舵系统作为伺服控制系统,广泛应用于航空航天、军事、船舶和自动驾驶等高精尖领域,在设备运行过程中占有主导地位,其性能的优劣直接影响整个设备的运行状态。因此,关于舵系统的故障诊断与识别技术的研究尤为重要。现存的舵系统测试设备具有便携、易操作和自动测试等特点,但后期数据分析不属于测试环节,两者完全脱节。为实现高效的基于测试数据的舵系统故障诊断,本文引入机器学习算法实现数据测试与系统分析一体化。舵系统由舵放电路和四个同型舵机构成,为排除复杂多变的模拟电路故障,本文首先研究和探索模拟电路故障诊断方法。针对模拟电路故障类型复杂、特征数据庞大等特点引入拉普拉斯分数算法实现特征重要性排序,经排序的样本按照维数逐次递增输入优化的支持向量机中完成训练,实现对样本维度、训练精度和训练效率三者的权衡,并最终寻得最优诊断模型。其中,优化算法选用扰动粒子群算法避免了易于陷入局部最优的窘境。然后基于测试数据实现对系统的故障状态分析,针对测试数据的不平衡特性,引入重采样技术解决传统分类算法在不平衡学习中的性能衰退问题。首先,提出基于聚类的加权过采样算法实现少数类样本的合成,算法中重点考虑支持向量并赋予权重,随后在层次聚类算法的基础上运行合成少数过采样技术完成新样本的合成,该算法有效避免大量噪声样本的合成,但样本携带的信息不够全面,只适于实现系统的故障诊断。为实现高质量、携带信息充分的新样本的合成,为进一步提升分类器的性能并实现故障定位,提出了在信息样本选择与样本权重分配上更加合理的基于信息样本的自适应过采样技术,该方法以决策超平面为参考,依据样本点与超平面的欧氏距离实现信息样本点的选择与权重分配,其中信息样本点的占比与采样率以及分类器中的关键参数都在模型训练中由鲸鱼优化算法寻优获得,如此,获得的诊断模型在故障诊断与识别中性能更加优越,定位更加准确。开发的模拟电路故障诊断模型在两例常见的模拟滤波电路完成实验验证,实验结果显示,故障诊断准确率高,分类器性能优越。在基于测试数据的舵系统的故障诊断与识别的对比实验中,验证了模型的高效性和性能的优越性。