中文摘要：

随着对机电设备状态检测和质量测控要求的不断提高，传感器的优化布置和信息的有效利用已成为提高机电设备状态检测和质量测控精度的关键问题。本项目针对传感器优化布置、信息融合理论与方法在机电设备状态检测、质量测制中存在的局限性，以旋转机械和复杂制造系统为研究对象，将理论研究、实验研究及工程应用相结合，综合考虑传感器布置受限条件，结合各人工智能方法，通过信息的有效利用及复用，研究在机电设备状态检测和质量测控过程中高效、适应性广的传感器优化布置策略，实现多目标函数优化、降低检测成本和提高状态检测与质量监控的可靠性。建立多层次、多方法的信息融合模型以融合不同时空、不同种类的传感器信息，并将传感器优化布置理论与信息融合技术相结合，研究两者之间的作用关系，完善传感器优化布置策略。本项目将能有效地提高设备状态检测和质量控制的准确性和实用性，推动状态检测和质量控制理论的发展和应用。

结论摘要：

采用有限元分析法对单跨转子和不同联轴节的多跨转子系统进行动力学响应分析，并根据实际约束条件，提出了旋转机械轴向与径向振动传感器的布置方法和策略；提出了基于相关熵与特征相似度的传感器冗余度计算方法，作为度量传感器信息间冗余性的指标；提出了一种根据噪声变化自适应调整窗长的方差估计算法，给出了对方差估计曲线突变段的寻找方式以及自适应窗长的选择策略；提出了一种基于证据贴近度的加权权值的计算方法，并建立了一种基于神经网络和D-S证据理论的多传感器信息融合的故障诊断模型。 针对传统的BP网络在应用时易陷入局部最优、收敛速度慢等缺陷，提出了混合蛙跳算法（ISFLA）并融合BP网络形成ISFLA-BP网络的故障诊断模型，通过对滚动轴承的早期故障实验，与BP网络、SFLA-BP网络相比，该模型泛化能力好，鲁棒性较强，可以提高轴承早期故障模式识别的准确率。基于遗传算法的马尔科夫特性，提出了将Markov链用于循环次数估计，并通过设定自适应交叉算子以及变群体规模的一种自适应进化算法用于车削过程状态监测的传感器布置策略。提高了模型的收敛特性。针对单工位多工步切削过程状态监测，基于多工位误差流理论构建了单工位多工步信息流模型，确定了故障/监测量信息传递系数用来表征不同测点传感器的监测能力。基于属性层次模型（AHM）构建了传感器，故障/检测量以及系统检测能力之间的因果关系，提出了基于单工位状态监测的六步传感器优化布置策略。 针对切削过程中工件表面形貌形成的随机性的特点，提出了基于隐马尔科夫模型的工件表面粗糙度和圆度综合质量监测方法。分析了刀尖在三个方向振动位移对于工件表面粗糙度和圆度的影响，构建了二者与刀尖振动位移的理论模型。基于数据分层思想，提出了一种判别矩阵判别法用于工件质量识别，提高了目标特征的识别率。在硬车削全因子试验样本缺失的情况下，以ICA和SSA提取的多方向刀具振动信号融合特征作为输入，提出了基于贝叶斯推理的HMM-SVM工件表面质量二次识别方法，使其能有效满足试验样本缺失条件下的硬车削监测要求。