通过电机电流信号的分析与处理,对作用于转子系统的两种正弦载荷的线性叠加载荷进行定性与定量识别,提出了以下识别方法采用小波分析方式对信号进行降噪处理,对载荷进行定性识别;采用希尔伯特模量法、快速傅里叶变换(FFT)滤波以及支持向量机(SVM)方式,在电机电流信号中获取两种正弦信号的频率与幅值,对两个正弦线性叠加后的叠加载荷进行定量识别。运用转子系统试验台,进行叠加正弦载荷定性与定量识别的试验,验证了识别方法的可行性以及识别准确性。

为能够精确、高效预测汽车动力总成悬置系统刚度从而避免通过反复调校匹配的过程,以某型横置式发动机四点悬置系统为研究对象,提出基于多输出回归算法直接预测动力总成悬置系统刚度的方法并验证了方法的有效性。首先,分别建立了MRTs,MLPR,Multi-SVR三种多输出回归刚度预测模型;随后,以数理型(RMSE、R2)和工程型(解耦率、隔振率)评价指标相结合进行了横向比较进而得出MRTs模型用于直接预测动力总成悬置刚度的综合性能最高的结论;最后,纵向对比了多输出回归算法和遗传算法对悬置系统刚度优化结果及工程效果,结论表明两种算法都能较好满足动力总成悬置系统解耦率控制要求,但多输出回归算法使得悬置系统加权支反力收敛速度更快,同时运算效率显著提高。

以超高性能混凝土(UHPC)组成原材料中的水泥、矿粉、硅灰、钢纤维、减水剂、消泡剂和水的用量为特征,28 d抗压强度为标签建立了数据集,并采用随机森林回归(RFR)、支持向量机回归(SVR)和多层感知机回归(MLPR)3种机器学习回归模型对数据集进行了训练和预测。结果表明:MLPR模型的拟合优度最高;RFR模型中对UHPC的28 d抗压强度影响相对较大的3个因素为硅灰、水泥和水的用量;SVR模型和MLPR模型的预测值均落在5%置信区间内,回归效果均较理想。

为了解决结构早期损伤难以正确识别的问题，结合聚类经验模式分解（EEMD）解决随机不确定性问题和支持向量机（SVM）解决预测问题这两者的优势，提出了一种基于EEMD特征提取的支持向量机回归（SVR）结构状态趋势预测方法。先对单自由度结构渐进损伤的加速度振动信号进行EEMD，再进行希尔伯特变换（HT），计算瞬时频率，然后用回归支持向量机对反映结构健康状态的瞬时频率进行趋势预测。研究表明：对于渐变损伤该方法可以准确地、高精度地预测结构状态趋势。

由于影响数控机床刀架系统平均故障间隔时间的因素较多,采用单一的模型作预测无法充分提取已知数据中的隐含信息,导致预测困难。应用基于STL进行时间序列分解的组合模型预测算法,将原始故障数据分解为趋势项、季节项和随机项,应用指数平滑法和支持向量机回归分别对前两项数据进行预测,根据时序分解的加法模型将其结合,得到组合模型预测结果,并将组合模型与单一的预测模型进行对比分析。实例证明:组合模型预测优于单一模型预测。此方法应用于MTBF的预测,有助于工作人员针对故障发生时间点提前采取措施,同时为数控机床可靠性评估提供了新的研究方法。

为了通过监测电机定子电流来实现作用于转子系统正弦载荷的识别，提出了两种载荷定量的方法。方法一建立异步电机～转子系统机电耦合方程，由已知的三相电流求解方程得到了原载荷。方法二结合支持向量机和希尔伯特模量法，根据定子电流信息确定了作用在转子系统上正弦载荷的幅值和频率，进而还原出载荷。通过搭建的转子系统实验台，进行了载荷定量的实例识别，所得的结果验证了两种方法的有效性并根据识别结果分析了两种方法各自的优缺点。