电液伺服系统是一结构复杂而多耦合的机、电、液综合系统，是控制领域中的一个重要组成部分，具有功率大，响应快，精度高的特点，在工业生产领域得到了广泛的应用。而电液伺服阀是电液伺服系统的关键性元件，是系统中故障率最高的部位，其使用情况与性能的好坏直接影响到系统的工作性能。因此，研究一种切实可行的故障智能诊断方法，对电液伺服阀可能发生的故障进行预报、控制，对已发生的故障进行正确而迅速的智能诊断，提供可行的排除方法十分重要。 本文以电液伺服阀静、动态特性试验台为依托，在广泛研究国内外相关文献资料及工作的基础上，结合现代故障诊断理论、模式识别理论、人工智能理论和计算机科学，对动圈式电液伺服阀的故障智能诊断技术进行了较为深入的研究。 1．对电液伺服阀进行了抗污染研究。针对其先导级固定节流小孔易于堵塞的缺点，本文利用仿真软件AMESim建立了该阀的结构化的仿真模型，在改变节流孔大小、给节流孔串联和并联一个节流孔的情况下进行仿真，通过对特性曲线分析得出在阀体上开一个节流小孔，使之与固定节流小孔串联，并把两者的直径加大可以达到与原结构相同的性能，这样便可以适当提高该阀的抗污染能力。 2．对动圈式电液伺服阀的主要故障的机理进行了研究。故障机理被认为是故障诊断领域的“深知识”，研究故障机理是进行故障诊断的重要环节，本论文研究了动圈阀的主要故障模式—磨损、气蚀、液压卡紧、温升等的机理，探讨了减少动圈阀的各种故障模式的措施，分析了热楔效应对动圈阀性能的影响。 3．结合本实验室的实验条件对动圈式电液伺服阀进行了故障模拟实验：利用数字化电液伺服阀试验台，在系统压力为2MPa、2.5MPa、3MPa、3.5MPa、4MPa、4.5Mpa、5MPa时，分别测得电液伺服阀七种状态(正常、上下调零弹簧疲劳断裂、导阀一端固定节流孔堵塞、控制腔一端密封破损1／12，1／2与完全破损)下静态(压力特性曲线)特性曲线作为伺服阀的状态特征参数，并对得到的压力特性曲线进行了离散化处理。 4．建立了动圈式电液伺服阀故障智能诊断的网络模型。利用遗传算法和神经网络的特点和优点，将两者结合在一起而形成了GA-BP算法，并建立了用于电液伺服阀故障智能诊断的遗传—神经网络模型。该模型继承了传统遗传算法的优点，兼具神经网络强大的函数逼近功能，同时又克服了传统神经网络优化方法易陷入局部最优解的缺陷。实例的训练和模式识别结果表明：实数编码的遗传算法优化的神经网络模型模式识别精度较高，适合于电液伺服阀的故障模式识别。 5．在以上理论研究的基础上，利用面向对象、可视化的编程语言Visual Basic开发了基于遗传—神经网络的电液伺服阀智能故障诊断的系统。它包括知识库的建立和维护模块、推理和仿真模块等。