本文通过对材料力学性能测试与评价技术发展的回顾，以及对其现代最新技术的介绍，详细论述和评价了材料力学性能测试与评价技术在材料学科的发展和新材料的研制过程中的作用。同时提出材料力学性能试验是获得材料性能数据唯一可靠的途径，是计算机进行材料模拟和建立大型材料数据库时最基础的工作，任何方法都不可能代替材料试验。材料试验与评价技术在过去、现在，乃至在将来在材料学科中占有非常重要的地位，是材料学科中的一个重要分支。

分析了液压系统油液污染物的来源及对系统的危害,介绍了大型压机液压系统油液清洁度的控制方法。实践证明,先进的设计理念和严格控制安装质量,才能保证系统油液清洁度的要求。

为了提高我国中高压液压系统整体质量,技术人员结合生产技术经验与文献研究内容,围绕接头技术原理与目前应用中的主要故障原因;生产中遇到的主要问题与技术现状;未来发展研究主要趋势等三个层面,对液压管接头进行了专项技术研究。这一研究的开展一方面有利于提升我国液压系统整体生产质量的提升;另一方面也为其在未来技术发展指明了方向。

目的揭示在对击锤与液压机模锻工艺下盘件的组织与性能差异,为锻造工艺选择和指导生产实践提供理论依据。方法采用数值模拟方法,对GH4169涡轮盘在63TM对击锤和200MN等温锻压机上的成形过程进行对比分析,通过对不同工艺制备的GH4169合金经直接时效后进行组织形貌观察和力学性能测试,探究对击锤模锻与液压机等温模锻GH4169合金盘件的组织与性能差异。结果2种工艺下盘件的等效应变分布差异不大,但液压机成形盘件的温度比锤锻高,且温度分布的均匀性略优;对击锤模锻的GH4169合金内留存高密度位错,有效促进γ"相形核,沉淀强化相的增多使其具有更高的抗拉和屈服强度。结论与液压机锻造相比,锤锻GH4169合金盘件具有更好的综合性能。

针对支持向量机中单尺度高斯核算法存在局部风险的问题,提出一种基于核排列的多尺度高斯核算法。利用核排列这一度量标准来选择高斯核函数的尺度,并把多个弱分类器聚集成一个强分类器得到多尺度高斯核,从而构造支持向量机模型。利用UCI数据集Iris Plants、 Wine Recognition等仿真实验结果表明:所提出的基于核排列的多尺度高斯核算法比传统的单尺度高斯核算法具有更高的分类准确率。

针对滚动轴承振动信号的不规则性和复杂性,导致轴承状态难以有效识别的问题,提出基于分层核极限学习机（HierarcHical Kernel Extreme Learning MacHine,H-K-ELM）的滚动轴承故障诊断方法。首先,将测得信号经集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）处理后得到一系列IMF本征模态分量,并提取各分量的排列熵PE值组成高维特征向量集;其次,利用高斯核函数的内积来表达ELM算法的隐含层输出函数,然后使用自动编码器对其分层,从而隐含层节点数自适应确定和隐含层阈值与输入权值满足正交条件;最后,将所得高维特征向量集作为H-KELM算法的输入,通过训练建立核函数极限学习机滚动轴承故障分类模型,进行滚动轴承不同故障状态的分类辨识。实验结果表明：H-K-ELM滚动轴承故障分类模型比ELM、K-ELM故障分类模型具有更高的精度、更强的稳定性。

为了提高粒子群算法的稳定性，改善陷入局部最优的弊端，提出了一种增加算子扰动且对惯性权重进行正弦调整的粒子群优化算法。该方法首先利用差分方程对粒子的速度与位置变化过程进行深入分析。然后找到粒子群算法收敛的约束条件，进而获得改进后的惯性权重。最后在粒子群算法的速度公式中引入算予扰动项，其对粒子施加扰动，能够有效的抑制算法陷入局部最优问题，使算法在迭代后期也拥有一定的搜索能力。利用4个典型测试函数对算法进行验证，实验结果表明改进的惯性权重及速度更新公式使得该算法具备了较快的收敛速度和较佳的全局收敛性能，与标准粒子群算法相比，改进后的粒子群算法收敛精度高、鲁棒性强。

针对行星齿轮箱振动信号复杂时变调质特点使其＂难表征＂,致使据此构建的状态辨识模型精度低的问题,提出一种基于总体局部均值分解（Ensemble local mean decomposition,ELMD）的能量熵与人工鱼群算法（Artificial fish swarm algorithm,AFSA）寻找支持向量机（Support vector machine,SVM）最优核函数系数组合的行星齿轮箱关键部件的状态辨识方法。首先,利用ELMD分解经形态平均滤波的行星齿轮箱关键部件的振动信号来获取若干窄带乘积函数（Product function,PF）。然后,计算其能量熵来构建高维特征向量集。最后,将其作为输入,通过训练学习建立AFSA优化SVM的行星齿轮箱关键部件状态辨识模型。实验结果表明,所提方法能凸显原信号中的有效故障成份,提高了模型的状态辨识精度。

滚动轴承出现早期故障时,因为背景噪声的影响,故障信号非常微弱,故障信息难以提取,为了能有效检测出轴承故障,提出了最小熵反褶积（Minimum entropy deconvolution,MED）与共振稀疏分解（Resonance sparse signal decomposition,RSSD）相结合的诊断方法。首先,运用最小熵反褶积对含有噪声的轴承故障振动信号进行降噪处理;然后,对处理后的信号进行共振稀疏分解,将信号分解成包含谐波信号的高共振分量与包含瞬态冲击信号的低共振分量;最后,将低共振分量进行包络功率谱分析提取故障特征频率。通过信号仿真和实验处理,表明该方法对微弱故障特征提取具有较好的适用性。

综合标准节流元件流量测量工作，提出了采用VB.NET结合ACCESS数据库的方式，制作标准节流元件流量-差压曲线数据库，进而生成该节流元件对应的流量-差压图形曲线以及EXCEL数据文件以完成流量测量工作。