针对液压系统的非线性、时变、流固耦合的特点，提出双级径向基函数（Radial Basis Function，RBF）神经网络模型实现液压伺服系统故障检测与定位。采用第1级RBF网络作为液压伺服系统的故障检测滤波器，通过实际系统与RBF观测器输出的残差实现液压伺服系统故障检测。利用第1级RBF观测器的输出残差和网络结构参数，应用第2级RBF网络实现液压伺服系统典型故障定位。针对K均值聚类算法收敛速度慢的缺点。提出了改进K均值聚类算法和学习速率自适应调整算法，利用网络优化结构参数和学习率。加快神经网络收敛速度，减少运算量。实验结果表明，利用双级RBF神经网络能够有效地检测出液压位置伺服系统的故障，并能实现系统的故障定位。

针对液压泵出口故障检测信号信噪比低、难以进行故障特征提取的特点，及传统的BP网络进行故障诊断时网络学习具有收敛速度慢和学习、记忆不稳定的缺陷，提出了一种将小波包变换和改进Elman神经网络相结合，进行液压泵故障诊断的新方法．利用具有紧支结构的小波函数对信号进行分解，削减小波系数以滤除信号中的噪声；单支重构以有效提取各频带的故障特征，并以频带能量作为识别故障的特征向量；应用改进的Elman神经网络建立从特征向量到故障模式之间的映射，实现液压泵故障分类．试验结果表明，采用小波包和改进Elman神经网络相结合的方法可有效的实现液压泵故障的诊断．