异步电机运行声音包含着许多重要信息,对声学特征的有效提取结果可用于故障检测。因此,提出一种基于可听声信号的异步电机故障诊断方法。以异步电机为实验对象,利用Gammatone滤波器提取一种正常工况和两种异常工况的声音信号GFCC特征向量;采用卷积神经网络对可视化后的特征量进行分类识别。结果表明:相较于利用梅尔滤波器提取的两种特征量,利用GFCC提取的特征量具有更高的目标识别率。

以液压伺服系统的关键部件———电液伺服阀为研究对象针对正常运行状态的数据样本较易获得而故障样本难以获得的情况应用单值支持向量机仅仅依靠正常状态下的数据样本建立起单值分类器从而对电液伺服阀的运行状态进行识别。并用推广能力估计的方法实现控制参数的选择。

电液控制系统是集机、电和液于一体的高精度、大功率控制系统的首选控制方式但是电液控制系统是高复杂性的系统一旦系统发生故障将会严重影响生产而且查找故障及其原因是比较困难的。本文通过基于模型的方法针对电液控制系统的故障提出了一种在线预测的方法。

针对液压比例伺服系统中比例阀存在着严重的死区特性，提出了一种补偿方法，用于克服死区对系统控制性能的影响。该方法是将常规PID与补偿方法相结合，通过在常规PID输出的基础上叠加一个针对死区的补偿量作为总的控制输出，大大提高了控制系统的跟随性能。最后通过仿真分析及在液压锻造机上进行实际应用，证明了该方法在液压比例伺服系统中应用是可行的。

从轧机液压伺服系统的原始机理模型出发,建立了该系统的非线性模型--双线性模型,并进行了仿真.仿真结果证明了这种模型的有效性.

为了实现液压泵自动故障预警，提出了一种基于在线单类支持向量机的新方法．与离线单类支持向量机不同，该方法可根据输入样本的变化不断地及时调整自由参数，实现持续学习．同时提出了一种在线检测奇异值的鲁棒性算法．最后，从液压泵振动信号的时域信息中提取诊断特征参数，组成最小诊断参数组合，建立了液压泵在线故障预警系统，并进行了仿真研究．

针对轧机液压压下电液伺服系统及智能控制的特点，设计了神经PID控制器，仿真结果表明了该控制器具有良好的控制效果，为扎机液压压下控制提供了一种新的方法。