为提高立体阵中俯仰角的定向精度，对立体五元十字阵的基本定位算法进行了推导。以往文献中常用正弦值来计算俯仰角大小，但这种方法不能同时反映2个结构尺寸参数对俯仰角精度的影响。针对这一情况，在俯仰角的计算上采用正切值。经过与传统平面五元十字阵的定向精度进行比较，发现用正切值来表示俯仰角，不但能更加精确地描述影响俯仰角精度的各种因素，同时此法表示的俯仰角在精度上也较正弦值表示法高。立体五元十字阵的定向性能较好，具有较好的工程应用价值。

为了研究某型高炮炮闩润滑控制系统的特性,基于AMES im建立该系统的模型,仿真得出启动油缸活塞杆位移和蓄能器压力等在正常和故障情况下的曲线。仿真结论可为该高炮炮闩润滑检测系统的建立和系统的故障诊断提供依据。

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。

针对自动机故障诊断过程中振动信号的非线性、非平稳性、非周期性导致的故障特征较难提取, 以及故障识别率偏低这一问题,提出了一种基于多尺度样本熵和多变量预测模型（variable predictive model-based class discriminate,简称VPMCD）的自动机故障诊断方法.首先,对采集到的信号进行小波阈值降噪处理;其次,利用小波包分解的方法对振动信号进行分解,得到多个尺度下的信号分量;然后,计算不同尺度下信号的样本熵值,并提取对故障特征较为敏感的尺度因子,组成故障特征向量;最后,利用多变量预测模型对故障特征向量进行训练和识别,进而实现自动机的故障诊断.自动机故障诊断试验分析结果表明,利用多尺度样本熵和多变量预测模型的方法可以准确识别多种典型的自动机故障类型.

为了有效利用特征集所包含的敏感特征进行故障诊断,提出基于独立特征选择(Individual Feature Selection,IFS)与流形学习的故障诊断方法。从多个角度提取振动信号的混合特征,构建原始高维特征集。采用一种改进的核Fisher特征选择方法为每两类故障状态独立选择敏感特征集,并通过线性局部切空间排列(Linear Local Tangent Space Alignment,LLTSA)算法挖掘出可区分度更高的特征子集。采用“一对一”的方法训练多个二类分类支持向量机(Supported Vector Machine,SVM),将得到的低维特征输入多分类故障诊断模型进行识别。液压泵故障诊断实验表明,所提方法具备较高的诊断准确率。

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。

分析了某装备液压试验的测试特点和具体要求，设计了一种适用于部队的测控试验系统该系统采用虚拟仪器技术和PLC控制，实现了对该装备多种液压元件的液压试验。测试过程中能够实时显示测试数据和曲线，对测试数据进行在线处理、存储、打印和管理，并且能够根据测试结果计算液压元件的性能指标，并评估其性能。