液压控制系统有着功率密度高、动静态特性良好、抗干扰能力强、散热与润滑方便等诸多优点,在航空航天、船舶车辆、冶金石化、矿山机械等行业得到广泛应用.快速精确地测试液压元件与系统的性能参数、评定其品质指标,可以有效地监控液压元件与系统的工作状况,提高液压元件与系统的研究、设计与应用水平.在液压测试系统的基础上开展液压系统的故障诊断研究,可以利用测试平台的软硬件资源,实时地诊断液压系统的故障,而故障诊断研究的一个重要前提是有效的系统辨识,只有充分地对液压系统进行系统辨识研究,才能有效地提高液压系统故障诊断的水平.研究了伪随机信号作为谱分析法辨识的激励信号时存在的问题,讨论了伪随机信号的产生机理,从频域和时域分析了伪随机信号的性质及其应用,提出了用逆重复伪随机信号弥补普通伪随机信号的不足.在研究开发的伺服阀动态特性测试系统中,以VXI总线仪器为软硬件平台,成功地以谱分析方法实现了伺服阀动态特性的快速、准确测试,取得良好的效果.研究了神经网络其输入输出的非线性映射关系,分析了典型的激发函数和神经网络的有向图表示.较为系统地分析了神经网络训练的BP算法,分析了神经网络存在的非线性映射能力、泛化能力、局部极小等问题,讨论了解决局部极小的几种方法.在分析基于神经网络系统辨识的一般原理的基础上,深入研究了系统辨识的串—并联模式和并联模式,研究了对角回归网络DRNN的结构与算法,提出了以DRNN为辨识模型的神经网络系统辨识的方法,利用对角回归神经网络(DRNN)实现了非线性动态系统的辨识.辨识结构采用串-并联模式,网络权值的调整为考虑时变因素的梯度算法.与静态神经网络相比,基于DRNN的辨识方法显示出很强的处理动态问题的能力,它无需确定被系统的阶次,辨识结构简单,收敛速度快.仿真结果表明该方法是有效可行的;针对DRNN存在的算法非鲁棒性,即因为它具有高度逼近能力而不加区分地逼近奇异数据这一缺点,提出了基于修正影响函数的DRNN网络鲁棒学习算法,该算法可以在保持DRNN网络收敛速度不变的情况下,提高网络在学习中对粗差的抗干扰能力;研究了BP网络和DRNN网络作为在线辨识器的应用,并以直接自适应控制系统为对象进行了在线辨识的研究;并且在实验中以DRNN为辨识模型成功辨识了伺服阀的动态特性.采用串—并联形式的在线辨识结构,由对角回归网络为辨识模型辨识出系统的动态特性,然后以模型输出与故障发生后实际系统输出之间的残差的变化作为判定故障发生的依据,如果残差大于阈值即可判定发生故障.仿真中以非线性系统的参数摄动时和伺服系统中的阀放大器故障和伺服阀卡滞型故障进行了研究,结果表明这种方法能有效的诊断出故障.