1．所需标准器及环境要求 （1）标准器的选择：激光干涉仪、标准角尺、块觇以及标准球（激光干涉仪须经国家相关标准检定合格，实物标准器需在工作台上恒温5h以上）。

针对工程设计中仪表公称压力和公称直径概念混淆的现象，依据国家标准、化工行业标准及ISO国际标准的定义，阐述作者观点，结合新版《自控安装图册》提出的数据及观点，确认在设计工作中如何将公称压力和公称直径表述得清晰准确。同时对于仪表管阀件中壁厚表述模糊的问题，简要提出仪表安装材料中Tube管和Pipe管壁厚的认识和选择。其中应考虑到各种参数（执行的标准、耐温、耐压等）的描述，并提出可以让所选Tube管及管阀件具有所应用环境特有的耐压特性及其随温度变化规律的表述方法。

用水热合成法在金属基板上制备了压电双晶片,该法简单,成本低。为了更好地研究双晶片的特性,利用扫描电镜（SEM）和X-射线衍射（XRD）技术,对PZT薄膜的特性进行了较为详细的研究。发现PZT薄膜由平均尺寸约为5μm的PZT晶粒组成,其物相组成成分PbTiO3和PbZrO3的比值约为53/47,处在准同型相界附近。根据试验中测得数据,计算出了薄膜的平均密度;并建立了双晶片位移驱动模型,由该模型得到压电系数d31,并研究了双晶片的铁电性。

介绍了一种基于PZT压电薄膜的无阀压电微泵。该微泵利用自制的压电圆型薄膜片作为驱动部件、聚二甲基硅氧烷（PDMS）作为泵膜。本文在对微泵制备工艺研究的基础上，对其性能进行了数值和实验研究。建立了基于扩张管／收缩管理论的无阀微泵的有限元模型。利用MFX-ANSYS／CFX技术实现了对微泵的双向流固耦合分析。对微泵的锥形角、最小宽度、扩散管长度、泵腔高度进行数值计算，得到了优化参数。数值计算的结果与实际测量的数据进行了比较，验证了仿真的正确性。

介绍了一种基于PZT薄膜的无阀压电微泵。该微泵利用聚二甲基硅氧烷（PDMS）作为泵膜，自制的压电圆型薄膜片作为驱动部件，采用收缩管／扩张管结构，压电圆型致动片和PDMS泵膜的组合可产生较大的泵腔体积改变。在对微泵制备工艺研究的基础上，对其性能进行了实验研究，结果表明：电压和频率对流速均有显著影响。在7．5V、180Hz的正弦电压驱动下，该压电微泵的最大输出流速为2．05μL／min。该文制作的微泵具有流量稳定，驱动电压较低，性能稳定可靠和易控制等优点，可满足微流体系统的使用要求。

本文通过提取导流罩的轴向长度及叶顶间隙两个设计参数，构建了矩形流道内轴流风机的流场结构及仿真模型，进行了数值模拟和实验分析。结合仿真模型分析了矩形风道下轴流风机内部和出口流场特性的变化规律，构建了风机设计参数与气动性能之间的映射关系模型。通过风机气动性能实验可得:风机出口静压、体积流量和效率与间隙因子成反比，而与长度因子成正比，对比模拟值和实验值验证了模型的正确性。基于量化映射关系模型得到风机设计参数间隙因子和长度因子的最优值分别为0.8%和12.5%，为风机设计和冰箱风道优化提供量化参考。

针对传统自动机维修保障模式操作繁琐、维修周期长的问题，提出了一种应用小波包能量谱信息和相关向量机（Relevance vector machine，RVM）相结合的故障诊断方法。对每一组自动机振动信号进行小波包分解，得到不同频率成分的子频带分量，计算子分量占原信号能量的百分比，实现自动机状态信息表征，最后将特征输入RVM中进行分类识别。自动机故障诊断实例表明，该方法能较理想的实现自动机故障诊断，达到较高的诊断准确率。此外，通过对比支持向量机（SVM）的诊断结果，验证了RVM可以在很大程度上提升故障诊断的稀疏性与实时性。

在分析某起竖车液压系统现状的基础上,找出了存在的问题,提出了油源、液压操作箱及执行机构等改进方案,并基于CAN总线构建了控制系统,实现了起竖车工作流程的自动控制。在现场实施了起竖车液压系统的改造并进行了试验,通过试验验证了改进方案的正确性。

介绍了研制成功的“八”字形螺旋槽端面密封。它是一种新型流体动压非接触式机械密封,克服了在“人”字形螺旋槽端面密封中可能产生的磨粒磨损和冲刷磨损,实现了超高速、零泄漏和微磨损。该密封采用自循环螺旋泵与油气压差控制器相结合的密封油循环控制系统,具有简单可靠、节能等突出优点。

针对液压泵故障诊断问题，提出了一种基于局部特征尺度分解（Local Characteristic-scale Decomposition，LCD）、模糊熵和SOM神经网络三者相结合的故障诊断方法。对液压泵振动信号进行LcD分解，得到若干个内禀尺度分量（Intrin-sic Scale Component，ISC）；将Isc分量分别与原信号进行相关分析，筛选出包含主要故障信息的前几个Isc分量，计算其模糊熵并组成特征矩阵；将特征矩阵输入SOM神经网络进行分类识别。液压泵故障诊断实例表明，该方法能够准确识别液压泵典型故障，具有一定优势。通过与BP神经网络分类结果相对比，显示了SOM神经网络在特征分类方面的优越性。