唾液特异性抗体检测在旋毛虫病免疫诊断中的应用研究

目的:研究唾液特异性抗体检测在旋毛虫病诊断中的应用价值。方法:旋毛虫感染后1～6周日本大耳兔唾液和血清各120份,采用ELISA,同步检测旋毛虫感染不同时间段内,唾液和血清中特异性抗体并进行比较。结果:感染后1～6周,唾液抗体阳性率分别为0%～70.0%,血清抗体阳性率分别为5.0%～95.0%,经χ2检验两者间无显著性差异(P>0.05)(感染后第1～2周除外)。结论:采集简便、无创伤性的唾液可作为旋毛虫病免疫诊断的检测标本。     

基于符号定向图(SDG)深层知识模型的定性仿真

定性仿真是系统仿真技术中的重要研究和应用方向，同时也是人工智能技术的一个重要方面。近年来，随着现代计算机技术的日新月异，使得基于符号定向图(SDG)深层知识模型的定性仿真研究和应用取得了显著进展。SDG模型能够表达复杂的因果关系，具有包容大规模潜在信息的能力，因此特别适合于过程系统危险评价(PHA)、危险识别与故障诊断。SDG模型结构简单，易于建立和修改。然而高质量的SDG模型必须采用经验数据和定量动态仿真检验和校正。采用SDG模型进行定性仿真的关键技术是高效双向推理“引擎”，由计算机软件自动完成。目前，在计算机辅助过程系统危险评价方面，SDG是最有效的方法；在过程系统故障诊断方面，其完备性较好，但诊断分辨率尚待提高。今后的研究应解决：定性仿真和定量仿真相结合；SDG自动建模；通用推理软件平台；大系统高分辨率故障诊断等问题。     

专家系统技术在注塑模故障诊断中的应用

论述了用人工智能技术对模具故障进行诊断和确定对策的原理和方法。对模具在工作中常遇到的与模具制造、工艺条件及塑料材料有关的问题及相应对策进行了归纳整理，组成了模具诊断与维修知识库。收集了常用工程塑料的各种有关成型工艺条件和主要性能，建立了塑料材料数据库。采用正向推理控制策略搜索知识库，并将推理结果与理论计算结果进行对比校验，最后确定出模具工作中出现故障的原因，并输出相应的解决办法和建议．     

基于小波包能量特征的滚动轴承故障监测方法

对滚动轴承的故障特点进行分析，根据小波包变换能将信号按任意时频分辨率分解到不同频段的特性，提出了小波包能量特征的概念及算法，并给出两个仿真算例，然后将小波包能量特征与径向基函数网络相结合，提出了一种新的滚动轴承故障诊断方法，数字仿真实验证实了该方法的正确性和有效性。     

高精度液压试验台的油温自动控制研究

从降低液压试验台温控系统的成本而又保证温控精度出发，分析影响温控精度提高的主要因素，提出了采用串级双闭环负反馈的温控方案，并应用辨识技术获得了被控对象的较精确的数学模型，通过两级校正，使温控精度达到了５０±１℃。     

论微观辨证

探讨了在中、西医理论不同的前提下，如何合理选择应用现代检测项目作为辩证的指标，并提出微观辩证的新概念。     

复杂机械系统实用故障诊断原则的研究

在总结现有诊断技术成功应用实例的基础上,提出了一种新的实用诊断原则-“最少试验故障模”原则,对于复杂的机械设备和系统,采用这种新的研究思路有利于降低研究难度,提高研究成果的实用性.还以滑动轴承为例,通过对滑动轴承主要失效形式和机理的分析,说明可将滑动轴承简化为-多输入（多种故障原因）-单输出（接触摩擦）的灰色系统模型,并以滑动轴承各种故障的共同特征-接触摩擦作为滑动轴承故障诊断研究的唯一故障基准模.根据上述研究思路,对静、动载荷工作条件下滑动轴承的故障诊断进行了大量的实验研究.实践表明,提出的诊断原则诊断效率高,实用性强,可借鉴用于许多领域的故障诊断.     

不确定车辆电子稳定控制系统传感器故障估计

针对车辆横摆角速度传感器故障问题,提出一种基于观测器的故障估计策略.首先,考虑由于轮胎侧偏刚度特性造成的不确定性以及系统中存在非线性干扰等因素,建立车辆四轮转向系统数学模型.然后,设计基于观测器的传感器故障估计策略,利用李雅普诺夫函数和线性矩阵不等式方法求解观测器增益.最后,通过Carsim与Simulink联合仿真验证所设计的传感器故障诊断策略的有效性.结果表明：在传感器发生故障时,该诊断策略能够对系统状态以及传感器故障具有良好的估计效果,能够为车辆安全稳定系统提供关键信息,并且对于下一步的传感器故障容错控制提供技术支持.     

基于梯度加权类激活热力图的卷积神经网络故障诊断模型鲁棒性分析

深度学习近年来在故障诊断领域受到广泛应用,但基于深度学习的故障诊断模型缺乏工程上的物理解释性,难以保证其故障诊断结果的稳定性。以轴承为例,建立了以小波时频图像为故障诊断依据的卷积神经网络模型(convolutional neural network, CNN),提出了一种基于梯度加权类激活热力图(gradient-weighted class activation map, Grad-CAM)的网络模型鲁棒性分析方法,并利用美国凯斯西储大学(Case Western Reserve University, CWRU)轴承数据集进行验证。首先,将故障直径轴承数据以不同方式混合并训练大、小多个模型。其次,利用Grad-CAM方法,建立时频区域与故障模式之间的联系。最后,利用其他工况下的轴承故障数据,以及含噪数据进行测试,并根据结果结合模型最注重的时频区域进行分析。结果表明,基于深度学习的轴承故障诊断模型在参数较少时更加注重低频区域,并能使其具有更好的鲁棒性。     

基于LMD和SSA-SVM的电机故障诊断

针对电机故障诊断问题,尤其电机轴承方面的诊断,提出了LMD分解和麻雀搜索优化算法（SSA）优化支持向量机（SVM）的故障诊断方法。第一步采取小波降噪和LMD算法相结合去处理原始信号,经过小波降噪后的原始故障信号会去掉一部分的干扰,再分解得到原始信号的一系列PF分量,接着使用相关性分析法选择出有效的PF分量进行信号重构,重构后的故障信号再次经过LMD分解得到的PF分量求出各自的能量熵,直接用能量图展现出来。接着将各个PF分量的能量熵组成一组组特征向量输入到支持向量机的故障诊断模型里。利用麻雀搜索算法在支持向量机（SVM）对于电机故障的分类的模型上进行惩罚参数和核参数的挑选和模拟,选择最合适的参数组合建立SSA-SVM故障诊断模型进行仿真实验,通过仿真实验验证该方法的故障诊断准确率高达99.2％,与PSO-SVM和SVM故障诊断模型进行比较分析,实验证明提出来的方案有着更适合的故障识别能力,对电机故障诊断有着很好的适应性和发展性。