工程结构在使用寿命周期内，各种环境因素会导致连接部位出现损伤，从而威胁结构的完整性和功能性，甚至诱发安全事故．本文研究了一种利用混沌激励与吸引子几何特征进行连接损伤状态识别的方法，采用混沌振动信号激励待测结构，利用采集到的加速度响应时间序列信号进行相空间重构，并构造了一种基于吸引子局部方差计算的特征参量用于小程度连接损伤的识别，并对特征参量进行了统计分析计算．设计了悬臂梁连接损伤识别实验，通过控制固定端螺栓的预紧力来模拟连接损伤，利用上述方法对连接的损伤状态进行了识别．结果表明，本文方法能够有效识别连接的损伤状态，所构造的特征参量随损伤程度改变单调变化，特征参量能以一定置信度较好地区分不同的损伤水平。

以液压系统运行状态在线监测、故障诊断以及功率优化控制为研究目标,提出将电动机三相交流电源的电压、电流信号用李萨如图产生单相及三相信息融合方法。利用机电动力学建立交流电动机驱动液压系统的动态功率平衡方程,分析电、机、液能量的转换和耦合过程,在此基础上提出用三相电气参量提供的幅值、相位、相间和相序信息绘制单相和三相李萨如动态图形,由数学分析推导出李萨如图形面积、外接矩形、摆动角度等特征量与交流电功率之间的函数关系,通过计算李萨如图特征量的变化实现对液压系统运行状态、运行工况以及功率匹配情况进行在线监测,形成基于电参量信息融合的液压系统运行状态识别技术。研究结果表明,单相李萨如图形面积可线性表示液压系统负载功率的在线状态,其外接矩形面积表示电源负荷状态,由此构成的功率圆可以在线

刀具磨损直接影响工件加工质量和尺寸精度,正确掌握刀具磨损状态及时换刀,减少机床停机时间,将直接提高加工效率。为提高刀具磨损状态识别准确率,提出一种基于参数策略的改进粒子群优化PNN(IPSO-PNN)神经网络识别刀具的磨损状态。相较于BP神经网络收敛速度慢、易陷入局部最优的缺点,IPSO-PNN神经网络结构简单、训练简洁快速。与BP神经网络和标准PNN神经网络仿真结果对比,结果表明:IPSO-PNN神经网络识别准确率高,收敛速度快,仿真耗时短,能有效提高刀具磨损识别准确率。

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。

鉴于多重分形理论在精细刻画系统非线性现象和过程方面具有的独特优势,该文提出了基于多重分形去趋势波动分析和最小二乘支持向量机的刀具磨损状态识别方法。首先,用MF-DFA（multifractal detrended fluctuations analysis）方法处理去噪后的刀具磨损声发射信号,讨论其长程相关性和分形特性;然后,分析对比了不同磨损阶段下多重分形谱参数的变化,筛选出能灵敏表征刀具磨损状态的多重分形谱参数：分形维数最大值点对应的奇异指数α0,多重分形谱谱宽△α和广义Hurst指数波动均值△h（q）作为特征量;最后,利用LS-SVM（least square support vector machine）算法并对比支持向量机和神经网络算法实现刀具磨损状态识别,结果表明LS-SVM算法识别率最高,平均识别准确率达97.78%,验证了本文所提方法的有效性。试验结果表明,提取的特征对刀具磨损状态的变化非常敏感,可以分离相近

针对舰用燃气轮机结构复杂、工作环境恶劣,难以对其状态进行有效识别问题,提出一种基于核主元分析(kernel principal component analysis,简称KPCA)和模糊积分相结合的状态识别新方法’采用专用试验平台对舰用燃气轮机进行试验,获取其不同工况下的高压转子转速、低压转子转速、涡轮后排气温度及机匣振动等I个状态表征参数的原始信息,采用EPCA方法提取其状态表征参数的不同核主元,构建特征向量空间。并由提取的核主元特征向量分别创建GRNN,Elman神经网络状态识别模型,对燃气轮机状态进行识别。在此基础上,采用模糊积分方法对两种状态识别结果进行决策层融合,得到唯一的状态识别结果,提升了状态识别准确率。研究表明,采用核主元分析和模糊积分相结合的方法,能有效识别出舰用燃气轮机健康与故障状态,具有很好的实际应用价值。

针对滚动轴承的运行状态识别问题,利用典型D P混合模型良好的聚类特性,提出了基于DPMM的滚动轴承运行状态识别算法,并推导了算法聚类的详细步骤。利用轴承状态监测数据进行了验证和分析,结果表明DPMM算法不依赖于训练样本,模型结构能够随着观测数据的变化实现自适应变化和动态调整,自动识别轴承的运行状态数;同时,识别结果不依赖于DPMM算法初始参数的选择,具有较强的稳定性和适应性。

维持机械密封端面间一定的膜厚是保证机械密封正常运行的关键,利用声发射技术监测得到的反映机械密封膜厚状态的信号往往信噪比很低,对其工作状态进行分类存在一定的困难。提出一种基于声发射信号利用总体经验模式分解(EEMD)和离散隐马尔可夫模型(DHMM)识别的机械密封端面膜厚识别技术。首先对声发射信号进行分帧处理,运用EEMD方法对信号进行时频分析,对分解出的子频分量分别提取时域和频域特征,再由核主成分分析法对特征参数进行优化降维,利用简化后的特征参数矢量训练各个机械密封端面膜厚状态的DHMM,最后由训练好的DHMM实现机械密封端面膜厚状态的识别,从而实现机械密封端面接触状态的监测。试验研究表明:该方法能够快速有效地判断出膜厚状态,并且需要的训练样本少,训练速度快,对实现机械密封端面接触状态的智能化在线监测具有重要

为了精确诊断齿轮泵故障,提出了基于马氏距离的传感器通道选择方法,采用多项式最小二乘法去除采集振动信号的趋势项和五点三次平滑法对信号进行平滑预处理,而后分别提取基于峭度的时域特征、小波包能量特征和经验模态分解特征,运用最小二乘支持向量机进行状态识别。以CB-KP63齿轮泵为例进行应用,结果表明传感器1通道识别率达到85%;采集振动信号趋势项干扰较弱,平滑处理效果较好;以EMD提取各频带能量作为特征参数的LS-SVC状态识别方法识别率达到90%以上,最终证明论文提出的方法有效可行。

以机械工程中液压动力系统为对象，在理论分析以及大量试验研究的基础上，给出了基于电流信号功率谱特征的液压动力系统4种运行状态标准模式。提出了基于灰色关联度计算的模式识别方法，该方法能很好地识别出液压动力系统正常以及电动机故障、机械故障、油泵故障的发生。此外，灰色关联度算法简单、计算量小，可以实现在线监测