针对某些单MCU结构的嵌入式Internet服务器性能价格比低且灵活性差的问题,提出了一种双MCU结构的嵌入式Internet接入服务器(DMCUEIAS).它使嵌入式Internet的用户交互和设备控制分离,用户通过Internet不仅可以监视和控制现场设备,而且利用RAC可以将任务下载到现场;解决了低端单MCU处理能力低和高端MCU成本高的矛盾,并能够灵活地实现现场控制程序的功能扩展和升级.

针对往复压缩机轴承间隙故障诊断振动信号强非平稳、非线性与特征耦合特性,提出基于复合插值包络局部均值分解(CIELMD)与精细复合多尺度模糊熵(RCMFE)特征提取方法。使用CIELMD方法分解不同轴承间隙故障信号,利用相关系数筛选包含主要故障信息的PF分量;通过RCMFE方法定量描述PF分量构成状态特征矩阵,为解决信息冗余问题,进一步使用文化基因算法优选矩阵中平均样本距离最大的元素,构成可分性良好的特征向量。往复压缩机轴承间隙故障模拟信号试验结果表明:该方法提取故障特征可分性强,故障识别准确率高。

由于往复压缩机的振动信号非线性、非平稳性的特点,为进一步提高故障识别率,提出一种基于改进的均匀相位经验模态分解(IUPEMD)和精细复合多尺度模糊熵(RCMFE)的往复压缩机气阀故障诊断方法。采用IUPEMD方法对信号进行分解,通过不同的参数组合,利用正交性为指标选择最佳IMF分量,有效提高了IUPEMD对非平稳性信号的分解精度,减少模态混叠现象;以峭度为评价指标对分解后的IMF分量进行筛选,并重构信号,求解重构信号的RCMFE,提取故障特征向量;最后,将特征向量

由于往复压缩机的振动信号具有非线性非平稳性的特点,为进一步提高故障识别率,提出对自适应噪声完备集合经验模态分解(CEEMDAN)进行改进并与复合层次散布熵相结合的往复压缩机气阀故障诊断方法。利用正交性为指标选择最佳模态函数,有效提高了CEEMDAN对非平稳性信号的分解精度,减少噪声残差;采用峭度作为评价指标对分解后的IMF分量进行筛选并重构信号,求解重构信号的复合层次散布熵,提取故障特征向量;利用支持向量机进行分类识别。试验结果验证了

对具有分形特征的复杂非线性时间序列的预测,核心问题表现为初始条件敏感性对系统动力模型的影响,该敏感性又决定了最大预测可信时间;笔者从信息熵角度引入预测可信时间,在对振动时序变分模态分解（Variational Mode Decomposition,VMD）的基础上,分析并提取各主模态多重分形奇异谱形态参数,构造基于相空间重构的KNN（K Nearest Neighbor）预测建模域,以变参数寻优角度建立预测算法;依上述预测算法对2D12往复式压缩机轴承中度磨损故障振动序列提取故障特征分量,多方法对比与误差分析表明,该算法能较准确反映系统状态演化趋势,可作为决策依据并为寿命预测提供有效数据支持。

针对往复压缩机振动信号的非平稳和非线性特性，多重分形广义谱是一种简便、快速有效的特征参数提取方法；但其对噪声敏感，使得谱值波动，部分故障类间特征可分性差。利用经小波降噪后的优化LMD算法，并结合相关系数提取PF主分量以突出状态主信息，将多尺度整数寻优观点引入广义维，基于最佳可分性角度计算状态间最大平均距离，构造广义维数特征矩阵；通过SVM与增量学习K邻近（IKNNModel）统计算法训练和识别样本，对比证明该法能提高故障特征类间可分性和识别准确性。

论述了相空间重构方法影响振动信号关联维数准确性的因素。通过小波包改进算法对信号降噪，利用自相关函数法和伪相图法结合技术选择时间延迟和最近邻域发散度法确定嵌入维数，并将此法应用在较难识别的往复式压缩机轴瓦与十字头故障征兆中，获得较均一稳定的关联维数，验证了此法的准确性和有效性。

基于CDIO的教育是培养团队精神、动手实践能力的一种先进教育理念。液压与气动课程是一门实践性较强的课程将CDIO教育理念运用到液压与气动教学中能取得显著的教学效果。运用德国FESTO公司的气动教学平台和液压气动仿真软件FluidSIM建立了开放性的仿真实验系统每个实验小组有3~6名学生利用该仿真实验系统自由进行实验设计并独立解决问题从而达到CDIO培养目的。