工程机械内部由大量的摩擦学系统组成,机械零部件之间的摩擦磨损随机械运动持续发生,因此摩擦磨损是造成工程机械故障的主要原因之一。为了避免机械设备异常磨损带来的严重后果,需对工程机械磨损故障诊断进行研究,判断磨损故障的严重程度,辨识磨损故障模式,并以此为依据实现对设备的早期、快速维修保养。本文以工业机器人和柴油机两种复杂工程机械为研究对象,针对当前工程机械磨损故障诊断中存在的缺乏定量和定性信息的综合应用、信息不确定性、诊断模型复杂性和容错性需进一步改善等问题,基于置信规则库推理（BRB）方法和证据推理（ER）规则,开展智能诊断方法研究,主要工作如下:（1）基于BRB推理的工业机器人曲柄轴磨损故障诊断方法。针对工业机器人曲柄轴磨损特征和磨损严重程度之间存在着非线性映射关系的问题,综合利用定性和定量的信息,建立了基于BRB推理的工业机器人曲柄轴磨损故障诊断模型。以置信度的形式表示磨损故障信息中的模糊不确定性和未知不确定性,并利用解析证据推理对不确定信息进行融合与推理。相较于仅基于定量数据建模的方法,基于BRB推理的磨损故障诊断模型准确性高,模型可解释性好。（2）基于改进ER规则的柴油机磨损故障诊断方法。针对数据缺失而导致的诊断模型失效和线性加权融合不能准确拟合故障特征和故障模式间关系的问题,建立了基于改进ER规则的柴油机磨损故障诊断模型,使用ER算法对被激活的子证据进行非线性融合,替代原有线性加权求和的方式,更为准确的拟合了磨损故障特征与故障模式之间的非线性关系。为进一步有效确定证据的可靠性因子和重要性因子,本文提出一种基于信息熵的证据重要性因子确定方法和基于主成分分析（PCA）的证据可靠性因子确定方法,使得模型可以更客观、准确的确定证据初始的可靠性因子和重要性因子。（3）基于多分类器融合的柴油机磨损故障诊断方法。针对单个模型可能出现的诊断准确性低、容错性差等问题,构建了多分类器融合的磨损故障诊断模型,基于ER规则对改进ER规则模型、BRB模型、ANN模型在决策层进行融合。融合过程中,综合考虑各单个模型的准确性和稳定性确定各个模型的可靠性因子,通过GA优化各个模型的重要性因子,提高了模型的准确性和容错性。

故障诊断是保证工业系统安全稳定运行的重要技术。在工业大数据的背景下,基于数据驱动的故障诊断方法逐渐成为一个热门的研究方向。深度学习作为一种典型的数据驱动方法,它的出现在一定程度上解决了传统方法难以挖掘有效故障特征、泛化能力弱、对精确模型依赖度高等问题。本文开展了基于深度神经网络的故障诊断方法的研究,主要工作如下:（1）完备样本下基于短时傅里叶变换（STFT）和卷积神经网络（CNN）的故障诊断方法。在故障诊断问题中,多数情况下采集的故障信号包含各种噪声。因此,提取特征时容易出现丢失有用信息的情况。为解决这一问题,提出一种结合STFT进行信号降噪处理的CNN算法,并应用于完备样本下的故障诊断。首先,将故障信号通过STFT进行预处理以获得信号的时频信息表示;其次,利用CNN模型对输入的2维图像进行特征学习与故障分类,以实现工业设备故障诊断;最后,在轴承故障数据集上验证了该方法的性能。（2）非完备样本下基于支持向量机（SVM）和CNN的故障诊断方法。在实际工况中,带标签样本稀少而无标签样本数量较多的情形不能满足CNN模型的训练需求。为了解决这一问题,提出一种基于SVM与CNN的知识迁移故障诊断方法。首先,计算时频域中的特征以形成特征候选池;其次,基于稀少带标签样本训练多个SVM模型,并根据SVM模型性能指标,选择最优的SVM模型对无标签样本进行标签预测;然后,将预测标签样本与少量带标签样本组合形成增强训练集（ATS）,基于该训练集训练CNN模型,实现从SVM到CNN模型的知识迁移;最后,在两种典型故障数据集上验证了该方法的有效性。（3）基于CNN与证据推理（ER）规则的故障诊断方法。通常单一CNN模型的输入数据都是单一尺度,识别范围有限,而且基于不同尺度数据构建的CNN模型在一定程度上可能产生冲突性故障分类结果。为了解决这一问题,引入一种基于CNN和ER规则的决策层融合模型。首先,对原始数据进行切分和时频域转换等操作,以构建不同尺度数据集;其次,基于不同尺度数据集训练特定CNN模型;然后,通过ER规则对不同诊断模型的分类结果进行融合,以提升诊断精度,减少诊断决策的冲突性;最后,在轴承故障数据集上对该方法进行了验证。

近年来,随着智能船舶概念的兴起,以及大数据、云计算及物联网等互联网及信息技术的发展,船舶智能化已经成为全球航运的大势所趋。目前智能船舶的研究已在全球范围内开展。对船舶机械设备的运行状态、健康状况进行分析和评估,制定船舶机械设备操作决策和维护保养计划,是智能船舶的主要目的之一。船舶机械设备主要包括船舶动力系统、船舶辅机、发电机等。其中船舶动力系统承担着能量传输,动力传递和推进船舶的使命,被称为船舶的“心脏”。船舶推进轴系是船舶动力系统的重要组成部分,在船体变形和风浪等外部载荷作用下,振动明显加剧,加速船舶轴系故障的发生,这使得船舶轴系运行的可靠性和安全性成为了关注的重点。对船舶推进轴系状态的状态监测与故障诊断是保证船舶动力装置的可靠运行,实现船舶航行安全的有效手段。如何有效地、及时地、准确地识别和诊断船舶轴系的各种异常状态或故障,是进行船舶轴系状态监测与故障诊断研究的关键,是提高船舶轴系运行的可靠性和有效性的重要保障。文中以船舶推进轴系为研究对象,在研究船体变形和外载荷激励对船舶推进轴系振动影响的基础上,提出了船舶推进轴系振动信号故障特征提取和故障诊断的方法,为船舶轴系的智能故障诊断方法研究和智能船舶的发展提供理论依据,也为船舶推进轴系优化设计、安装、性能监测与维护提供方法与技术支持。主要研究内容和成果如下:（1）建立了船体变形激励下的轴系横向振动模型,研究了不同影响因素对船舶推进轴系振动特性的影响。通过数值分析的方法,分析了轴系位置、螺旋桨、主机、支撑刚度、激励位置和不同尺度等影响因素对船体变形激励下的轴系横向振动的影响。并以8 530 TEU集装箱为研究对象,开展了实船试验研究,验证了部分分析结果。（2）开展了多激励下的船体-轴系振动特性试验研究,分析了不同激励下对船体-轴系振动特性的影响。以船舶轴系试验台为研究对象,探讨了船体激励、螺旋桨激励对船体-轴系振动的影响,分析了强制位移、正弦激励力和变频激励力下的船体-轴系振动特性,为轴系进行状态监测与识别提供理论依据。（3）提出了基于变分模态分解（VMD）的船舶轴系故障特征提取方法。在研究轴系典型故障（不平衡、不对中、摩擦、油膜涡动）产生机理的基础上,开展了轴系故障模拟实验,使用VMD方法对轴系的故障特征进行了提取,结果表明,VMD能有效地提取船舶轴系的故障特征。针对VMD参数选择困难的问题,提出了一种参数选择方法,该方法能有效分解故障信号而不需要经验和预判。并提出来改进VMD-能量熵的轴系故障特征提取方法,获取了大量轴系故障特征数据,为后续的故障诊断研究提供了数据支撑。（4）为了提高船舶轴系故障识别与诊断的效率与准确率,提出了基于深度学习的船舶轴系故障诊断方法。将深度置信网络（DBN）方法应用到轴系故障诊断中,通过与传统的支持向量机（SVM）方法的对比,DBN可以使用更少的故障特征获得更高的识别和诊断率,增强了轴系故障识别和诊断的智能性。综上所述,本文采用理论分析和试验研究相结合的办法,针对船舶轴系的振动特点以及船舶轴系振动信号特征提取和故障诊断中存在的问题,提出基于变分模态分解和深度置信网络的船舶轴系故障诊断方法。该方法能使用更少的故障特征获得更高的识别率和诊断率,增强了轴系故障识别和诊断的智能性。

证据推理（Evidence Reasoning,ER）规则作为Dempster-Shafer（DS）证据理论的重要拓展,它提供了更为严密的概率推理过程,并明确区分了证据可靠性和重要性的概念,是处理各领域中不确定问题的代表方法之一。基于ER规则的分类器模型,能够较好的处理输入属性与输出类别之间映射关系中的不确定性。但是,随着输入属性维数的增加,ER分类器模型的参数会大幅增加,从而加大了模型优化和推理决策过程的计算量。基于此,本文提出基于属性向量化与证据推理（Attribute Vectorization and ER,AV-ER）的分类器设计方法,并应用该分类器解决具体的设备故障模式分类问题（故障诊断）,主要工作如下:（1）基于属性向量化与证据融合的广义数据分类器设计。首先,基于主成分分析（PCA）生成属性向量,并基于属性向量获得参考证据矩阵。然后,使用ER规则融合分类证据,并根据融合结果进行分类决策。在融合过程中,利用遗传算法（GA）对分类器模型参数进行优化。最后,选择University of California Irvine（UCI）中的经典基准数据集进行分类实验,详细叙述了所提出的广义分类器（AV-ER）方法的设计过程,并采用Akaike Information Criterion（AIC准则）对实验结果进行综合评判,通过对比原始ER分类器方法,说明了所提分类器的性能优势。（2）基于故障特征向量化与证据融合的旋转机械设备故障诊断方法。针对具体的旋转机械故障诊断问题,基于（1）中AV-ER分类器给出了相应的故障模式分类方法。首先,对多信息源采集的振动信号进行特征提取;再基于PCA方法构建故障特征向量样本的参考证据矩阵,并获取相应的证据可靠性因子;然后基于ER规则进行故障证据的融合与故障决策;在融合过程中,利用遗传算法对初始模型参数进行优化;最后,在多功能电机转子试验台上实施了故障诊断实验,通过对实验结果的综合评判,验证了该方法的有效性。（3）故障特征样本不均衡条件下的旋转机械故障诊断方法。针对故障诊断中正常样本数据量多而故障样本少这一不均衡典型问题,在（2）中诊断方法的基础上引入分层式ER融合方法。该方法通过引入更多的相关历史样本参与融合推理过程,增加推理模型接纳的有效样本信息量,以增进辨识精度。最后,在电机转子故障诊断实验中,通过对比单层模型诊断结果,说明分层融合能够有效提升诊断精度。

随着分布式控制系统的广泛应用和先进信息技术的实施,为了实时地检测并识别工业过程中的异常状况,数据驱动的故障诊断方法成为多变量过程控制的研究热点之一。然而海量高维度的过程测量信息给传统的故障诊断算法带来极大的计算复杂度和建模复杂度,且存在难以利用高阶量进行在线估计的不足。面对复杂工业过程中的低阶、动态、非线性、多模态以及微小故障等问题,本文结合深度学习与统计分析技术,提出了一系列基于栈式自编码网络的故障诊断算法:（1）将深度学习技术引入工业过程控制中,提出了基于栈式自编码网络的故障诊断技术,通过栈式自编码网络提取并表示工业过程数据中隐含的相关性特征,打破了传统方法针对微小故障检测的瓶颈;（2）从函数逼近角度阐述了栈式自编码网络结构:利用多重的非线性映射与优化的组合实现复杂函数的逼近;初步解释了栈式自编码网络在故障诊断上的可行性;结合加权时间序列保持工业过程的时间相关性;（3）从多项式泰勒展开的角度解析自编码网络,结合泰勒展开的高阶项O（xn）论证栈式自编码网络对细节特征的表示学习能力;鉴于动态过程中的时间最近邻并不一定是其空间最近邻,在不增加建模复杂度的前提下,提出了基于动态重建的栈式自编码网络故障诊断技术,通过样本重建在保持数据可分离性的同时增加类别间的可区分距离;（4）针对传统多元统计分析技术难以利用高阶信息的不足,提出了基于高阶相关性的故障诊断技术,结合栈式自编码网络的多隐层结构建立多级学习框架:堆叠的隐层数越多,提取特征的阶数越高;并给出对应度量指标监控系统运行是否保持在控制范围内;利用正常过程的测量数据进行网络参数训练,避免了类别间的数据不均衡问题;（5）考虑动态过程中在线数据的重要性,提出了基于栈式自编码网络的阈值自适应过程监控技术,通过一个综合的表示框架实现多模态辨识与故障诊断的整合,降低了多模态切换的代价;并基于Sigmoid函数重构进一步分析自编码网络的表示学习能力。基于栈式自编码网络的故障诊断方法可以更细致地反应过程运行状态及潜在的演变轨迹,仿真研究验证了其有效性与可靠性,丰富了数据驱动下故障诊断领域的研究成果,并揭示了进一步研究的必要和可能。

复杂系统的安全性评估是确保安全平稳运行,避免严重事故和生命财产损失的重要手段。其评估过程需要处理多种不确定性信息以及多个因素间的非线性关系,且评估模型需要具有可解释性。置信规则库方法能够表达和推理各种不确定性信息,对非线性复杂系统进行建模,且建模和推理过程可解释性强。目前的置信规则库仅在单一的交集或并集假设下建立,但实际复杂系统安全性评估建模会出现交集和并集假设混合的较为复杂的情况。提出混合置信规则库方法旨在处理交并集混合的情况,遵循评估模型与实际情况一致的原则,建立更准确的评估模型,使评估方法满足复杂系统安全性评估问题的要求。本文开展混合置信规则库建模与推理方法及其在复杂系统安全性评估中的应用研究,主要的工作如下:（1）混合置信规则库建模与推理方法。提出了有关混合置信规则库的基本概念,包括属性组合、混合置信规则、混合置信规则库的定义,深入分析了混合置信规则与交集和并集置信规则的关系,在此基础上提出了混合置信规则库的建模与推理方法。（2）基于混合置信规则库的铁路运输安全性评估方法。从环境、设备、管理、承载能力和事故预防和救援能力等五个方面对铁路运输安全性的影响因素进行了归纳与分析,以及对铁路运输安全性评估问题的特点及运用混合置信规则库方法的可行性进行了分析,提出安全性评估的混合置信规则库推理模型。（3）基于混合置信规则库的成渝区域铁路运输安全性评估。针对成渝区域高铁和既有线各自特点,建立相应的混合置信规则库安全性评估模型,通过与历史事故与故障记录的对比分析,验证了所提评估模型的有效性。对比高铁和既有线安全性评估结果的动态变化得出结论:高铁的安全性优于既有线;环境和设备因素对安全性影响更大。纵向对比后发现,国外铁路事故统计报告与本文结论基本一致,在此基础上进一步提出了提高铁路运输安全性的建议。

缸套-活塞环组件作为柴油机的主要摩擦副之一,其性能好坏对柴油机的工作性能、使用寿命和经济性等都有着重大的影响。相关研究表明,缸套-活塞环的摩擦耗功在整个柴油机摩擦耗功中占到的比例大约为25%-50%,并且在船机故障统计中由缸套、活塞环所引发的故障也占到相当大的比例。此外,气缸内的密封性能对柴油机的工作特性起到至关重要的作用。因此,深入对缸套-活塞环的综合性能优化展开研究,对延长缸套-活塞环的寿命、提高柴油机的效率、节约燃料等方面均具有十分重大的意义。本文以柴油机缸套-活塞环摩擦副为研究对象,聚焦于柴油机缸套-活塞环减磨机理和气缸气密性优化研究,具体包括缸套-活塞环表面纹理的设计、制备,往复式切片缸套-活塞环运行过程中摩擦副的摩擦特性、润滑油膜特性,整缸缸套-活塞环摩擦副的摩擦特性、润滑油膜特性以及气缸密封性,缸套-活塞环摩擦副油液磨粒与表面纹理结构的映射关系等。综合比较不同运行工况试验前、后获取的特征参数,系统的分析了表面纹理结构参数对缸套-活塞环摩擦副性能的影响,并建立了不同表面纹理结构缸套与该摩擦副性能之间的映射关系。研究结果发现,具有合适尺寸沟槽结构的缸套-活塞环能够有效提升摩擦副的摩擦学性能,降低摩擦副的磨损。其中30°沟槽纹理结构具有较好的摩擦学性能,且在此基础上设计的2 mm宽沟槽结构有利于改善低速度下摩擦副的摩擦磨损性能,而3 mm宽沟槽结构更有利于改善更高速度下摩擦副的性能。而进一步通过对整缸缸套-活塞环摩擦副性能的研究发现,合适宽度的螺纹槽纹理结构可以有效改善摩擦副的密封性能和摩擦学性能,如3 mm宽螺纹槽纹理结构与原始缸套相对比,密封性能提升了14.4%,而摩擦学性能提升了约30%。此外,磨粒的分析则利用收集试验过程中的润滑油制作滤膜谱片并获取其二维特征参数和三维形貌特征参数,其结果表明合理的缸套表面纹理结构有助于改善缸套-活塞环摩擦副的润滑性能,如2 mm宽的沟槽纹理结构对摩擦副润滑性能的改善。这些研究结果为表面纹理结构在柴油机缸套-活塞环上的应用提供了一定的试验和理论依据。

液位测量方法广泛使用在石油、化工、污水处理、地质灾害等监测领域,在生产、加工、运输、储藏、环境治理等方面的状态监测及报警环节发挥着重要的作用。基于低频声波共振的液位测量方法,能够有效克服超声波测量在应用中所面临的寄生反射问题,从而在测量液面出现异物时仍能根据衍射原理得到较为准确的测量结果。但是,前者面对测量环境噪声较大的情况,在提取声共振频率点序列进行液位换算时,会出现虚假共振点或者遗漏共振点等非理想情况,从而对测量精度造成一定影响。针对该问题,本文首先分析了产生以上非理想情况的原因及其具体表现形式,并基于规则推理的信息融合方法实现了对共振点的修正与误差补偿。然后,设计了相应的液位测量系统,通过大量的液位测量实验,验证了所提方法的有效性。主要研究工作如下:（1）低频声波共振液位测量原理分析。该声共振测量原理通过发射一段声波扫描信号至液面并反射,将发射波和反射波叠加形成合成波。利用多级滤波算法提取合成波中的共振频率点序列。由于共振序列长度以及其中的共振频率值会随液位高度发生变化,所以可根据共振序列换算出液位高度。基于该原理设计的液位测量系统具有结构简单、安装方便,维护成本低、测量精度高、应用范围广等优点。（2）基于信息融合的声共振液位测量误差补偿方法。首先对非理想情况下产生的声共振序列进行分析,总结相邻共振点局部特征与虚假共振点、被遗漏共振点之间的对应关系。建立置信规则库对该种非线性映射关系进行建模,并通过ER（Evidence reasoning）融合推理方法对非理想共振点进行修正和补偿,生成完整的共振点序列。为了进一步减少误差,将多个采样周期获得的完整共振序列进行迭代融合,并根据融合后的共振序列换算出精确的液位测量值。（3）声共振液位测量系统设计及性能测试。利用麦克风、扬声器、温度传感器、开发板等元件搭建声共振液位测量硬件平台,并加载（2）中所研发的测量软件,形成最终的测量系统。在噪声环境下,实施大量程（0.6m～10.4m）液位测量实验,并利用所提方法对所获取共振序列进行实时修正与补偿。通过大量的实验数据分析可以发现,经过推理融合与迭代融合两步操作,可以有效降低测量误差,显著提升声共振方法的液位测量精度。

电力推进系统作为船舶系统中的核心动力装备,其控制性能受海况变化的影响较大。为实现电力推进系统的有效控制,需要及时有效地辨识船舶所处海况,并针对不同的海况环境采取适当的控制方法。本文针对当前海况辨识和电力推进系统控制方法中存在的未考虑输入特征间存在的强相关性、控制模型自适应能力弱等问题,基于极大似然证据推理（MAKER）规则和证据推理（ER）规则,分别开展智能海况辨识和不同海况下电力推进系统控制方法研究,主要工作如下:（1）基于MAKER规则的智能海况辨识。为了解决船舶电力推进系统输入特征变量之间存在的强相关性问题,给出基于MAKER规则的相关性证据融合方法识别海况。首先,对于获取的推进系统状态变量监测样本,基于样本值投点获取关于吸气效应模式（类型）的参考证据矩阵;然后,基于基本信度赋值函数获取证据可靠性因子,使用MAKER规则进行证据融合与推理,以识别吸气效应类型,并根据其与海况类型的关系进行海况辨识;最后,在海况数据集上验证了该方法的有效性。（2）平静海况下船舶电力推进系统转速控制方法研究。在（1）方法识别出的平静海况下,为了解决推进系统PID控制中控制器参数的实时调整问题,提出了基于ER规则的推进系统转速PID控制（ER-PID转速控制）方法。首先,基于ER规则建立PID控制器参数的实时估计模型;然后,使用序列线性规划（SLP）方法对参考证据矩阵和证据重要性权重进行实时优化、迭代更新;最后,通过与BP神经网络PID智能控制方法的对比,验证了所提出的ER-PID转速控制方法,在电力推进系统转速控制中具有更好的控制精度和鲁棒性。（3）恶劣海况下船舶电力推进系统转速控制方法研究。在（1）方法识别出的恶劣海况下,为了降低螺旋桨吸气效应对推进系统控制性能的影响,基于（2）中的控制方法进行修正,进一步提出了基于ER规则的抗过旋转速PID控制（Anti-spin ER-PID转速控制）方法。Anti-spin ER-PID通过引入抗过旋系数对电机输入转矩进行限制,以降低由于吸气效应造成的给定转矩与螺旋桨负载转矩不匹配、螺旋桨转速过快对控制性能的影响。最后,模拟船舶在正常行驶过程中遇到恶劣海况的情景,在对抗过旋转速控制的仿真实验中,验证了所提方法的有效性。

工业报警器是现代工业系统的重要组成部分,其作用是监测生产过程中的过程变量,通过对过程变量的处理来判断系统是否处于异常状态并生成警报。业界通常把误报率（FAR）、漏报率（MAR）和平均报警延迟（AAD）作为评价工业报警器性能的指标。传统的报警器设计方法是在假设已知过程变量概率特征的前提下,以误报率和漏报率最小化为目标来优化阈值等参数,实现最优设计。但在实际应用中,由于过程变量的样本数据会不可避免地受到监测及工作环境中的不确定因素干扰,故难以构建精确的概率分布模型描述其随机不确定性,此时再基于概率理论设计报警器将存在一定的局限性。在对不确定性信息的描述、推理和综合处理方面,相较于传统概率理论,Dempster-Shafer（DS）证据理论更具有优势。在过程变量的精确概率模型未知的情况下,已有学者将该理论中的证据组合和更新规则应用于报警器设计,并取得了显著效果。在此基础上,本文引入证据推理理论设计一类单/多变量报警器,来提高此类报警器的性能,主要工作如下:（1）基于证据推理的单变量报警器设计方法。针对过程变量的随机不确定性和混合（随机/认知）不确定性,分别构造样本区间投点表和样本参考值投点表,获得每一时刻下与过程变量对应的报警证据;结合专家知识,确定报警证据的可靠性因子和重要性权重等融合参数,利用证据推理规则递归融合当前时刻和历史时刻的报警证据,进而获得当前时刻全局报警证据,依据报警决策准则输出报警结果。通过两组仿真实验表明所提方法比传统方法具有更好的报警效果。（2）基于多目标优化的证据推理单变量报警器设计方法。在研究内容（1）中,相关融合参数是由专家知识离线给定的,其取值大小存在一定的主观性。故引入遗忘策略和目标优化模型,对新到证据和历史证据之间的关系进行动态适应性调整,从而提高报警器的性能。同时也为实际工业应用中相关融合参数的调整提供了更为灵活的可选择方法。（3）基于多源证据可靠性度量的多变量报警器设计方法。在研究内容（1）和（2）的基础上,通过对各单变量报警器的性能评估指标进行综合折算,确定其各自的报警证据可靠性,进而利用证据推理规则进行多源证据融合,得到多变量报警器的决策结果。通过仿真实验和石油泄漏实例验证所提方法比单一变量报警具有更好的报警效果。