随着航空货运在我国经济生产生活中的作用越来越重要,货舱货物装载系统的机械化、自动化和智能化成为一种不可逆转的趋势,由此产生的装载系统及其关键部件的可维护性需求也愈发明显。货舱货物装载系统包含了各种电子、机械子系统及关键部件,系统复杂度较高,出现故障的可能性也就相应增加,且故障一旦发生,就可能引起连锁反应导致系统拓机,甚至形成破坏性后果,从而造成不必要的经济损失。PDU是装载系统中的动力驱动单元,在系统中的作用举足轻重,且比较容易产生故障,因此,针对PDU的故障诊断成为亟待研究和解决的重要问题。故障诊断技术发展至今,伴随着机器学习和数据挖掘技术的不断深入研究,数据对于故障诊断的价值日益凸显,如何有效地运用现有设备运行数据来深度挖掘蕴含于其中有价值的故障信息,成为基于数据驱动的故障诊断方法的重要研究内容。本文对基于数据驱动的故障诊断方法进行了研究和改进,主要从特征提取方法和故障诊断方法两方面展开,并通过理论推导和TE数据集仿真的手段验证了方法的有效性和优越性;本文结合PDU较少的公开资料和现有PDU维修经验,探究了PDU故障机理和状态监测方法,为进一步获取PDU实测数据、实现PDU故障诊断打下了基础。本文主要的研究成果有:1.提出了基于中值的WPCA算法特征提取方法,解决了实际应用场景下,由于原始数据可能存在的高维度、多冗余、含噪声特性而带来的特征提取难度大、效果差的问题,利用TE数据集进行仿真验证,结果表明所提出特征提取方法在保证了算法高效运行的前提下,改进了传统PCA的降维性能,处理结果能突出反映原始数据的主要特征或者主要维度,减小了次要特征和噪声信号的影响。改进主要有以下两个方面:1)通过计算数据的每一维特征对于分类的不同贡献程度进行特征加权,实现了更准确有效的特征提取,加权后的处理结果更能反映数据的主要特征;2)在传统PCA中心化预处理的实现方法上,引入不受数据极端值影响的中值代替均值,一定程度上避免了提取到的特征受原始数据极端值(即噪声和异常信号)的影响,使得特征提取结果更准确而可靠。2.提出了改进的基于聚类算法的故障诊断方法——诊断集聚类分布图法,解决了现有故障诊断方法实现故障诊断的过程普遍较为繁杂的问题,通过构建标准特征样本集,并与待诊断样本组成诊断集作为聚类算法的输入,实现了故障检测和故障诊断结果在聚类结果图上的直观体现,同时将该方法与基于中值的WPCA算法特征提取方法相结合,提高了聚类效果和故障诊断的正确率。3.探究了PDU故障机理和状态监测方法,解决了PDU故障类型与故障征兆之间对应关系的问题,并给出了通过动力学建模求解各类故障与动力学参数之间隐含映射关系的方法,设计了初步的PDU状态监测方案,为获取PDU实测状态数据、进一步实现PDU故障诊断打下了基础。