电液伺服控制系统具有控制精度高、响应速度快、驱动功率大等优点,已被广泛用于航空航天。电液伺服阀作为该系统的关键部件,它的退化严重影响着该系统的性能与安全。因此,本文研究电液伺服阀的故障预测,包括剩余寿命(Remaining Useful Life,RUL)预测与退化类型预测,通过建立电液伺服阀数学模型,生成故障预测数据集,设计与改进基于人工神经网络的电液伺服阀故障预测算法并实验,验证本文所提神经网络结构的可行性与优越性。本文的主要工作和研究成果如下:1.建立喷嘴-挡板伺服阀的数学模型,针对3种退化类型,完成故障预测数据集的生成。2.将人工神经网络引入电液伺服阀故障预测中,提出基于卷积神经网络(Convolutional Neural Network,CNN)与长短期记忆(Long Short Term Memory,LSTM)、门控递归单元(Gated Recurrent Unit,GRU)和改进门控递归单元(Improved Gated Reccurent Unit,IGRU)的新型神经网络结构CNN_LSTM/GRU/IGRU,赋予故障预测算法自动提取、组合特征的能力与长短期记忆能力。3.提出改进的代价函数。引入代价敏感的RUL预测,避免RUL高估带来的安全问题;融合RUL预测代价与退化类型预测代价,实现部分网络结构的复用。4.综合LSTM与GRU的优缺点,改动GRU的两处结构,得到改进的IGUR,使得CNN_IGUR结构的预测性能整体都比CNN_LSTM/GRU高。最终,使用故障预测数据集验证了本文提出的新型神经网络结构在伺服阀故障预测中的可行性与优越性。