本文以焊缝超声检测常见的缺陷（夹渣、气孔、未焊透、未熔合）为对象，选取缺陷时域波形的上升时间、波宽、上升角度和频域特征的波动次数、底宽等特征值组成特征矢量作为ART-2的输入，来实现缺陷性质的识别，并与射线检测结果对比。实验结果表明：采用该方法得到的正确识别率达到81．5％，具有良好的应用前景。

灰色关联分析是灰色系统理论中十分活跃的一个分支,其基本思想是根据序列曲线的几何形状的相似程度来判断其联系是否紧密。曲线越接近,相应序列之间的关联度就越大,反之就越小。文章系统地介绍灰色接近关联度基本理论和两种面积的算法,详细地说明灰色接近关联度的计算方法及使用范围以及在色谱指纹图谱中的应用,包括仪器使用方法及具体计算过程。

锤击成桩收锤标准随外部因素作用的变化而变化,是动态成桩的规定和要求。桩土系统的未知和不确定性决定了收锤标准的复杂性,如何使收锤标准根据外部作用因素的变化而做适时相应地调整,是发挥收锤标准质量控制作用的前提。液压锤的数据采集和传输功能,为收锤标准的模式识别研究提供了条件基础。依据桩的设计、锤-桩-土配置与条件参数、过程参数和验证参数等的数字化,描述收锤阶段桩的模式,通过模式识别判断桩是否达到收锤要求,为收锤标准研究提供了另外一种方法。

为了研究丝杠在不同寿命下的运行状态，准确判断出丝杠的性能退化程度，提出了一种基于小波包分析的丝杠运行状态监测方法。以丝杠性能退化试验平台为研究对象，安装三向加速度传感器，来采集丝杠的振动信号。通过对振动信号的进行小波包变换，采用能量谱筛选出包含丝杠状态信息的频率带，再从这些频率带中通过时域、频域分析的方法提取出敏感特征，最后运用机器学习的方法对特征进行分类，以达到监测丝杠运行状态的目的。试验结果表明通过该方法可以有效监测丝杠状态，平均识别准确率达到了95%以上。

针对实际工况中难于提取齿轮箱故障特征的问题,根据轮廓波变换的全局纹理和局部二元模式的局部纹理特性,提出了一种基于振动信号时频图像的故障特征提取方法。首先,利用小波变换将振动信号变换到时频域并得到其时频灰度图像;然后,对该灰度图像进行轮廓波变换,得到低频和高频子带部分,提取低频子带的均值和标准差以及高频子带各层的能量均值作为一部分特征向量;同时,对该时频灰度图像进行局部二元模式的特征值提取并得到另一部分特征向量,将两部分特征向量进行组合连接得到最终的特征向量;最后,利用支持向量机对齿轮箱不同程度故障进行分类测试,实验结果表明了该方法的有效性,为机械设备的模式识别提供了一种方法。

支持向量机（SVM）和神经网络（ANN）是模式识别的两种方法，支持向量机是新兴的一种效率更高的识别方法，能够达到比神经网络更好的分类效果。文中以二分类为例比较了二者的分类准确率和效率问题。

分析了电液伺服阀静态特性与故障模式之间的映射关系介绍了基于BP神经网络电液伺服阀故障模式识别的方法并进行了实验研究结果表明该方法故障模式识别准确率较高可以进一步与伺服阀试验台测试功能进行结合形成一种具有自学习、自动测试与智能诊断功能的检测系统.

将模式识别技术引入到工程机械液压系统的状态监测,以提高监测的可靠性.首先介绍了三种主要的模式识别方法,在此基础上以阀控液压缸系统为例阐述了如何利用神经网络模式识别技术对液压泵异常状态进行监测.结果表明,本文提出的方法可以快速、准确地监测出液压泵的异常状态.

小波包具有良好的去噪效果和高频分析能力，而概率神经网络具有很好的分类效果。采用小波包分解重构液压泵故障特征信号，并提取第三层各频率段的节点能量作为特征向量，将特征向量概率神经网络模型的输入向量对液压泵故障模式进行识别。通过采用LabVIEW和MATLAB混合编写的识别软件系统对液压泵故障识别，证明了将该方法用在液压泵故障模式识别上，能取得良好的效果。

提出了一种新的衡量时间序列复杂度的方法——多尺度局部最大样本熵（Multiscale Local-maximum Sample Entropy简称MLSE）与多尺度熵相比MLSE抑制了振动信号中的噪声和干扰成分同时又提高了每个时间尺度上样本熵的计算精度。将液压泵不同状态下的MLSE作为特征向量利用可拓理论进行故障模型识别并将其与另外两种方法进行对比结果表明该方法故障识别准确率最高、耗时最短验证了该方法的优越性。