核心执行机构,控制着飞机飞行轨迹的改变,对其实现高效准确的故障诊断对保障飞行控制系统的稳定运行有着重大的现实意义。传统基于解析模型的故障诊断方法因为环境干扰的不确定性以及舵机结构的复杂性实现难度较大。因此,本文提出了两种基于门控循环单元（GRU）的电动舵机故障诊断方法,无需建立舵机解析模型,可以自动提取数据特征进行故障诊断。首先,本文针对电动舵机传感器信号之间是相互关联,变化具有同步性的特点,提出了一种基于SW-DA-GRU模型的故障诊断方法。方法使用不同故障状态下的传感器数据训练多组基于双重注意力机制的GRU神经网络模型（DA-GRU）,而DA-GRU模型可以通过注意力机制提取不同传感器信号之间的相关性帮助模型学习传感器数据中的特征。在进行故障诊断任务时,算法使用电动舵机的传感器数据进行预测,再通过滑动窗口法（SW）增大不同组DA-GRU模型预测结果的差别,利用对应故障条件下传感器数据训练的神经网络模型预测误差最小的原理确认舵机故障类型。实验结果证明了该方法可以通过学习传感器数据中的故障信息,实现电动舵机的高效故障诊断。其次,电动舵机的某些故障存在早期阶段,在故障的早期发现故障有助于降低舵机因故障导致严重损害的风险。同时,电动舵机的结构组成和工作特性使其传感器数据通常具有非线性和周期性的特征,直接使用神经网络模型去拟合这些特征很难获得较好的效果。针对这些问题,本文提出了一种基于STL-HSTA-GRU-SM的故障诊断方法。该方法将STL分解算法与基于混合时空注意力机制的GRU神经网络模型（HSTA-GRU）相结合,先进行电动舵机传感器数据的预测,获得更多的故障信息,再利用基于动态时间规整（DTW）的相似性度量函数（SM）对STL-HSTA-GRU模型的预测结果进行相似性度量确认舵机故障类型。实验结果证明该算法可以高效准确的实现电动舵机早期故障诊断。最后,本文基于实验室搭建的电动舵机实验平台对论文提出算法的实际应用场景进行了探索。论文先介绍了实验平台的基本结构与原理,再使用实验平台采集的传感器数据对所提算法进行了实验验证。通过分析对比实验结果,得出了SW-DA-GRU算法与STL-HSTA-GRU-SM算法各自的适用场景,在实际应用中,可以根据实际任务的需求选择最合适的故障诊断方法。