通过美国标准和技术研究所开发的软件程序计算出了混合工质在不同配比下的物理性质;最终以要求的制冷量为标准,确定了混合工质的最佳配比;并通过分析计算,得出了一个三级自动复叠系统中各测点的状态参数;最后分析了压缩机高、低压对系统性能的影响。

以研制工作在-80℃温区的低温设备为目标，搭建了一个两级复叠式蒸气压缩制冷循环低温冰柜，其中高温级循环采用R404A作制冷剂，低温级循环采用R23作制冷剂，两级复叠运行时可在-80℃提供冷量，且系统运行稳定。这种两级复叠式低温冷柜结构简单，在低温医学等方面有较好的应用。文中在合理简化的基础上对试验结果进行了分析，并提出了改进的措施。

设计了一套混合制冷工质充注装置,该装置采用定容积储气罐,通过测量其温度和压力变化,根据工程热力学原理可以得到所充制冷工质的质量。针对充注过程进行了分析,对装置的结构和原理进行了讨论。运用两种方法计算本装置在环境温度下充注制冷工质的质量,并对两种计算结果进行了对比分析。

提出了一种四级自动复叠制冷循环,搭建相应的试验装置,选取合理的混合工质及配比并成功制取了-140℃的低温。测量系统各级节流后的温度特性,并进行分析,指出混合工质配比对蒸发温度的影响。

建立在统计热力学和分子力学理论基础上的分子模拟方法逐渐运用于计算制冷剂的热力学性质。文中首先在NVT系综条件下，采用吉布斯蒙特卡罗模拟方法（GEMC），模拟了1132的气液相平衡的密度、饱和蒸汽压及蒸发焓；其次在NPT系综条件下，采用蒙特卡罗模拟方法（MC），模拟了R32在4MPa条件下的过冷液态密度。模拟结果同美国国家标准研究所（NIST）的Refprop8．0相比，有很好的一致性。结果表明，运用该方法预测单一制冷剂的热力学性质是可行的。

针对在大型多向模锻压机设计中设备零部件繁多、压制工艺复杂，造成设计任务繁重的问题，提出在大型多向模锻压机设计中应用数字样机技术，采用参数化设计以及仿真分析计算，对众多的设计方案进行优化选择，提高设计效率和设计质量。通过应用运动仿真以及有限元分析计算，能够减轻机械设备自重，降低材料消耗与制造成本。

分析了一种车轮可以快换的抛投式侦查机器人从高处跌落的碰撞机理,探究了机器人在跌落时快换结构和整体受力情况和通过实验得出安全跌落高度。数值方法采用计算多体连续碰撞动力学模型中,求解冲击问题的能量方法。根据设计的这款抛投机器人参数应用ANSYS/LS-DYNA对机器人进行仿真实验,通过仿真实验得抛投机器人不同跌落高度,不同着地姿态下各个部件碰撞力的大小,对机器人整体以及危险部位进行强度分析。最后得出这款抛投机器人的快换结构方便、可靠;应该优化内容为车轮橡胶部分,车轴、车轴与轮毂接触处;最大允许跌落高度为大约5米。采用虚拟样机模型仿真实验的方法来优化机器人结构设计,可以减少了实物实验的失败风险,大大加快了设计速度。

探索剃齿过程中接触特性对齿形中凹误差的影响规律,对研究中凹误差形成机理具有重要的理论和实际意义。基于弹塑性理论和齿面承载接触分析技术(Loaded Tooth Contact Analysis,LTCA),构建力学模型分析不同载荷条件下剃齿啮合接触特性,阐述了中凹误差形成机理。应用有限元法明确了不同载荷条件下的齿面接触应力及齿廓弹塑性变形区域的划分,并与剃齿试验相比较。结果表明随着载荷的增加齿廓上塑性变形区域随非线性增大;齿根部位较之齿顶所受的应力和变形量更大,峰值出现在节圆附近的中部位置,该区域最易出现塑性变形,同时随着剃齿低周啮合,塑性变形量不断累积,齿形误差复映,最终会在齿廓上出现明显的中凹误差现象;有限元仿真的接触应力和弹塑性区域划分结果可靠,试验验证理论分析及研究结论正确。

为解决再制造机床可靠性增长试验中未来故障发生时间及可靠性预测问题,建立以未来故障发生时间为随机变量,基于条件分布的AMSAA模型再制造机床可靠性增长预测方法。根据可靠性增长预测知识,结合再制造机床未来故障时间的联合条件概率密度函数以及已发生故障时间的联合概率密度函数,推导出未来故障时间的边缘条件概率密度函数,由此得出再制造机床未来故障发生时间及可靠性的点估计和预测区间,并引入标准差系数进行预测精度分析。通过某机床厂再制造机床研制阶段可靠性增长实验数据对该方法可行性和有效性进行了验证,并将预测结果与实际结果及现有方法计算结果进行了分析比较。

针对泵车液压泵早期故障特征信号微弱、故障特征难以提取的问题,提出了一种基于符号动力学信息熵与支持向量机（support vector machine,简称SVM）的泵车液压泵故障诊断方法。分别模拟了液压泵9种故障状态,测取了各状态下多测点的振动信号样本值。利用时间序列的符号动力学信息熵,计算各振动信号的符号动力学信息熵Hk,确定了各状态下相应的信息熵特征向量。建立了不同状态特征向量训练集,再结合支持向量机对液压泵故障模式进行诊断与识别,测试结果准确率为98.71%。将该方法与改进的BP（back propagation,简称BP）神经网络诊断结果进行了对比,结果表明该方法的识别率更高,诊断时间更短,适用于现场液压泵故障的在线诊断。