基于动态神经网络的液压伺服系统故障检测张若青裘丽华北京航空航天大学自动化科学与电气工程学院北京183经网络模型的采用使网络成为系统的完全模型，避免了故障学习，可以较好地检测出较难检测的故障。通过仿真，与前馈时延网络与对角递归网络的比较研究，说明了在实时故障诊断系统中输出递归网络结构的优越性。

　　刖0 1输出递归神经网络液压伺服系统广泛应用于航空航天以及民用大功率的场合，其性能好坏影响整个系统的运行，所以故障诊断技术的采用具有十分重要的意义。

　　动态神经网络的发展，使得神经网络应用于故障诊断时不再限于故障分类器或函数逼近器，而是越来越多地作为种数学模型，从这个意义上讲，基于动态神经网络的故障诊断是基于模型的故障诊断。

　　采用动态神经网络对非线性系统建模，应用较为广泛的是文献1中提出的串并联辨识结构，在系统状态可以由输入输出量完全重构的前提下，该结构因具有全局稳定性而得到了广泛的应用。但是，由于模型需由系统输入与实际输出数据同时驱动，使得相应的神经网络模型成为不完全系统模型，并且故障状态下，故障时刻数据的引入，容易造成故障学习而使故障无法检测，即使在网络中引入动态，如采用对角递归网络，也无法克服该结构固有的缺陷。

　　对基于模型的故障诊断系统而言，需要的是种理想的数学模型，即在系统故障状态下，模型仍能输出系统非故障状态的理想值，从而实现故障的诊断。本文根据故障诊断系统的这特点，借鉴传统数学模型的思想，从建立系统完全模型的角度，利用输出递归网络建立了某液压位置伺服系统感器故障与渐变故障进行了检测。通过与前馈时延网络对角递归网络的比较，说明了在实时故障诊断系统中采用完全模型的必要性。

　　对般非线性系统，其离散模型可由式1描述利用神经网络对系统式1进行辨识时，般采取两种辨识模型状态空间模型与输入输出模型。当系统状态完全可测时，可采用13的状态空间辨识模型！2；状态初始值己知时，可采用化模型3.而对于实际系统，在状态完全可以由输入输出量重构的条件下，采用2的前馈模型或输出递归模型扯0又称并联模型辨识。当式1中8，1可测函数宕存在时当函数为有限函数且含有有限个间断点时，称为8，161可测，采用神经网络的状态空间辨识模型与2所输入输出辨识模型在隐层单元数目定的情况下，可任意逼近由式1描述的系统3.

　　到修改稿对于输出递归模型，由于网络输入中不含有系统输出数据，由该网络建立的系统模型仅由控制信号便可驱动，并且不受故障信号影响。同时，递归网络中反馈的引入，不仅使网络成为真正意义上的动态网络，而且增加了网络的抗噪声能力，使网络输出具有在量测噪声下的*优状态空间预测能力若不考虑初始误差3.本文中将这种网络形式称为输出递归网络，同时文献4中指出，输出递归网络在学习性能上优于传统的递归网络如1网络，对角递归网络等，因此本文采用输出递归网络对某液压位置伺服系统建模。

　　输出递归网络描述为，兄0分别为，时刻隐层输出与网络输出，冰为输入层至隐层输出层至隐层及隐层至输出层的连接权值分别为隐层与输出层偏置，1分别为输入节点隐层节点输出节点数目，爪为输出延迟数目，与试0分别为8阿函数与线性函数。

　　为避免递归网络算法复杂训练费时的缺点，应用前馈静态网络成熟的算法，本文在文献5中算法的基础上，提出开环训练闭环再训练的算法，即网络开环训练时采用串并联辨识结构所形成的前馈网络，训练完成以后，网络输入中系统输出值由网络输出值替代，形成递归网络后再采用进行动态梯度修正后的661租叫仙1出算法训练。

　　网络训练算法收敛于全局*小的前提往往是初始权值已处于*佳权值的邻域内，本文提出的算法不仅减少了训练时间，更适于应用，而且提高了网络训练的成功率。

　　2系统描述某液压位置伺服系统的原理3，伺服放大器将控制信号与传感器反馈的位置信号形成根据电流信号的极性与大小产生不同方向及大小的流量，控制油缸的左右运动，从而达到控制负载位置的目的。

　　系统可测量为控制油缸两端压力差及控制油缸位移，为状态可观测系统，可以采用输出递归网络进行系统辨识。

　　3仿真分析统的仿真模型，其中不仅包括伺服阀的动态非线性模型，还考虑了系统元部件的饱和等因素，使在此基础上建立的动态神经网络模型成为真正的非线性模型，不再具有由于线性化带来的参数随工作点变化的时变特性。

　　3.1网络结构系统辨识结果并联辨识结构的前馈网络对角递归的结构及权重数目列于中，由于系统阶次为3，前馈时延网络中输入信号控制信号压力差位移延迟均为3，对角递归网络因网络本身具有定的动态特性，延迟取为2.输出递归网络12的延迟包括输入与反馈分别为32.位移信号做为网络输出信号，输出递归网络因采用压力差与位移反馈，输出单元数目取为2.

　　为充分激励系统动态特性，辨识信号取幅值为致分布的随机信号，训练时采用无噪声数据，测试时控制信号取周期为1.28方波信号，测得信号中加入功率谱为，1的随机噪声。中数据为采用动态LevenbegMarquardt算法训练1000步后所得的辨识与测试结果，式中以平均平方误差作为精度指标，BPems yt2.其中味为第个输出的教师值为样本总数。

　　由中数据可以看出，在延迟阶次相同的条件下，前馈时延网络的辨识精度及测试精度均高于输出递归网络1；在权重数目基本相同的条件下，对角递归网络性能也优于输出递归网络2；输出递归网络1性能优于输出递归网络2.这些结果明，前馈时延网络与对角递归网络均具有较强的网络逼4输出递归2时间4结论模型分析的基础上，采用输出递归网络模型对某液压位置伺服系统进行了故障检测研究。仿真分析明，该模型的采用避免了故障学习，不仅可以检测加性故障，而且还可以检测乘性故障，对渐变故障也具有良好的识别能力。由于网络只由控制信号驱动，使得该网络结构适用于结构参数时不变系统，如果能够将影响系统参数变化的系统参数作为网络输入，则可以将该网络模型适用范围进步扩展。

　　感器不仅是测量元件，而且作为系统控制的关键部件参与系统反馈控制，因此它的故障检测至关重要。在周期为2.4 8的方波信号作用下，0.4，0.8s加入位置反馈传感器增益突变故障，4，可以看到由于网络均具有较好的动态特性，在控制信号发生突变时下所有残差均变化较小。在故障期间，前馈时延网络与对角递归网络的残差虽然发生了变化，但是后期产生了故障学习现象，使得残差信号类似脉冲信号容易作为干扰信号被滤波。

　　虽然输出递归网络精度相对较差，但仍能够很好地预测系统输出，及时检测出故障，同时由于不引入测试数据，网络输出不受测试噪声影响。

　　3加入放大器渐变加性故障，可以看到，前馈时延网络与对角递归网络均不能检测故障，输出递归网络则较好地检测输出递归1输出递归2对角递归前馈时延网络结构权重数目辨抑抓近能力及泛化能力，同时当系统阶次已知时，递归网络延迟数目应与阶次相同。

　　3.2故，检测称为残差，以残差检测故障。由于本系统中位置传出了故障，只是在时间上有定的延迟，即是在故障征兆明显以后才能检测，这也是能够进行故障检测的前提条件。