随着电力电子设备在飞机上的广泛使用,使得机载航空电子设备的故障率和返修率大幅跃升。为提高设备的可维护性,保障航空器全寿命周期内的持续适航性,应采用高效可靠的故障诊断技术,及时发现并处理机载电子设备使用过程中出现的故障,应对潜在的失效可能。航空自耦变压整流器(ATRU)作为航空供配电系统中重要的二次电源,若对其实现有效、准确的故障诊断,航电系统整体可靠性将大幅提高。因此,本文针对ATRU的故障诊断方法展开了研究。本文首先阐明ATRU的工作原理,研究ATRU的典型故障模式并建立故障树模型,分析得到了系统的故障逻辑。进而,本文以一种P型12脉ATRU为研究对象,建立故障仿真模型,分析各类故障对ATRU工作性能的影响。研究基于PLECS仿真软件,编写了一套程序,实现故障的自动注入和仿真。得益于近年来人工智能技术的飞速发展,论文第三章采用一种基于快速傅里叶变化的径向基函数神经网络算法,对ATRU这一复杂非线性系统进行故障诊断。所用方法首先提取系统输出电压的频谱特征,作为故障诊断依据,利用Matlab神经网络工具包构建并训练RBF网络模型,根据训练过程反馈的最小均方误差参数对网络隐层节点进行优化,并利用测试集样本检测网络模型的分类性能。测试结果表明,优化后的网络模型能够实现ATRU复杂故障模式的分类识别。为了进一步提高诊断模型的自适应能力和诊断效率,论文第四章提出一种基于特征融合的分级诊断方法。通过对ATRU关键点电信号特性进行数学建模和仿真分析,构建了ATRU多源信号特征体系。将电路模型与神经网络算法相结合,提出RBF网络组分级故障诊断的思路,对不同的故障集合分别采用相应的融合特征进行诊断,论文中给出详细的算法流程。本文最后设计了多组比较实验,从模型复杂性和诊断准确率两方面,将本文提出的改进方法和现有的其他方法改进方法与,结果证明基于智能融合的分级诊断算法具有更好的综合诊断效果。