为节省按需式电流体微滴喷射打印技术的微滴直径预测时间及解决众多工艺参数的合理选择问题,实现更高打印质量和效率,提出了数值仿真与机器学习算法相结合的方法。基于线性回归、支持向量回归、神经网络和随机森林算法建立8种参数与微滴直径的关系模型。算法结果表明支持向量回归算法准确率最高、误差较小,随机森林算法和线性回归算法次之,神经网络算法准确率较低且误差较大。机器学习可以对按需式电流体微滴喷射打印微滴直径进行有效预测,此方法可以有效地提高设计效率。

针对独立分量分析（ICA）对噪声较为敏感及滚动轴承故障信号的调制特性,提出一种基于形态滤波与ICA相结合的方法。该方法首先对观测信号进行形态滤波以突出故障特征同时消除其他干扰源,然后应用ICA分离形态滤波后信号。对滚动轴承外圈内圈复合故障信号进行实验研究,结果表明该方法能够有效识别分离滚动轴承故障特征。

通过对传统转子故障的特征描述加以修改,进行合理分类,使用改进的产生式规则和案例推理技术,在已有实现方法的基础上,采用C#构建了1个基于规则推理（RBR）和案例推理（CBR）的转子故障智能诊断系统,分别对该系统的推理进行仿真模拟和实验台故障数据的验证。实验说明该方法不仅提高了系统的故障诊断率,并且当故障征兆特征不足时,加以改进之后的k-近邻匹配算法的案例推理,使得该系统也能得到较好的推理结果,这对于使用混合推理机制的同类研究具有一定参考意义。

针对变分模态分解(Variational Mode Decomposition,VMD)的参数需事先人为确定的问题以及如何选取包含故障特征信息的本征模态分量(Intrinsic Mode Function,IMF)的问题,提出了基于信息熵的参数确定方法和基于信息熵的IMF选取方法。该方法首先对原始故障信号进行变分模态分解,通过信息熵最小值原则对其参数进行优化,获得既定的若干IMF分量;在优化参数时获得信息熵最小值所在的IMF,选取其为有效IMF分量进行包络解调分析,提取轴承故障特征频率。通过轴承仿真信号和实际数据分

针对行星轮轴承振动信号的传递时变路径,且行星轮轴承振动信号常被齿轮啮合振动信号所湮没等问题。提出了一种基于自参考自适应消噪的行星轮轴承内圈故障诊断方法。用自参考自适应消噪技术(SANC)、AR模型预白化等预处理技术以削弱齿轮啮合振动信号的干扰;基于谱峭度(SpectralKurtosis,SK)自适应求解共振带参数;采用Hilbert变换提取平方包络信号;对包络信号进行谱分析。试验结果表明该方法可以有效地揭示行星轮轴承内圈的故障特征信息。

剥落区长度与球轴承振动响应中的双冲击现象密切相关,传统方法对剥落区双冲击现象动力学机理建模都是基于恒定接触刚度,然而当球轴承滚道表面存在剥落时,滚动体与剥落区部分的接触区域不再为一椭圆面,滚动体与剥落区之间的接触不再满足接触刚度恒定这一条件。针对这一问题,以内圈滚道表面存在单一故障的球轴承为研究对象,基于Hertz接触理论,提出考虑滚动体与内圈剥落区之间时变接触刚度特性和时变位移激励的球轴承局部故障双冲击现象动力学机理模型,并对振动响应中的双冲击时间间隔进行分析。研究表明,该模型能克服传统的接触刚度计算方法未考虑滚动体与剥落区之间接触刚度时变性的缺点。通过仿真、实测及理论双冲击时间间隔对比,验证了该模型的有效性。

为了有效的实现滚动轴承的故障诊断,提出基于近似等距投影和支持向量机的滚动轴承故障诊断方法。该方法首先使用高斯随机投影矩阵对数据进行降维投影得到压缩数据,根据近似等距投影性质压缩数据能够保持原始信号的结构;然后从压缩数据中提取压缩域特征并作为支持向量机的输入,建立滚动轴承故障诊断模型,实现轴承的故障诊断。使用不同状态的轴承实测数据进行验证,结果表明该方法能够获得准确的结果。

针对在奇异值分解(Singular Value Decomposition,SVD)中,随机噪声对各阶的贡献几乎相等,导致单一SVD降噪效果不理想的问题,提出了基于SVD和频带熵(Frequency Band Entropy,FBE)相结合的轴承故障特征提取方法。针对基于FBE的带通滤波器的阶数和带宽需经验确定的问题,提出了基于信息熵最小值原则的参数优化方法。首先,对原始振动信号在相空间重构Hankel矩阵并利用SVD进行降噪处理,采用奇异值相对变化率来确定模型的阶次;然后,对降噪后的信号进行基于FBE的带通滤波,并采用基于信息熵最小值原则的优化方法确定带通滤波器的阶数和带宽。最后,对滤波信号进行包络谱分析,提取轴承故障特征频率,并用峭度指标证明了带通滤波器的有效性。通过数值仿真和实际轴承故障数据分析,证明了该方法提取轴承故障特征频率的有效性。

针对滚动轴承早期故障特征提取困难的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和改进的自适应共振技术的滚动轴承故障特征提取方法。针对轴承故障信号所在频带难以选择的问题,提出了基于改进的自适应共振技术(Improved Adaptive Resonance Technology,IART)的IMF选取方法。首先,确定模态数,提出了峭度最大值的模态数确定方法;然后,对原始振动信号进行VMD分解,获得既定数目的本征模态分量(Intrinsic Mode Function,IMF);其次,利用IART选取包含丰富故障信息的IMF分量;最后,(如有需要)对选取的IMF分量进行基于IART的带通滤波,并进行包络解调分析提取故障特征频率。将该方法应用到轴承仿真数据和实际数据中,能够实现轴承故障特征的精确诊断,证明了该方法的有效性。

首先简要介绍了自行设计的纯水液压试验系统的工作原理和主要特点,接着讨论了测试系统的组成.通过对液压缸无杆腔的压力和其活塞杆位移的采样,针对不同负载作用下液压缸的进口节流和出口节流调速两种情况,研究了其速度-负载特性,得到了一些具有重要价值的结论.最后对试验结果从理论上进行了分析和解释.