某型挤压机组存在的监测部位多、离线分析工作量大、分析工作耗时长的问题，严重影响监测的时效性。针对这一问题，探讨磨损实时监测技术在该挤压机组中的应用。介绍磨损实时监测系统的硬件和软件组成，以及磨损实时监测系统的现场安装及监测系统油路设计。现场运行结果表明，磨损实时监测技术及时地发现了系统运行中出现的油品性能劣化及水污染问题，为机组的预知性维修与主动性维护提供及时、准确的技术支持。

针对隐马尔科夫模型参数学习算法易收敛于局部极值的问题,提出了一种自适应基因粒子群算法,并将该方法应用于隐马尔科夫模型的训练,实现对隐马尔科夫模型初始参数的优化。在基因粒子群算法的原理以及操作流程的基础上,采用了自适应的参数调整方法,提高了基因粒子群算法的优化性能。分析了所提方法的全局、局部搜索能力以及收敛速度,开展了不同状态滚动轴承的故障诊断实验和测试,并与基于粒子群算法优化隐马尔科夫模型初始参数的方法进行对比。实验结果表明,所提方法对正常、内圈故障、外圈故障以及滚动体故障轴承的诊断准确率均能达到100%,相比于基于粒子群算法优化隐马尔科夫模型初始参数的方法,最高将分类正确率提高了28.57%、分类离散度提高了268.58%,证明了方法的有效性和准确性。

为了解决堆叠自编码网络在参数较多时的梯度弥散问题,对网络每层的编码值进行了统计分析,发现大部分分布于激活函数的饱和区,这直接导致了神经元权值梯度的消失。为此,引入了一种标准化策略,将神经元按照样本进行归一化,然后引入两个待学习参数进行缩放和平移,最后通过激活函数输出到下一级神经元。运用带标准化的堆叠自编码网络进行滚动轴承故障诊断,将振动信号的频谱输入到网络中。与普通堆叠自编码网络相比,该标准化策略可有效地使网络编码值均匀分布,如将第一层编码值的熵从0.88bit提高到了16.29bit。带标准化的堆叠自编码网络可有效提高网络的抗噪能力和训练速度在凯斯西储大学滚动轴承数据集上,当人为添加噪声信号的信噪比为0dB时,识别正确率从16.18％提高到了100％;在实验室实测数据集上,不仅训练时间下降了37.22％,而且识别正确率

针对工程实际中的故障诊断受限于零部件故障先验知识缺乏、振动信号调制及噪声成分复杂等问题,提出了一种滚动轴承故障诊断的自适应形态学滤波方法。在对基本形态算子和组合形态算子原理分析的基础上,利用非线性滤波器幅频响应分析法,获得了不同形态算子的滤波特性,定量分析了结构元素尺度参数对滤波效果的影响。对典型的滚动轴承故障模型及振动信号进行分析,获得了故障轴承运行的主要特征,确定了结构元素尺度参数选定策略,数值仿真实验验证了该方法的可行性。进行滚动轴承实验振动信号分析,结果表明,与参数优化的组合形态滤波差值算子(CMFH)相比,所提方法至少将信号的特征幅值能量比提高了29.8%、算法效率提高了50.0%,可清晰、准确、快速地将滚动轴承外圈和内圈的故障特征呈现出来,进一步证明了该方法在机械故障诊断应用上的可靠性

为了更精准地控制翼板动平衡时平衡补偿质量，从而提高平衡精度，提出了一种新的利用翼板迎角变化产生不同升力和离心力来实现不平衡力补偿的动平衡方法。对翼板工作时所产生的升力和离心力进行理论分析，建立了翼板迎角与补偿质量间的数学模型。通过实验测试翼板迎角变化所产生的不平衡量，得到翼板迎角与所能提供的补偿质量间的数学关系。在8个不同的相位处添加不同试重作为失衡量，根据所得翼板迎角与补偿质量的数学关系，调整相应翼板的迎角进行失衡量补偿，完成转子动平衡。实验结果表明，基于提出方法设计的动平衡装置可平衡主轴任意位置的不平衡量，平衡能力可达1617．6gmm，在实验转速为560r／min时，可将不平衡质量降低94．21％。提出的翼板动平衡方法无需添加或去除质量便可完成动平衡，且提供的平衡量可精确控制，具

为了解决卷积神经网络权值往往只能随机初始化的问题，提出了一种卷积自编码器。以卷积池化过后的特征为权值，对反卷积核进行叠加，叠加步长为池化时的长度，将信号重构回原信号空间。以原信号与重构信号的差值最小为目标，对卷积核和反卷积核进行优化。进一步，编码特征可以作为新的输入，利用同样的方式进行编码，依次循环，最后给网络加上全连接网络和分类器，用少量带标签样本进行微调，形成具有复杂特征提取能力的深度卷积自编码网络。将该网络用于滚动轴承故障识别，将时域振动信号直接输入网络，在公共数据集——西储大学轴承数据集以及实验室实测数据集上均取得了比传统卷积神经网络要好得多的识别效果，例如在实验室实测数据集上将识别精度从0．799提高到了0．921。将底层提取到的特征通过反卷积核逐层重构，第一

针对常用的无监督聚类分析方法中存在的问题,提出了一种基于分子结构设计理论的聚类分析方法。该方法借鉴分子结构设计理论模型,将故障样本空间看作分子系统,将故障样本看作分子系统中的原子,以故障样本之间的差异度作为分子势能的度量指标,在故障样本间＂相互作用势＂的影响下,以样本间＂势能＂最小为依据,调整故障样本在映射平面上的位置,从而获得最佳的聚类效果。开展了不同状态滚动轴承振动测试实验,聚类结果表明,相比于SOM聚类方法,该方法将聚类有效性指标DB值降低49.04%。将该方法应用于柴油机故障振动数据的聚类中,实验结果表明聚类效果良好,能够有效地将不同故障的数据区分开,验证了该方法的可行性和有效性。