基于RBF神经网络的液压位置伺服系统故障诊断(英文)

摘要

针对液压系统的非线性、时变、流固耦合的特点,提出双级径向基函数(Radial Basis Function,RBF)神经网络模型实现液压伺服系统故障检测与定位。采用第 1 级 RBF 网络作为液压伺服系统的故障检测滤波器,通过实际系统与 RBF 观测器输出的残差实现液压伺服系统故障检测。利用第 1 级 RBF 观测器的输出残差和网络结构参数,应用第 2 级 RBF 网络实现液压伺服系统典型故障定位。针对 K 均值聚类算法收敛速度慢的缺点,提出了改进 K 均值聚类算法和学习速率自适应调整算法,利用网络优化结构参数和学习率,加快神经网络收敛速度,减少运算量。实验结果表明,利用双级 RBF 神经网络能够有效地检测出液压位置伺服系统的故障,并能实现系统的故障定位。