为有效提取振动信号中隐含的故障特征,以准确判别机械故障类型,提出一种基于卷积残差权值共享长短时记忆神经网络(Conv-Res-SWLSTM)的故障诊断模型。利用卷积网络来捕获振动信号的局部空间特征;通过融合门结构构建共享权值长短时记忆神经网络(SWLSTM),减少网络需要优化的参数及训练时间,进而更高效地发掘上层网络输出信号中隐含的时间特征。同时,引入缩放指数线性单元函数以提升网络自归一化性能,并嵌入残差模块以增强网络对故障特征的感知及提取能力。最后,基于机械故障实测数据集开展对比实验,结果表明所提模型在4种转速下的平均诊断精度达到99.30%,相对于其他模型具有更优的诊断精度和稳定性。

本文针对标准测温仪器测温时产生的粗差，提出了两种去除方法，即拉依达方法和格拉布斯法。拉依达法简便快速，可用于精度要求不高时；而格拉布斯法可靠性最佳，可用来独立检测粗差或用来检验其它方法的准确性。

基于相移干涉理论设计并实现了微平面三维形貌测试系统,针对三维形貌检测解包裹过程中出现的问题,改进了现有的残差点判断法,能够更加准确、快速地确定残差点的存在.对相位解包裹算法进行了系统研究,分析了干涉图中残差对相位解包裹的影响,提出了一种基于二阶导数的区域增长解包裹算法.在实际测量中,最终结果得到了明显的改善,证明了该方法的有效性,提高了系统精度.采用此算法,系统的纵向测量误差小于2 nm.

倾斜放置对大口径光学元件的检测有很大影响,为了防止在子孔径拼接干涉检测中倾斜所导致的数据丢失等严重后果,并且实现不同次检测的结果可以相互比较,提出了一种软件修正倾斜量的方法.通过对读出的图形数据进行反向倾斜来降低检测中的元件倾斜程度,避免了实际检测过程中手工操作无法达到极小角度修正的困难.通过实验,验证了该方法的可行性和有效性,实现了大口径光学元件正确的子孔径拼接检测,完成了多次检测结果之间的相互比较,结果表明,残差平均值仅为0.12λ(λ=633nm).

为研究电液伺服控制系统故障诊断提出了一种桌面示范的方法.这个示范是在Simulink平台上实现的.通过不同开关的动作来虚拟模拟常见的故障,诸如,放大器漂移、系统参数改变、伺服阀反冲以及传感器失灵等.设置了一些阈值以用于故障的检测.它清楚地演示了如何建立系统模型、如何产生残差以及如何进行故障诊断等,为研究和应用基于模型的故障诊断方法提供了一个方便、可行的途径.

针对船用液压系统健康状态评估问题,提出了一种基于残差向量的动态评估方法,设计了基于残差向量的基本评估原理,研究了系统建模方法、残差生成方法、残差分析方法和健康度计算方法,并结合示例,构建了具体模型、残差与故障映射关系,最终评估液压系统的归一化健康度指标,方法可为开展液压系统故障诊断与预测提供参考。

本文探究深度学习人工智能技术在飞行器气动外形预测中的应用。以激波装配法乘波体设计为背景，建立气动数据快速生成工具，使用拉丁超立方采样得到海量样本数据。使用深度残差神经网络构建气动外形参数到气动性能数据的代理模型，并与随机森林和双隐层神经网络等普通机器学习模型对比;同时将数据转换为图片，研究基于图片识别的深度学习模型搭建，省略飞行器外形的参数化表达。测试结果说明，深度残差网络作为数据代理模型的精度是随机森林和双隐层神经网络的3倍以上，而基于图片识别的代理模型精度提高有限。研究表明，深度残差网络在乘波体等易于生成大量数据的气动外形的性能预测中效果明显，为深度学习技术在气动外形设计中的应用奠定了基础。

为了给机械设备提供更准确的故障预测诊断,采用小波分析的方法对滚动轴承的振动信号进行特征提取与分析,并提出一种新混合模型（即将状态空间模型与隐半马尔可夫模型相结合的混合模型）的故障预测诊断方法。首先在动态观测系统中建立故障状态方程,将故障作为关键因子,并在混合后的模型中给予相应的证明,通过对其分析处理、使用预测模型进行训练以及对比分析设备的退化状态,给出合理的预测方案,然后对其进行深入分析,最后得出研究结论。