介绍了半导体制冷技术的原理及其在工程上的应用,分析了该技术的应用发展前景,探讨了影响半导体制冷性能的因素,并指出了半导体制冷技术存在的问题和发展趋势。

针对量子遗传偏最小二乘法在特征选择过程中,存在初始化种群粗糙和适应度函数复杂等问题,提出了一种新的特征选择方法——改进的量子遗传偏最小二乘法(Improved Quantum Genetic Algorithm Partial Least Square,IQGAPLS)算法。该算法根据求解问题的实际情况,赋予种群初始值。同时,设计了一种新的适应度函数,以减少计算量,并基于此适应度函数,提出了一种新的旋转角度更新公式,解决了其方向和大小确定困难的问题。将该算法应用于轴向柱塞泵故障信号的特征选择中。实验结果表明,IQGAPLS算法具有较少的计算量和较短的执行时间,选择出的特征包含更多的工作状态信息,从而提高了分类准确率。

针对复杂机械振动信号压缩感知过程中存在的稀疏字典构造困难问题,提出了基于QPSO分类的自适应稀疏字典构造方法。该方法根据信号的分割尺度,将信号进行分块,并利用每一信号块的能量大小,构造能量序列,利用QPSO对能量序列进行优化分类,保证不同类别间能量序列的方差最大,从而实现对信号块的分类,采用K-SVD对不同类信号块分别进行稀疏字典的自适应学习训练,产生与信号相适应的稀疏字典,用于机械振动信号的压缩感知重构过程。通过滚动轴承实测信号在不同状态下的压缩感知实验表明：所提方法能够有效提高信号重构的峰值信号比,改善机械振动信号的重构效果。

为了解决液压泵早期故障诊断难的问题,提出了一种基于渐近式权值小波降噪和Adaboost算法的液压泵故障诊断方法。针对早期故障特征难以有效提取的问题,根据最优化理论,通过对传统小波分析方法得到的信号进行渐近式权值的选择,得到了信噪比较好的降噪信号,并从中选取了最优特征集。同时,针对神经网络过学习和欠学习的现象,采用Adaboost算法对最优特征进行训练,实现了对不同故障类型的识别。实验结果表明,渐近式权值小波降噪能有效地去除噪声,提高信噪比,较为有效地提取最优故障特征;与BP神经网络相比,Adaboost算法具有更高的故障识别精度。

油液污染是引起液压系统故障的主要原因。该文建立了基于灰色残差的修正模型、时间序列和神经网络的优化组合预测模型，并将该模型应用于液压油液污染度的预测，实验结果表明，该模型在油液污染度预测中取得良好的效果，对实际油液污染监测具有一定的价值。

对轴向柱塞泵故障特征信息的研究有助于辅助完成轴向柱塞泵故障类型的鉴别和分类。从轴向柱塞泵的所有故障中，选出两种典型故障：缸体与配流盘磨损、柱塞滑履松动。从轴向柱塞泵原始振动信号中提取这两种故障特征的数据，经过小波包变换、数学变换以及遗传算法和偏最小二乘回归相结合（GA—PLS）特征选择后，确定最优的故障特征集。为了解决训练时间较长及权重调整过适应等问题，提出一种基于均匀分布权重和指数损失函数的改进型AdaBoost算法。分别使用AdaBoostM1，改进型AdaBoost构建分类模型比较其分类效果。结果表明：改进型AdaBoost使用仅含有少量的特征组成的最优特征集，可以得到较好的分类结果。

油液在线监测技术相比传统的离线检测具有实时性、同步性、连续性等优点，超声波具有良好的实时性、较高的空间分辨力、较强的油液穿透性，因此发展超声磨粒在线监测技术具有重要意义。本文基于超声散射原理，设计了一套油液磨粒在线监测系统，由工控机、超声波检测卡、超声波传感器、在线油温传感器、齿轮泵等部分组成，采用Delphi进行程序开发。并进行实装试验，结果表明，系统能够实时在线监测润滑油中的磨粒数量和大小。

针对液压泵多故障诊断和特征提取上的瓶颈问题，提出了应用概率因果模型的液压泵故障诊断法，以斜轴泵为例，在分析其故障特征的基础上，从测得的振动信号中提取故障特征频段，建立模型，以遗传算法实现对故障的搜索，实验结果与事实相符，从而为液压泵多故障诊断提供了一条有效途径。

分析了某装甲车辆液压系统的失效模式与故障机理，建立了故障树，并结合专家系统研究了基于故障树的专家系统知识库的构建以及推理机的实现。该智能故障诊断方法较好地解决了专家系统的知识获取难题，提高了液压系统的智能故障诊断水平。

自行火炮输弹机液压系统的动态数学模型，基于自行火炮液压系统榆弹机结构和工作原理，采用功率键合图的建模之法建立。由该模型推导出系统的状态方程，并用Matlab—simulink，先设置约束条件，再对其进行动态特性仿真，其结果和实际情况相符合，仿真结果能为液压系统的检测和诊断提供依据。