基于VR與PNN相結合的機電液控制系統(tǒng)故障診斷方法*

何德雨，胡蔦慶，胡 雷，陳 凌，郭亦平

(1. 國防科技大學 裝備綜合保障技術重點實驗室， 湖南 長沙 410073；2. 國防科技大學 機電工程與自動化學院， 湖南 長沙 410073；3. 中船重工集團707研究所九江分部， 江西 九江 332007)

基于VR與PNN相結合的機電液控制系統(tǒng)故障診斷方法*

何德雨1,2，胡蔦慶1,2，胡 雷1,2，陳 凌1,2，郭亦平3

(1. 國防科技大學 裝備綜合保障技術重點實驗室， 湖南 長沙 410073；2. 國防科技大學 機電工程與自動化學院， 湖南 長沙 410073；3. 中船重工集團707研究所九江分部， 江西 九江 332007)

針對大型復雜機電液控制系統(tǒng)故障診斷中存在的數學模型獲取困難、歷史故障數據匱乏問題，提出了一種將虛擬樣機與概率神經網絡相結合的故障診斷混合方法。建立系統(tǒng)的虛擬樣機，并對其可信性進行校核與驗證。在此基礎上進行大量隨機性故障植入與仿真實驗，獲取故障仿真數據。經過特征提取與概率神經網絡模式識別訓練，形成用于診斷的知識庫，從而實現(xiàn)故障診斷。以操舵系統(tǒng)作為研究案例，得到了較高的故障檢測和隔離精度與較低的虛警及漏警率，驗證了該方法的可行性，為大型復雜機電液控制系統(tǒng)故障診斷提供新的思路。

虛擬樣機；機電液控制系統(tǒng)；概率神經網絡；故障診斷

大型復雜機電液控制系統(tǒng)在國民經濟生產和國防軍事等領域中發(fā)揮著不可替代的作用，這類裝備一旦發(fā)生故障，往往會導致非常大的經濟財產和人員損失，因此對其進行實時的狀態(tài)監(jiān)控與故障診斷顯得尤為迫切。然而，由于系統(tǒng)規(guī)模大，結構原理復雜，機電液混合造成的能量轉換多變，使得對其進行系統(tǒng)級的故障診斷難度徒增，主要體現(xiàn)在以下兩個方面。其一，系統(tǒng)的準確數學模型難以建立，導致基于模型的故障診斷策略難以實施；其二，歷史故障數據的缺乏，導致專家經驗知識的嚴重不足，也是制約裝備定量故障安全分析技術的主要瓶頸[1]。

近年來，隨著計算機科學技術的飛速發(fā)展，基于仿真的方法在各個學科領域和社會實踐中得到了廣泛的應用，這主要得益于仿真技術極強的靈活性、廉價性和高效性。將仿真技術應用于大型機電液控制系統(tǒng)的故障診斷中是一種可行的研究思路。本文在對控制系統(tǒng)故障診斷技術的研究現(xiàn)狀進行總結后，提出一種將虛擬樣機與概率神經網絡(Probabilistic Neural Network, PNN)相結合的機電液控制系統(tǒng)故障診斷混合方法，克服了傳統(tǒng)控制系統(tǒng)故障診斷方法存在的建模困難、數據匱乏等缺點。案例驗證結果顯示該方法具有較好的診斷效果。

1 控制系統(tǒng)故障診斷研究現(xiàn)狀

故障診斷包含三層含義，即故障檢測、隔離和辨識(Fault Detection, Isolation, and Identification, FDII)[2]。實際應用中，有效的故障檢測和隔離一般必不可少，而故障辨識對于故障恢復、健康檢測和維修決策非常重要。本文中的故障診斷是指故障檢測和隔離。

控制系統(tǒng)故障診斷方法，總體上可分為以下三類：①基于信號處理的方法；②基于數學模型的方法；③基于學習和知識的方法。

基于信號處理的方法對系統(tǒng)傳感器測量信號進行處理分析，按處理的方式又可分為兩種。第一種對信號進行時域閾值檢測或趨勢分析[3]，從數據中提取時域趨勢特征；第二種對信號進行頻域或時-頻域混合分析，提取頻域和時-頻域特征，主要應用在齒輪箱和軸承等機械部件的故障診斷[4-5]。該類方法的主要問題是沒用考慮測量信號之間的關聯(lián)性，本質上加劇了虛警風險。

基于數學模型的方法通過分析實際系統(tǒng)與模型估計之間的殘差以實現(xiàn)故障診斷。根據殘差生成的方式，該類方法又可分為三種，分別是基于觀測器(或者基于濾波器、基于狀態(tài)估計)的方法[6]、奇偶空間法[7]和參數估計法[8]。這類方法的應用基礎是必須獲得控制系統(tǒng)的準確數學模型，而這對于大型復雜系統(tǒng)往往難以實現(xiàn)。

基于學習和知識的方法緊密依賴于系統(tǒng)的歷史數據和專家經驗知識。前者從系統(tǒng)的歷史輸入輸出數據中通過學習獲取數據驅動模型，以此作為殘差估計的解析模型，這類方法又稱為基于計算智能或人工智能的方法，主要包括人工神經網絡[9]和模糊邏輯[10]等。后者使用系統(tǒng)if-then規(guī)則的專家知識和失效模式等經驗，主要包括專家系統(tǒng)法[11]和故障樹法等。這類方法的主要缺陷在于依賴于歷史運行數據，診斷主觀性強。

綜上所述，控制系統(tǒng)故障診斷的三類方法各有優(yōu)缺點。而對于大型復雜機電液控制系統(tǒng)，由于系統(tǒng)組成結構復雜，各種參數可測性差且存在較強的耦合現(xiàn)象，系統(tǒng)的故障征兆和故障原因之間又具有復雜的非線性映射關系[12]，相比于簡單的控制系統(tǒng)更難診斷。在前述的常規(guī)故障診斷方法中，第一類方法無法實現(xiàn)系統(tǒng)級診斷，第二類方法存在模型獲取困難的問題，而第三類方法又缺乏歷史運行數據，所以單獨運用某種方法都很難勝任。為克服以上三類方法各自的缺陷，將第二類和第三類方法進行延伸和融合，提出一種基于虛擬樣機與PNN相結合的故障診斷混合方法，試圖開發(fā)出一條解決復雜機電液控制系統(tǒng)故障診斷問題的新途徑。

2 基于虛擬樣機與PNN的故障診斷方法

2.1 理論基礎

作為仿真技術的一個分支，虛擬樣機是從20世紀80年代逐漸發(fā)展起來的新技術，它是指建立在計算機上的系統(tǒng)仿真模型，在一定程度上具有與物理樣機(原系統(tǒng))相當的功能真實度。能夠描述系統(tǒng)的基本功能和工作原理。虛擬樣機可應用于系統(tǒng)設計、生產和評估的全壽命周期，在可靠性設計、制造、動態(tài)特性分析等領域有廣泛的應用，能夠節(jié)約成本、提高效率[13]。本文虛擬樣機用于系統(tǒng)服役階段的故障診斷，研究中選用AMESim(advanced modeling environment for performing simulation of engineering systems)作為虛擬樣機建立模仿真平臺，它是法國Imagine公司于20世紀末推出的基于鍵合圖的系統(tǒng)建模、仿真及動力學分析軟件，涵蓋了機械、液壓、氣動、熱、電磁等多學科領域，具有界面友好、模型庫豐富和分析工具齊全等優(yōu)點。

概率神經網絡(Probabilistic Neural Network, PNN)是基于貝葉斯決策理論發(fā)展的一種徑向基函數(Radial Basis Function, RBF)神經網絡，具有分類能力強、學習速度快等優(yōu)點，在模式識別與故障診斷等領域中應用十分廣泛[14]。典型的兩種模式的PNN神經網絡拓撲結構如圖1所示[15]。

圖1 兩種模式的PNN拓撲結構Fig.1 Topological structure of PNN for two modes

網絡共分為四層，分別為輸入層、模式層、求和層和輸出層。其中輸入層的神經元數量與訓練樣本的維數(特征向量維數)相對應。模式層中的神經元數量和各模式的樣本數相對應。而在求和層，故障模式和神經元一一對應，這些神經元將模式層中一組神經元的輸出求和，得到該模式的估計概率。決策層選擇求和層中輸出最大者為輸出模式。

2.2 故障診斷混合方法框架

基于虛擬樣機與PNN相結合的故障診斷混合方法的基本框架如圖2所示。所謂的仿真知識，是指通過虛擬樣機的仿真數據獲取的診斷知識。該框架主要分為四個階段。

圖2 基于虛擬樣機的故障診斷框架Fig.2 Fault diagnosis framework based on virtual prototyping

第一階段，虛擬樣機的確立。根據系統(tǒng)的工作原理和結構組成，選擇合適的建模軟件平臺，搭建系統(tǒng)的虛擬樣機。為確保虛擬樣機具備較高的可信性，并且能否滿足潛在應用的需求，必須經過嚴格的校核與驗證(Verification and Validation，V&V)[16]。V&V是確保模型可信性的基礎，是本方法的關鍵環(huán)節(jié)，應予以足夠重視。V&V不是建模與仿真的末端工作，而是應該貫穿于建模與仿真的全壽命周期中。

第二階段，故障數據的獲取。要想獲取仿真故障數據，需要經過故障植入與故障仿真兩個步驟。故障植入是指在虛擬樣機中通過改變參數、增減元件等手段人為地模擬某種故障發(fā)生的手段。而故障仿真是指在故障植入的基礎上，指定采樣間隔與仿真時間和其他初始化參數設置，通過仿真模擬故障發(fā)生對系統(tǒng)輸出(或其他感興趣的內容)所造成的影響。

為得到較為全面的診斷知識，仿真數據應該具備一定的全面性，即故障仿真須涵蓋盡量多的運行場景。運行場景包含大量的隨機變量，首先指定其中較為重要的幾種隨機變量及其概率分布，應用蒙特卡洛仿真方法，對這些變量進行隨機抽樣，在每次故障仿真中采用一個抽樣值，通過足量的故障仿真實驗完善仿真數據庫。

第三階段，故障知識的形成。首先根據故障仿真的結果，對所有故障模式進行分類。對仿真數據中表征故障發(fā)生的數據進行提取，從而減少數據存儲量、提高訓練效率，實現(xiàn)特征提取。在此基礎上，運用PNN模式識別方法對所提取出的故障特征進行訓練，生成用于故障診斷的知識庫。每種故障類型對應一個診斷知識庫，從而提高故障診斷的準確性。

第四階段，故障檢測和隔離。本方法致力于實時監(jiān)測式的故障診斷。首先根據故障檢測特征，基于PNN模式識別方法對系統(tǒng)是否發(fā)生故障以及故障的類型進行判斷。在此基礎上，應用發(fā)生的故障類型對應的故障診斷知識庫，根據故障隔離特征，基于PNN方法對故障模式進行識別，從而隔離故障發(fā)生的部位，實現(xiàn)故障診斷。

3 案例研究

某型泵控液壓缸操舵伺服控制系統(tǒng)由操舵裝置、泵控裝置、控制電路、舵機油缸以及舵角反饋機構等組成。它是一個典型的大型復雜、雙閉環(huán)、機電液混合伺服控制系統(tǒng)，其控制原理如圖3(a)所示[17]。

3.1 虛擬樣機確立

在控制線路中有兩個控制閉環(huán)，分別為舵角控制閉環(huán)與斜盤控制閉環(huán)。根據控制原理及實際系統(tǒng)液壓部件參數，在AMESim的“信號與控制”“液壓”和“機械”等元件庫中選擇相對應的元件搭建虛擬樣機。其中，液壓部分與實際系統(tǒng)基本達到元件級的一一對應，而電控部分及機械部分則力求實現(xiàn)模塊功能，這樣做既可以有效降低建模的復雜性，又能最大限度地保證虛擬樣機與實際系統(tǒng)的逼真程度。最終所建立的虛擬樣機如圖3(b)所示。

本文對V&V的詳細實施流程不做贅述，只研究最為關鍵的仿真結果驗證環(huán)節(jié)。假設xt和yt分別是實際系統(tǒng)觀測序列X仿真模型觀測序列Y，則二者的誤差序列為：

(a) 操舵系統(tǒng)控制原理圖(a) Control principle of steering system

(b) 操舵系統(tǒng)虛擬樣機(b) Virtual prototyping of steering system圖3 操舵系統(tǒng)控制原理圖和虛擬樣機Fig.3 Control principle and virtual prototyping of steering system

et=xt-yt,t=1,2,…,N

(1)

其中N為序列長度。經過對相關文獻中類似研究工作的總結分析，提出以下兩個相似度驗證指標。

1)相關系數：相關系數可以很好地比較兩列數據的趨勢相似性。相關系數的計算公式為：

(2)

2)差均方根(RootMeanSquare,RMS)：采用誤差序列的均方根值，考察仿真數據與實測數據之間的幅值相似度。 誤差序列的RMS計算公式為：

(3)

在V&V方案中，共有7個驗證測點，如圖3中的1#～7#所示。根據上文設計的驗證指標的精確計算得到的驗證結果如表1所示，說明所建立的虛擬樣機與實際系統(tǒng)具備較高的相似度。

表1 虛擬樣機模型校核與驗證結果Tab.1 V&V result of virtual prototyping

3.2 故障數據獲取

故障仿真的基礎和核心是故障的植入。故障植入即根據待仿真故障類型和需求，構造故障模型，用人工的方法有意識地產生故障并施加于特定的被測系統(tǒng)中，以模擬該系統(tǒng)故障的發(fā)生。依據實際工程中功能故障建模與仿真的需求，功能故障植入可通過以下兩種方式實現(xiàn)：①修改模型結構，即在模型中增加、刪除一些與故障相關的圖形元件，從而將正常部件模型轉換為故障部件模型；②修改模塊關鍵性能參數，即對圖形元件中一些能準確表示故障現(xiàn)象的性能參數，包括輸入輸出參數或局部變量進行修改，以生成故障部件模型。

對系統(tǒng)可能的故障模式進行植入與仿真，根據仿真結果可以對故障模式進行分類。本案例中，基于舵角的變化情況，可以將所有故障模式分為三大類，即卡舵類(失效)故障(A類)、穩(wěn)態(tài)誤差故障(B類)和瞬態(tài)誤差故障(C類)。三種故障類型的典型故障模式的故障仿真結果如圖4所示。其中，A類故障選取模放板輸出為0，B類故障選取斜盤反饋為0，C類故障選取模放板輸出恒增益故障。相對來說，卡舵類故障所造成的危害性比其他兩種更大。因此，本文主要對卡舵故障進行研究。

圖4 典型故障的仿真結果Fig.4 Simulation results of typical faults

卡舵故障是指舵角保持原值，不跟隨操舵指令變化。除了執(zhí)行器故障外，有三種導致卡舵故障的故障模式，分別是模放板輸出為0(故障 A1)，泵控箱輸出為0(故障 A2)以及舵角反饋為0(故障 A3)。這三種故障的故障植入方法如圖3(b)的灰色框所示。

3.3 故障知識形成

仿真數據不能完全作為知識進行存儲，這是因為有的數據對于故障診斷非但不起作用，而且有可能造成負面效果，這時就需要對仿真數據進行“篩選”，提取出對于故障診斷有用的特征。如圖5所示為正常、故障A1，A2和A3的各100次故障仿真的故障特征提取結果。為模擬實際情況，每次故障仿真中，指令舵角和初始舵角都是-30°～30°平均分布內的隨機值。

圖5 不同故障模式的卡舵故障特征Fig.5 Fault features of different fault modes of stuck rudder

卡舵故障既是一種瞬態(tài)性故障，也是一種穩(wěn)態(tài)性故障。為盡早實現(xiàn)故障診斷，提取出卡舵的瞬態(tài)故障特征是最為理想的。根據對操舵系統(tǒng)瞬態(tài)特性的分析，從發(fā)出操舵指令后0.5 s時刻的測點數據，在故障與正常狀態(tài)下就會有很大區(qū)別。因此，將相關測點0.5 s時的數據點提取出來作為故障特征，舍棄其他時刻的數據點。這樣處理的依據是0.5 s前的數據故障特征尚不夠明顯，不利于診斷，而0.5 s時正常狀態(tài)下舵角應有較明顯的變化，已能夠區(qū)分是否卡舵?？s短故障特征時間能夠有效提高分析效率，減少仿真時間，有利于大量進行故障仿真試驗以生成和完善故障數據庫。例如本案例中的單次仿真時間可以縮短至0.5 s。用于故障檢測的特征是當前舵角與初始舵角的差Di，用于故障隔離的特征是MP3#，MP4#和MP5#。

本案例驗證中的仿真—訓練—測試的流程如圖6所示。故障模式A1，A2，A3和正常狀態(tài)的虛擬樣機，分別在隨機指令和隨機初始舵角下進行200次仿真實驗，進行特征提取后，各隨機抽取(打亂樣本順序)其中的100次作為訓練樣本，另外100次作為測試樣本，進行10次這樣的隨機抽樣，以測試結果的平均值作為診斷效果的評判依據。

圖6 仿真—訓練—測試的流程Fig.6 Flow path of simulation-train-test

3.4 故障診斷

采用測試樣本對經過訓練的PNN網絡進行測試，從而用仿真數據實現(xiàn)對故障診斷方法的驗證。如3.3節(jié)中所述，進行20次隨機抽樣。每次故障診斷的結果見表2。

表2 卡舵故障診斷結果Tab.2 Fault diagnosis accuracy of stuck rudder

從診斷結果可以看出，對于正常樣本，平均的識別精度是99.2%，即虛警率為0.8%。對于卡舵類故障的整體故障檢測精度是99.4%，即漏警率為0.6%。而在成功檢測出的卡舵故障中，故障A1，A2和A3的故障隔離精度分別達到了100%，97.8%和96.7%。以上指標說明所提出的方法具備較好的故障診斷效果。

依照上述研究思路，可以進一步對B類故障和C類故障的診斷進行研究，實質上涉及早期微小故障的診斷，對于故障特征及診斷模型的要求更高，現(xiàn)階段研究中的診斷效果比A類故障較差，有待更深入的研究。

4 結論

基于虛擬樣機與PNN的混合方法的基本思想是建立原系統(tǒng)的虛擬樣機，并對虛擬樣機進行校核與驗證；在此基礎上，對虛擬樣機進行隨機性的故障植入與仿真試驗，模擬真實工況獲取仿真數據；進一步對仿真數據進行故障特征提取，并以PNN這種模式識別方法進行訓練，形成用于診斷的知識庫。診斷過程中，首先基于PNN進行故障檢測，判定故障類型，進而基于PNN進行故障隔離。用操舵系統(tǒng)作為案例對所提出的方法進行驗證。診斷結果表明，所提出的故障診斷方法具備較低的虛警率和漏警率以及較高的故障檢測和隔離精度，從而證明了所提出方法的有效性。

所提方法的潛在應用對象并不局限于控制系統(tǒng)，凡是可以進行虛擬樣機建模的系統(tǒng)，都可以嘗試用此方法進行故障診斷。但同時需要指出的是，本文的研究過程中，并沒有實測故障數據的驗證支持，也未對噪聲和干擾等負面影響進行研究，因此，在實際應用中還有待進一步研究。

References)

[1] 趙廷弟．安全性設計分析與驗證[M]．北京：國防工業(yè)出版社， 2011. ZHAO Tingdi. Safety design, analysis and verification[M]. Beijing: National Defense Industry Press, 2011.(in Chinese)

[2] Sobhani-Tehrani E, Khorasani K.Fault diagnosis of nonlinear systems using a hybrid approach[M]. New York,USA: Springer, 2009.

[3] Maurya M R, Rengaswamy R, Venkatasubramanian V.Fault diagnosis using dynamic trend analysis: a review and recent developments[J].Engineering Applications of Artificial Intelligence, 2007, 20(2): 133-146.

[4] 于德介， 程軍圣， 楊宇． Hilbert-Huang變換在齒輪故障診斷中的應用[J]．機械工程學報， 2005， 41(6)： 102-107. YU Dejie, CHENG Junsheng, YANG Yu. Application of Hilbert-Huang transform method to gear fault diagnosis[J]. Chinese Journal of Mechanical Engineering, 2005, 41(6): 102-107. (in Chinese)

[5] Loparo K. Bearing fault diagnosis based on wavelet transform and fuzzy inference[J].Mechanical Systems and Signal Processing, 2004, 18(5): 1077-1095.

[6] 翟旭升， 謝壽生， 苗卓廣， 等．基于T-S模糊模型的航空發(fā)動機非線性分布式控制系統(tǒng)故障診斷[J]．航空動力學報， 2013， 28(6)： 1429-1435. ZHAI Xusheng, XIE Shousheng, MIAO Zhuoguang, et al. Fault detection of aero-engine non-linear distributed control system based on T-S fuzzy model[J]. Journal of Aerospace Power, 2013, 28(6): 1429-1435.(in Chinese)

[7] Nguang S K, Zhang P, Ding S.Parity relation based fault estimation for nonlinear systems: an LMI approach[C]//Proceedings of American Control Conference, 2006: 5141-5146.

[8] Wang A P, Wang H. Fault diagnosis for nonlinear systems via neural networks and parameter estimation[C]//Proceedings of International Conference on Control and Automation, 2005: 559-563.

[9] Rengaswamy R, Mylaraswamy D, rzén K E, et al. A comparison of model-based and neural network-based diagnostic methods[J].Engineering Applications of Artificial Intelligence, 2001, 14(6): 808-818.

[10] 黃明．基于模糊聚類和灰色預測的飛行器控制系統(tǒng)故障診斷方法研究[D]．長沙：國防科學技術大學， 2012. HUANG Ming.The research of fault diagnosis approach based on fuzzy C-means clustering and grey forecasting for flight control system[D].Changsha: National University of Defense Technology, 2012. (in Chinese)

[11] Cen N, Khan F, Iqbal M T.Real-time fault diagnosis using knowledge-based expert system[J].Process Safety and Environmental Protection, 2008, 86(1): 55-71.

[12] 馮文潔．典型工程機械機電液系統(tǒng)故障診斷[D]．上海：同濟大學， 2014. FENG Wenjie.Typical construction machinery electro-hydraulic system fault diagnosis[D]．Shanghai: Tongji University, 2014. (in Chinese)

[13] 趙雯， 王維平， 朱一凡, 等．武器系統(tǒng)虛擬樣機技術研究[J]．國防科技大學學報， 1999， 2(1)： 58-61. ZHAO Wen, WANG Weiping, ZHU Yifan, et al.Towards technology of virtual prototyping in weapon systems[J]．Journal of National University of Defense Technology, 1999, 2(1)： 58-61.(in Chinese)

[14] Malik H, Mishra S. Application of probabilistic neural network in fault diagnosis of wind turbine using fast, turbsim and simulink[J]. Procedia Computer Science, 2015, 58: 186-193.

[15] 葉志鋒， 孫健國．基于概率神經網絡的發(fā)動機故障診斷[J]．航空學報， 2002， 23(2)： 155-157. YE Zhifeng, SUN Jianguo.Probabilistic neural networks based engine fault diagnosis[J]．Acta Aeronautica Et Astronautica Sinica, 2002, 23(2): 155-157. (in Chinese)

[16] Department of Defense. Instruction DoD modeling and simulation verification, validation and accreditation (VV&A) recommended practices guide 5000.61[S].USA: Department of Defense Directive, 1996.

[17] 胡良謀， 曹克強， 徐浩軍．基于改進LS-SVM的液壓舵機雙閉環(huán)系統(tǒng)故障診斷[J]．系統(tǒng)仿真學報， 2009， 21(17)： 5477-5480. HU Liangmou, CAO Keqiang, XU Haojun. Fault diagnosis for hydraulic actuator double closed-loop system based on improved LS-SVM[J]. Journal of System Simulation, 2009, 21(17): 5477-5480. (in Chinese)

Fault diagnosis method of mechanic-electronic-hydraulic control system based on the combined virtual prototyping and probabilistic neural network

HE Deyu1,2, HU Niaoqing1,2, HU Lei1,2, CHEN Ling1,2, GUO Yiping3

(1. Laboratory of Science and Technology on Integrated Logistics Support, National University of Defense Technology, Changsha 410073, China；2. College of Mechatronics Engineering and Automation, National University of Defense Technology, Changsha 410073, China；3. The Jiujiang Branch of 707 Research Institution, China Shipbuilding Industry Corporation, Jiujiang 332007, China)

In the diagnosis of large-scale mechanic-electronic-hydraulic control system, and for the mathematical model was hard to build and the historic fault data was short, a hybrid fault diagnosis method based on virtual prototyping and PNN (probabilistic neural network) was proposed. Virtual prototyping was first built and its credibility was validated. On this basis, fault injection and simulation were conducted to obtain fault data, which was then extracted as fault features and trained by PNN to form diagnosis knowledge library. A case study of steering system was presented to verify the correctness of the proposed method, which shows that the accuracy of fault detection and isolation is high and the rate of false/missing alarm is low. The proposed method may bring a novel idea for the fault diagnosis of large-scale and complicated mechanic-electronic-hydraulic control system.

virtual prototyping; mechanic-electronic-hydraulic control system; probabilistic neural network; fault diagnosis

10.11887/j.cn.201606019

2015-08-18

國家自然科學基金資助項目(51475463)

何德雨(1987—)，男，遼寧大連人，博士研究生，E-mail：hedeyu@nudt.edu.cn； 胡蔦慶(通信作者)，男，教授，博士，博士生導師，E-mail：hnq@nudt.edu.cn

TP206；TP273

A

1001-2486(2016)06-117-07

http://journal.nudt.edu.cn