随着技术的发展,控制系统越来越复杂,因而及时、准确地诊断出系统的故障,保证其平稳可靠地运行也就变得越来越重要。本文介绍了故障诊断的任务,研究了控制系统中存在的故障,以及它们的数学表示方法。执行器和传感器作为控制系统的重要部件,经常工作在高温、高压和具有腐蚀等恶劣工作环境中,是比较容易出故障的部件。故障往往对控制性能产生直接的影响,甚至造成过程的振荡,最终导致产品不合格等严重后果。因此提高执行器与传感器本身的可靠性,及时发现其运行过程中存在的故障,是保障过程控制的稳定经济运行的要求。论文总结了近年来传感器与执行器故障诊断领域的最新研究成果,对两大类基本的诊断方法进行了深入研究,首先应用观测器原理实现了控制系统传感器与执行器故障的诊断。基于神经网络控制系统的故障诊断分为两部分,一是故障样本数据及检验数据的采集;二是故障诊断。在故障样本数据及检验数据的采集过程中,首先建立了控制系统的数学模型,人为地让控制系统发生各种故障,从而采集到各种故障数据,经过归一化处理后,作为训练神经网络的样本数据;同时,也采集检验数据,用以检验训练出的神经网络是否能够起到故障诊断的作用。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,并建立了用于过程控制故障智能诊断的遗传一神经网络模型。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,适合于过程控制系统的故障诊断。