液压舵机作为飞控系统的重要的组成部分,其性能直接影响飞机的安全运行,同时在航空公司定期维护中,目前仍以传统的定期维修、事后维修为主,造成严重的人力财力浪费。在液压舵机系统日益发杂的环境下,以数据驱动为核心的健康管理技术成为解决上述问题的关键。故文本以日益成熟的深度学习为基础,对液压系统故障诊断与预测方法进行探究。针对液压系统建模困难、需靠专家经验对数据进行筛选和普通机器学习算法诊断精度不足的问题。本文提出了适用于本文升降舵液压系统数据的改进1D-CNN故障诊断算法。首先,使用一维卷积代替传统二维卷积,有利于原始数据时序特征的保留。并且在卷积层末尾连接全局均值池化层,起到了减少模型参数和降低过拟合风险的作用。其次引入残差结构,经过实验选择合适的跳层连接方式。并且每个残差块加入挤压与激励优化算法,对同一层不同维度特征图进行自适应加权。有效解决了网络层数过高带来的模型性能下降的问题。基于文献与调研数据,利用AMEsim软件实现对故障数据的获取。实验表明本文提出算法有较强的故障诊断准确率,相比同层数普通卷积网络,性能提高6.9%。残差结构、挤压与激励优化算法对模型均起到了提升性能的作用。对比本文网络与普通卷积的T-SNE降维可视化图,本文网络对特征的汇聚明显更集中,且不同类别数据没有发生交叉现象。在不同噪声环境中测试模型的抗噪声能力,结果显示,随着噪声强度的增大,本文模型优势越明显,在含30%噪声的环境中本文模型相较普通网络性能提高8.7%。针对寿命预测算法的特征提取能力不足,本文提出一种基于CNN与LSTM的融合算法。首先利用pearson相关系数、均方误差、随机森林等方法对多维传感器数据进行特征筛选。其次利用CNN的强大特征提取能力,设置4个分支,每个分支使用不同卷积核从不同方向特征提取,将采集到特征输入Bi-LSTM,从前后两端处理信息。由于液压寿命数据集的匮乏,本文采用公共数据聚集C-MAPSS对所提方法进行实验验证,实验表明本文算法的寿命预测精度相比CNN、LSTM,分别提高了14.9%、12.1%。