车载炮是未来局部战争中的王牌武器,加速发展高机动性、大威力及高打击准确度车载炮是未来的主要方向。电液位置伺服系统作为车载炮火力系统的核心部件之一,其功能和性能直接影响车载炮的响应速度、安全性及稳定性。在战场复杂多变的工作环境下,电液位置伺服系统可能会出现不同程度的故障,导致其运行功能和性能下降,甚至产生安全风险。为保证车载炮安全稳定地运行,本文针对电液位置伺服系统典型故障,研究了相关故障诊断方法,包括基于未知输入观测器、滑模观测器及支持向量机的设计理论和设计方法,为实际工程故障的解决提供了一定的理论和技术支撑。研究工作如下:（1）系统分析了车载炮电液位置伺服系统的工作原理和基本构成。基于故障模式及影响分析方法,归纳总结了各子系统部件的不同失效模式、失效引起的影响及引起失效的原因。建立了车载炮电液位置伺服系统模型及含故障模型,与实验测量数据对比,验证了系统仿真模型的有效性,并通过仿真找出主要影响故障诊断的不确定性因素。（2）针对电液位置伺服系统的非线性特性、参数不确定性及系统噪声的情况,采用基于未知输入观测器的故障检测方法,设计非线性未知输入观测器,使干扰与故障完全解耦,观测器的残差仅对故障敏感。提出了基于统计的动态阈值残差评价方法,以降低故障漏报及误报概率。在实验台架上实现了油缸内泄故障、伺服阀故障及油源压力故障在线检测。实验结果验证了方法的有效性。（3）针对存在建模误差、参数摄动以及系统输出噪声干扰的情况,将滑模变结构技术应用于电液位置伺服系统执行器故障检测及重构和传感器故障检测、分离及重构:考虑系统含输出干扰的执行器故障检测,将系统变换为两个子系统,分别设计滑模观测器,实现执行器故障与输出干扰的解耦,并进行执行器故障重构;设计滑模观测器组对传感器故障进行检测和分离,并重构传感器故障,以获得详细的传感器故障大小和形态信息。（4）针对数据样本中故障类别已知的情况,提出了基于标准支持向量机的有监督学习的故障诊断方法。首先比较不同核函数的训练耗时和准确度,选择径向基的核函数构造支持向量机分类器。再用网格搜索法、遗传算法、粒子群优化算法和模拟退火算法分别优化核函数参数与惩罚系数,通过比较四种方法的优化耗时和准确度,选用粒子群优化算法优化后的参数用于模型训练。然后将含故障的测试数据集输入训练后的模型,根据预测的准确度确定样本是否含故障。最后采用“一对一（Ov O）”分离策略,构建分类器组,对检测出故障的轻微故障数据样本和重度故障数据样本分别进行故障分离。完成有监督学习条件下多故障离线检测与分离任务。（5）针对数据样本中故障类别标签缺失的情况,基于单类支持向量机的无监督学习的故障检测方法,结合自适应近邻传播和高斯混合模型算法,实现对故障检测和分离。首先将需要检测的数据样本进行预处理,将粒子群优化算法优化后的参数和训练样本输入单类支持向量机模型,获得训练模型,将含故障的测试数据集输入训练后的模型,预测故障类别。其次将四种故障数据样本组成序列,输入自适应近邻传播算法中,获得聚类数目,采用EM迭代算法求解高斯混合模型的参数,单高斯模型成分权值参数最大者为表示该成分为当前故障。实现无监督学习条件下多故障离线检测与分离目标。