为了提高我国中高压液压系统整体质量,技术人员结合生产技术经验与文献研究内容,围绕接头技术原理与目前应用中的主要故障原因;生产中遇到的主要问题与技术现状;未来发展研究主要趋势等三个层面,对液压管接头进行了专项技术研究。这一研究的开展一方面有利于提升我国液压系统整体生产质量的提升;另一方面也为其在未来技术发展指明了方向。

针对支持向量机中核函数的参数选择问题，提出一种基于核排列的核参数选择的齿轮故障诊断方法。在深入分析核排列这一核度量标准的基础上，利用最大化核排列的方法对高斯核函数的参数进行选择，构造支持向量机模型，对齿轮的正常、断齿、齿根裂纹和齿面磨损四种状态进行识别。与传统经典的10折交叉验证法相比，该算法无须反复的训练和测试分类器，能够高效地实现核函数的参数选择。通过对实验结果的分析可以看出，对比10折交叉验证法，利用核排列进行参数选择在齿轮故障诊断中具有更高的分类精度。

在分类中,不同的样本特征对准确分类的贡献率大小存在差异,为了解决最小二乘支持向量机的特征选择的问题。在研究多参数高斯核和核极化的基础上,提出了核极化优化多参数高斯核的特征选择LSSVM算法。首先,利用核极化最大化来优化多参数高斯核中的多参数,进而,判断出样本不同特征的重要性权重大小,然后,按特征重要性程度从大到小的顺序,依次添加一个特征到LSSVM中训练和预测。从UCI数据库选取出的数据集上的实验仿真结果验证了所提算法的有效性,在实际应用中,可以用样本中几个重要特征来预测样本以便提高预测效率,而且,LSSVM和SVM在所有特征上的实验结果说明了采用核极化的特征选择算法在LSSVM应用的高效性。

对支持向量机中核函数的核参数选择问题进行了研究,在深入分析核极化这一核函数度量标准的前提下,提出了一种直接最大化核极化的Gaussian核和Polynomial核的核参数选择算法。首先,设置核参数的搜寻范围,然后,计算在特定核参数下的核极化值,最后,选择出最佳的核参数值进行训练和测试。相比于传统经典的10折交叉验证,该算法无须反复训练和测试分类器,能高效地实现核参数的选择。UCI数据集的实验结果表明了所提出的最大化核极化与核参数选择算法在多分类中具有较好的泛化性能和预测精度,验证了该方法的有效性。

针对滚动轴承振动信号的不规则性和复杂性,导致轴承状态难以有效识别的问题,提出基于分层核极限学习机（HierarcHical Kernel Extreme Learning MacHine,H-K-ELM）的滚动轴承故障诊断方法。首先,将测得信号经集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）处理后得到一系列IMF本征模态分量,并提取各分量的排列熵PE值组成高维特征向量集;其次,利用高斯核函数的内积来表达ELM算法的隐含层输出函数,然后使用自动编码器对其分层,从而隐含层节点数自适应确定和隐含层阈值与输入权值满足正交条件;最后,将所得高维特征向量集作为H-KELM算法的输入,通过训练建立核函数极限学习机滚动轴承故障分类模型,进行滚动轴承不同故障状态的分类辨识。实验结果表明：H-K-ELM滚动轴承故障分类模型比ELM、K-ELM故障分类模型具有更高的精度、更强的稳定性。

为了提高粒子群算法的稳定性，改善陷入局部最优的弊端，提出了一种增加算子扰动且对惯性权重进行正弦调整的粒子群优化算法。该方法首先利用差分方程对粒子的速度与位置变化过程进行深入分析。然后找到粒子群算法收敛的约束条件，进而获得改进后的惯性权重。最后在粒子群算法的速度公式中引入算予扰动项，其对粒子施加扰动，能够有效的抑制算法陷入局部最优问题，使算法在迭代后期也拥有一定的搜索能力。利用4个典型测试函数对算法进行验证，实验结果表明改进的惯性权重及速度更新公式使得该算法具备了较快的收敛速度和较佳的全局收敛性能，与标准粒子群算法相比，改进后的粒子群算法收敛精度高、鲁棒性强。

针对行星齿轮箱振动信号复杂时变调质特点使其＂难表征＂,致使据此构建的状态辨识模型精度低的问题,提出一种基于总体局部均值分解（Ensemble local mean decomposition,ELMD）的能量熵与人工鱼群算法（Artificial fish swarm algorithm,AFSA）寻找支持向量机（Support vector machine,SVM）最优核函数系数组合的行星齿轮箱关键部件的状态辨识方法。首先,利用ELMD分解经形态平均滤波的行星齿轮箱关键部件的振动信号来获取若干窄带乘积函数（Product function,PF）。然后,计算其能量熵来构建高维特征向量集。最后,将其作为输入,通过训练学习建立AFSA优化SVM的行星齿轮箱关键部件状态辨识模型。实验结果表明,所提方法能凸显原信号中的有效故障成份,提高了模型的状态辨识精度。

滚动轴承出现早期故障时,因为背景噪声的影响,故障信号非常微弱,故障信息难以提取,为了能有效检测出轴承故障,提出了最小熵反褶积（Minimum entropy deconvolution,MED）与共振稀疏分解（Resonance sparse signal decomposition,RSSD）相结合的诊断方法。首先,运用最小熵反褶积对含有噪声的轴承故障振动信号进行降噪处理;然后,对处理后的信号进行共振稀疏分解,将信号分解成包含谐波信号的高共振分量与包含瞬态冲击信号的低共振分量;最后,将低共振分量进行包络功率谱分析提取故障特征频率。通过信号仿真和实验处理,表明该方法对微弱故障特征提取具有较好的适用性。

介绍最新开发设计的三轮传动滚切式双边剪液压系统．为保证系统无泄漏和故障率不 大于千分之一的设计协议要求，在设计中采取的措施及提出的制造要求和安装要求．

分析了涡流检测裂纹的原理,介绍了裂纹检测台的结构、控制系统及气动系统设计。该检测台有效地将机、电、气结合起来,在汽车轮毂等转轴零件的检测中取得了良好效果,有助于其它同类检测台的研制开发。