在液压AGC系统故障诊断中,液压缸的故障检测比较复杂,由于液压缸的工作环境属于重载、多尘的恶劣的环境,而且液压缸的工作行程短,由于活塞杆只在这一段范围内往复运动,所以对液压缸的磨损是很严重的,直接的后果就是造成液压缸的泄漏故障,对于外泄漏,由于泄漏特征比较明显,易于发觉和处理;而对于内泄漏具有泄漏量少,而且是一个渐变的过程的特点,不借助一些特殊的方法很难发现和处理.同时AGC系统中的液压缸拆卸比较困难,这就给设备维护和检测带来一定的难度.在生产过程中若只是凭着经验来定期地更换或者修复液压缸,就会造成不必要的停机,影响生产或不能及时发现设备故障造成产品中出现次品,造成严重的经济损失,因此找到一种简易有效的诊断手段是十分必要的.该文首先分析了基于BP神经网络液压AGC系统中液压缸泄漏故障诊断方法的可行性,由于神经网络能够以任意精度逼近任何函数,因此可以用神经网络来建立液压缸内泄漏故障诊断模型.神经网络在处理问题过程中类似黑箱,无需也无法表达过程的物理意义.该文主要在于利用伺服阀输入电流、轧机辊缝距离、液压缸输出压力和液压缸内泄漏系数作为训练样本和测试样本,通过离线辨识得到所需的得到液压缸内泄漏故障诊断的神经网络模型.该文针对BP网络收敛速度慢,容易陷入局部极小值等缺点,分别采用可变学习速度算法(triangdx)、带动量及自调整学习率回传算法(traingdm)、Levenberg-Marquardt回传算法神经网络的改进算法,来训练神经网络,找到最适合液压AGC系统中的液压缸内泄漏故障诊断的神经网络训练算法.在建立的神经网络液压缸泄漏故障诊断模型的基础上,用BP网络的改进算法对神经网络进行训练和测试,结果表明神经网络故障诊断知识获取能力与学习功能强,能够准确地映射液压缸的泄漏系数,因而适用于液压A G C系统液压缸内泄漏故障诊断,是一种大有发展前途的诊断手段.