谐波减速器作为工业机器人核心部件,其性能是影响工业机器人加工精度的重要因素之一。由于其结构复杂且性能衰退具有强非线性,难以直接通过传统失效物理模型等理论计算方法对健康性能进行分析。为此,提出一种基于流形学习的降维方法,实现对谐波减速器健康状态的量化评估该方法提取不同状态下的原始信号时域特征作为高维输入向量,利用LargeVis流形学习方法将高维数据的内蕴流形在低维空间中得到表征,并构造马氏距离度量,建立状态数据与健康值之间的非线性映射关系,最终得到健康评估结果。通过加速寿命试验进行验证并与其他常见方法对比,该方法状态识别准确率高,鲁棒性更好,可快速实现数据可视化,能有效应用于机器人用谐波减速器的健康评估。

针对工业生产中的对机器人视觉及产品实时质量监控,提出了机械零件的MTS(Mahalnobis-Taguchi System)判别分类方法.并以Taguchi方法对判别特征进行优化筛选,减少了无用特征和"噪音"的干扰,以马氏距离(Mahalanobis Distance)作为判别分类的判据.实验表明该方法能有效提高判别分类的速度和精确度.

基于结构加速度时间序列提出了一种新的损伤识别方法。首先,获取结构在无损伤状态下的加速度数据并进行分段,以各段数据的AR（auto-regressive）模型系数向量作为结构的参考状态样本,将未知状态的加速度AR模型系数向量分别加入参考状态样本中,构成多个原始数据矩阵;其次,对多个原始数据矩阵分别进行主成分分析得到前两阶主成分,并建立相应的椭圆控制图,以前两阶主成分在控制椭圆中的分布情况来判别结构是否存在损伤;最后,以一钢框架结构试验为例识别结构的两种损伤模式。结果显示,该方法能够准确、直观地识别结构是否存在损伤,相对于马氏距离判别法具有更强的稳定性。

研究大尺度IP骨干网络流量矩阵估计，通过使用广义回归神经网络来捕捉流量矩阵特征，将流量矩阵估计描述成马氏距离下的最优化过程，能成功克服流量矩阵估计的病态特性，获得精确的估计值。仿真结果表明，该估计算法具有更高的估计精度和显著的性能改善。

提出了距离判别在超声探伤缺陷识别中的应用，提取时域空间特征量：上升时间（Tvp）、下降时间（Tdown）、波宽（Width）、上升角度（Angle）及峰度系数（KU）和波形下面积（S），通过计算检测缺陷与样本的马氏距离，比较马氏距离大小来对缺陷进行分类识别，识别率达到87．5％，对以后超声缺陷识别具有一定的理论指导意义。

针对传统的单尺度信号分析在故障特征的表达上有很大的局限性,引入多尺度排列熵,对不同尺度下的涡旋压缩机振动信号进行了定量分析,并通过马氏距离实施故障诊断.实验结果表明,与单尺度排列熵相比,多尺度排列熵能够对不同故障的复杂性进行准确的描述,反映了不同尺度下故障特征的变化趋势.此外,选择合适尺度下的排列熵作为故障诊断的特征参数,既节省了时间,又可以提高诊断的准确率.

针对传统K近邻（K—Nearest Neighbor，KNN）算法在进行机械故障信号识别的过程中，无法挖掘特征参数之间关联性，提出一种基于最优特征集的马氏距离KNN分类方法，根据机械故障信号的非线性特点，使用小波分解获得时频域故障特征，通过局部嵌入算法（Locally Linear Embedding，LEE）来进行二次故障特征提取，从而获得多相关特征集并对其进行主成分分析得到最优特征集，最后通过数值仿真信号和齿轮故障数据的分析了方法的有效性。结果表明该方法能够有效挖掘特征参数之间关联性，增加不同故障之间区分度，从而提高故障识别精度。

针对数控机床质量定量评价困难的问题,提出一种基于用户期望符合度函数的数控机床质量评价方法。该模型以数控机床的质量特性为基础建立质量评价体系,引入用户期望分布描述产品质量的具体意义,并利用马氏距离计算用户期望分布与产品实际质量特性分布的差异,建立了相应的质量损失函数。根据该质量损失函数,分别计算各质量特性的质量损失,得到相应的用户期望符合度向量,判断当前产品各质量特性参数对用户群体期望的满足情况。在此基础上,计算各质量提升措施的效用费用比,指导开展相应的质量提升工作。实例表明,该方法符合工程实际,且具有较强的实用价值。