不确定度是说明测量水平的主要指标，是表示测量质量的重要依据。本文以灰色系统理论、模糊集合理论、信息熵理论和贝叶斯理论为基础，提出了几种测量不确定度的非统计评定方法。

为提高液压状态监测系统故障诊断的准确度,提出一种基于IGCS-K2算法的液压状态监测系统传感器故障诊断方法。通过结合信息几何理论与K2评分搜索策略优化贝叶斯网络结构的生成方法,利用运转正常的传感器数据形成贝叶斯网络模型并对传感器最新数据进行预测,通过预测值与观测值的对比判断传感器是否存在故障。实验结果表明,优化后的贝叶斯网络结构生成方法具备相应的理论支持与实践证明,结构准确率与方差优于各类传统方法,该方法可以应用于液压状态监测系统传感器故障诊断中,结果优异。

针对不确定性干扰因素影响复杂产品装配车间物料配送时间准确性的问题,提出了一种基于信息熵评价的物料配送时间节点预测方法。分析了复杂产品装配车间不确定性干扰因素的种类,采用综合时间需求因子量化不确定性干扰因素,定义装配工位状态,并建立工位状态转移概率矩阵。基于工位状态变化的马尔可夫链特性,建立复杂产品装配车间物料配送时间节点预测模型。提出平均预测误差的动态误差补偿方法修正预测值,并选取最大配送可行性时限和配送准确度为评价指标,构建基于信息熵的物料配送系统评价体系,对物料配送时间节点预测方法的有效性进行评价。最后,以某公司磨床主轴装配工位的物料配送历史数据为例,对提出的预测方法进行验证。结果表明,所提出的预测方法有助于增大物料配送系统的最大配送可行性时限、提升物料配送时间节点的...

为了实现废旧产品再制造方案的优选,分析了废旧产品再制造方案复杂性的影响因素,提出了基于信息熵的废旧产品再制造方案复杂性测度模型。结合失效模型与影响分析理论（Failure Model and Effect Analysis,FMEA）、社会网络分析法及信息熵理论,定量地分析废旧零/部件关键性及其损伤程度、零/部件处理方式不确定性,以及再制造系统状态不确定性对产品再制造方案复杂性的影响程度,通过比较不同再制造方案复杂性熵,得出最优再制造方案。以废旧发动机为例,验证了上述模型的可行性和有效性。

考虑到自动机工作环境复杂,各部件相互作用时间短,冲击性强从而导致各种响应信号相互叠加,敏感特征参量难以确定的问题,提出了一种应用多参数融合与ELM相结合的自动机故障诊断方法。首先,对自动机故障信号计算广义分形维数,在此基础上提取盒维数、信息维数、关联维数作为故障特征参量;然后引入信息熵模型,对自动机故障信号提取功率谱熵、奇异谱熵、特征空间谱熵作为特征参量来描述信号状态在频域、时域、时频域的能量变化;最后将特征参量输入到极限学习机中（ELM）进行分类。实验结果表明多参数融合能全面准确地反映故障信息,极限学习机学习速度快、结构简单,具有很好的故障分类效果。

支持向量机（support vector machine,SVM）应用于轴承故障诊断前,首先要提取轴承的特征信号.在以往的特征信号提取中,往往是依据已有的知识模型进行特征筛选.随着近年来深度神经网络（deep neural network,DNN）的应用与推广,自动编码器（auto-encoder,AE）在特征提取方面的优势尤为突出.作为一种无监督的学习方式,AE能够基于数据驱动提取信号的特征值,使得特征提取不再依赖于先验知识,从而让整个故障诊断过程更具智能化.本文运用改进的AE、去噪自动编码器（denoising autoencoder,DAE）,进行轴承信号特征提取,并用SVM进行故障诊断.最终与基于经验模态分解（empirical mode decomposition,EMD）能量熵的SVM对比,反映具有无监督学习方式的DAE-SVM在轴承故障诊断方面的优越性,诊断准确率接近100%.

针对柴油机曲轴轴承磨损故障信号特征微弱,易被噪声湮没且不同故障程度信号较难区分的特点,提出了-种基于压缩小波和局部保持投影的柴油机信息熵增强方法.利用压缩小波对信号多尺度重枸减弱噪声干扰,通过局部保持映射对多尺度信号进行降维,消除冗余信息并增强信号的冲击特性,最终以时域、频域以及时频域的三种信息熵表征信号特征.仿真和实例信号表明,该方法对故障信号特征增强明显,依据信息熵值实现了曲轴磨损状态的分类识别.

往复压缩机工况恶劣、结构复杂、易损件多等特点，增加了压缩机故障诊断难度。将EMD信息熵和支持向量机（SVM）技术相结合，应用于压缩机轴承故障诊断。通过EMD对压缩机轴承信号进行分解，计算其信息熵值，并提取出能反映轴承工作状态的信息熵，将其作为特征向量训练SVM网络。结果表明，EMD信息熵和支持向量机相结合的方法，可以准确识别压缩机轴承故障。

由于液压泵故障振动信号微弱和不平稳的特性造成特征向量提取和故障诊断困难。针对这些问题提出一种CEEMDAN与信息熵结合的特征提取方法。将传感器测得的液压泵的故障振动信号进行CEEMDAN分解得到多个固有模态函数（IMF）并计算其信息熵然后筛选出信息熵最小的3个IMF分量重构信号计算重构信号的多域熵作为特征向量来训练决策树模型。液压泵故障诊断实验结果证明了该方法的有效性和优越性。

为有效诊断飞机液压系统故障,根据液压系统压力信号采用了熵权ABC-BP神经网络的故障诊断模型。模型先提取飞机液压系统压力信号的特征值,根据熵权法计算特征值信息熵,选取熵权值较大的作为神经网络的输入,同时利用人工蜂群优化BP神经网络,将BP神经网络的误差函数作为人工蜂群的适应度,选择适应度最优的个体参数作为神经网络的权值和阈值,不仅降低模型输入维度,还提高了诊断精度。最后建立了飞机起落架收放系统仿真模型进行仿真研究,结果表明该诊断模型具有较好的故障诊断效果,为飞机液压系统故障诊断提供一种新思路.