经典聚类算法在机车异常轴温诊断应用中存在判别阈值参经验化设定与漏判率、误判率较高的问题。利用机车轴温测点的关联性、异常温升特征分布特点,提出一种基于Kmeans-DBSCAN融合聚类的轴承异常温升诊断模型。首先将轴承异常温升的诊断转化为多组关联序列中少数持续离群子序列的检测问题,再根据温度序列特征空间分布位置和局部密度差异性,通过Kmeans-BSCAN融合聚类分离出离群子序列,并实现了DBSCAN邻域判别阈值参数的自适应选取。基于某型机车履历数据的实例验证结果发现该模型对异常温升诊断的准确率达100%,与Kmeans算法保持一致,比DBSCAN算法提高22.4%;误报率低至0.5%,比Kmeans算法降低18.5%,比DBSCAN算法降低12%。

为提高物流运输设备故障类型识别精度和稳定性,提出一种基于传感器感知信息的物流运输设备故障自动识别方法。采用传感器感知物流运输设备故障信号,利用小波变换处理物流运输设备故障信号。针对物流运输设备运行过程中的不确定因素,分析物流运输设备故障诊断信息与运行状态之间的关联关系,构建物流运输设备故障诊断模型并进行仿真验证。结果表明,该方法有效提高了物流运输设备故障类型识别精度和稳定性。

阐述了信息描述标准化对诊断系统的重要意义，分析了AI-ESTATE标准中诊断模型的分层结构。提出在AI-ESTATE标准的基础上采用XML Schema作为解决诊断模型标准化信息描述问题的方法，给出了公共元素模型和故障树模型信息实体的XML Schema描述；并通过一个实例实现了满足Schema验证具体的XML文档。

针对制造过程异常原因复杂、基于传统控制图诊断分析困难等问题,提出了一种采用贝叶斯网络的制造过程异常诊断方法。利用过程异常诊断的先验知识,结合需要诊断的异常特征,构建基于贝叶斯网络的制造过程异常诊断模型。首先提取控制图异常征兆特征,建立贝叶斯网络的异常征兆节点和异常原因节点并进行关联;然后利用先验知识确定贝叶斯网络中的先验概率,建立贝叶斯网络诊断模型;最后根据控制图异常特征,利用诊断模型推理异常发生的原因。以汽轮机转子叶轮制造为例进行了诊断,验证了采用贝叶斯网络作为制造过程诊断方法的可行性。

针对液压马达故障诊断中特征提取的瓶颈问题提出一种基于Petri网的液压马达故障诊断方法。以叶片式液压马达为例分析液压马达常见的故障及原因利用Petri网的知识表示方法提取故障征兆和故障原因建立基于petri网的液压马达故障诊断模型经过Petri推理结果表明该方法是有效的