Los fallos en el circuito de accionamiento de CC de los actuadores electrohidrostáticos de UAV afectan directamente la seguridad de vuelo de un UAV. Se propone una estrategia de diagnóstico de fallos basada en aprendizaje integrado y redes bayesianas para abordar los problemas de diagnóstico temprano de fallos, el pobre rendimiento en el procesamiento de datos desbalanceados y la falta de interpretabilidad en el diagnóstico inteligente de fallos en la práctica de ingeniería. En la etapa de preprocesamiento de datos, se utilizan coeficientes de Pearson para el análisis de correlación de características, y XGBoost realiza la selección de características para extraer características clave de los datos del circuito de accionamiento de CC recopilados. Este proceso ahorra efectivamente recursos computacionales mientras reduce significativamente el riesgo de sobreajuste. La selección óptima de aprendices débiles para el aprendiz integrado de alto rendimiento se identifica a través de validación comparativa. El rendimiento de la estrategia de diagnóstico propuesta se verifica completamente al establecer diferentes algoritmos de comparación en dos circuitos experimentales. Los resultados experimentales muestran que la estrategia supera a los algoritmos de comparación en varios escenarios, como el balanceo de datos, el desbalanceo de datos, fallos en etapas tempranas y alto ruido; en particular, muestra una ventaja significativa en el diagnóstico de desbalanceo de datos y fallos en etapas tempranas. El diagnóstico de fallos interpretable de los circuitos de accionamiento de CC de UAV se realiza mediante la estrategia de interpretación de redes bayesianas, que proporciona el apoyo teórico y metodológico necesario para las operaciones prácticas de ingeniería.