机电静压伺服系统(Electro-Hydrostatic Actuator,EHA)以其抗干扰能力强、控制效率高等优点,得到广泛的应用。受工作条件的影响,EHA关键器件不可避免地出现故障现象,但目前故障诊断、维护措施相对滞后。因此,本文以故障预测与健康管理(Prognostics and Health Management,PHM)技术出发,重点开展EHA智能故障诊断及预测方法的研究,为进一步实现EHA的维护保障能力奠定一定理论基础。主要研究内容如下:首先,确定研究EHA的故障模式。从机电静压伺服系统的结构组成和工作原理入手,通过对EHA关键器件的故障模式分析,并从机电静压伺服系统容易实现故障模拟和故障发生概率等级的角度出发,选取油滤堵塞、增压油箱漏气、IGBT短路作为后续研究的三种故障模式。其次,确定EHA关键器件故障诊断和预测的深度学习方法。根据深度神经网络深层架构的特点,结合神经网络可以逼近任意连续函数的性质,分析深度学习中四种主要的网络模型,最后对比各模型的优势、缺陷及应用实例,提出采用堆叠降噪自编码器(Stacked Denoising AutoEncoder,SDAE)和双向长短时记忆网络(Bi-directional Long Short-Term Memory,BiLSTM)两种深度学习方法作为本文的后续研究方法。再次,研究基于SDAE的不同程度油滤堵塞和增压油箱漏气的故障诊断方法。以EHA油滤堵塞和增压油箱漏气故障为对象,分析基于SDAE的不同程度油滤堵塞和增压油箱漏气故障诊断建模流程。通过搭建EHA实验平台,开展不同程度油滤堵塞和增压油箱漏气故障模拟实验,根据实验采集的数据集分析SDAE的隐含层数量、优化器、各隐含层神经元节点数量等超参数对诊断性能的影响,确定模型最优超参数。最后,将SDAE模型与传统神经网络方法诊断结果进行对比,验证SDAE方法可以更准确应用于EHA不同程度油滤堵塞和增压油箱漏气的故障诊断。最后,针对EHA油滤堵塞和IGBT短路故障预测问题,提出一种基于双向长短时记忆网络的故障预测方法。从双向长短时记忆网络模型结构入手,建立基于BiLSTM的油滤堵塞和IGBT短路故障预测建模流程。根据NASA的IGBT加速老化实验数据集和油滤堵塞仿真数据集,明确模型最优预测超参数,如时间步长、状态向量等。进一步通过与典型时间序列预测方法结果对比,验证其在EHA关键器件预测领域中的适用性。