针对滚动轴承常见故障,提出利用网格搜索(GS)优化序列最小支持向量机(SM-SVM)的故障诊断方法.首先,对提取的滚动轴承振动信号进行预处理,并对其分别提取峭度指标、偏度系数、方均根值等时域统计量和小波包分解节点能量等特征,并对特征向量进行归一化和PCA降维处理.其次,利用GS算法对SM-SVM的核函数参数和惩罚因子进行优化,以提高滚动轴承故障模式识别的正确率.最后,利用MATLAB LIBSVM工具箱对滚动轴承不同故障进行模式识别,并将本方法与SM-SVM和LS-SVM方法进行了比较.结果发现,改进方法的模式识别正确率比原方法的高出5%.

针对纯电动汽车驱动模式单一及模式切换操作复杂,提出基于车速、加速度及电池SOC值,通过模糊控制自动识别驱动模式策略。为了解决在复杂路况和环境下纯电动汽车动力性不足的问题,提出基于自适应模糊神经系统(ANFIS)的转矩补偿模型,对基础MAP转矩进行一定程度转矩补偿。通过Simulink/Cruise联合仿真,驱动控制策略可以有效识别驾驶员操作意图选择相应驱动模式给予合适的转矩补偿,提高纯电动汽车动力性能;此外,驱动控制策略可以很大程度增加纯电动汽车续航里程,提高经济性能。

为解决新能源汽车生产企业从车辆制造到售后服务产品生命周期内信息管理与质量追溯问题。利用条形码图像处理技术与图像模式识别算法对整车制造装配环节的重要零部件进行数据采集和信息绑定。采用.NET编程技术设计图像识别程序完成对零件条码图像自动识别分类工作。形成整车车辆识别代码与关键零部件物料信息结合的管理体系。最后通过企业ERP系统物料完成数据接口,承接起ERP系统零件管理功能向仓库和制造流程扩展的作用。物料流程追溯与质量信息管理功能实现验证了技术方案的可行性。通过对质量数据的管理提高了制造企业对质量问题的反馈和追踪能力。

利用改进的CEEMDAN和RBF神经网络相结合的方法识别压缩机气阀故障。首先利用改进型CEEMDAN对实验采集的振动信号进分解,该方法克服了传统方法在处理模态混叠和虚假分量方面的不足,并提出基于改进型CEEMDAN和奇异谱熵相结合的信号处理手段,对振动信号构造特征向量,最后将特征向量输入RBF神经网络进行模式识别训练。研究结果表明基于改进型CEEMDAN和奇异谱熵的信号处理方法可以有效地提取出往复式压缩机阀片故障的特征,而RBF神经网络算法在对压缩机阀片故障进行模式识别时准确率高达99.58%。

针对管道缺陷的风险评估,预设了工程实际中常见的管道凹坑、孔洞和裂纹典型缺陷特征,构建了实验测试平台,传感器采集信号。针对信号非线性非平稳的处理问题,提出一种基于ICEEMDAN-ICA的管道缺陷多特征融合信号处理方法,对管道的孔洞、凹坑和裂纹缺陷进行多特征提取,提取样本熵、近似熵和奇异谱熵进行特征融合,通过ELM分类器进行模式识别。研究结果表明,特征融合的方法大大提高了识别的准确率,达到了95%。

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。

通过实测得到油气输运管道缺陷漏磁(MFL)信号,分析了缺陷几何尺寸与信号特征量之间关系.采用特征提取和模式识别技术对缺陷进行量化分析.对缺陷的长、宽、深三个指标分别应用不同的特征量和相应的非线性方法进行定量识别.试验结果表明,缺陷长度、宽度和深度的预测准确度分别达到了100%、89%和77.8% .这里通过使用长宽比特征量描述方法,有效地提高了深度的估计精度,很好地解决了管道缺陷的量化识别问题.

介绍了一种基于单片机和CPILD（复杂的可编程逻辑器件）的便携式齿轮箱故障诊断仪的硬件、软件设计；将统计模式识别理论应用到齿轮故障诊断中；利用小型拖拉机传动系统可靠性试验装置对系统进行验证，取得了良好的效果。

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。

针对液压伺服系统故障的特点提出融合液压系统状态信息作为系统特征向量以RBF神经网络作为模式分类算法的智能诊断方法并论述采用RBF神经网络作为液压伺服系统故障诊断分类算法的可行性与优势.最后以仿真电液位置伺服系统为例建立相关的RBF网络验证以上的陈述.