基于RBF神经网络的液压位置伺服系统故障诊断

简介

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。