陈换过 刘培君 俞 杭 肖 雪

1. 浙江理工大学浙江省机电产品可靠性技术研究重点实验室，杭州，310018 2. 北京精密机电控制设备研究所，北京，100076

0 引言

电静压伺服作动器(electro-hydraulic actuator, EHA)作为一种新型的电传控制作动系统，是未来航天飞行器作动系统的主要发展趋势之一，开展其特有故障的诊断研究工作具有极其重要的理论意义和工程应用价值。研究表明[1-5]，相较于其他新型伺服作动器，油滤堵塞故障是EHA易发且特有的故障类型。由于伺服作动器本身的复杂性和工况的多变性，在实际情况中，作动器信号随机性大，幅值波动性强，特征提取困难，传统的故障诊断方法无法准确反馈出当前系统状态，而物理及数学模型的建立复杂，因此，开展基于数据的EHA故障诊断研究势在必行。

自组织映射(self-organizing maps, SOM)神经网络作为一种典型的无监督学习算法，无需对输入样本进行标记即可完成对样本的学习、分类。在传统SOM神经网络的基础上，LI等[6]提出了一种基于距离保持自组织映射的齿轮箱故障诊断方法，并将其应用于齿轮点蚀、轴承故障的监测和分类。孙扩等[7]引入滤波算法进行降噪，并通过阈值学习提高了算法在白噪声干扰下的识别准确性和鲁棒性。邹兰[8]在粒子群优化算法的基础上，完善了SOM-BP神经网络并对盾构机故障进行诊断辨识，降低了维修成本。

综上所述，对于传统SOM神经网络，研究者开展了各项改进工作，并在电机、燃气轮机、盾构机等系统层面的故障诊断中取得了一定进展，但现有的算法改进仍停留在输入样本降噪、优化等数据前处理过程，并未对算法本身进行改进。……