在云边协同智能监控系统的边缘计算设备上部署行为识别算法时，由于缺乏合理的任务卸载方案，使得系统的计算资源分配不均，从而导致系统运行功耗不稳定，并影响识别的速度及准确率。为解决上述问题，设计了一种基于场景人物数量的任务卸载方案，以优化云边协同智能监控系统的运行稳定性和识别效果。首先，对智能监控系统的运行参数进行了采集，确定了其功耗曲线和识别性能。然后，设计了轻量型人物数量识别模块，并通过程序编写实现了基于场景人物数量的监控任务分类。接着，测试了不同视频采样率对智能监控系统功耗和识别性能的影响，并确定了最佳采样率分配方案。最后，在复兴号动车组生产线的智能监控系统上对所提出的任务卸载方案进行了测试。结果显示，相较于现有的并行式任务卸载方案，基于场景人物数量的任务卸载方案使该生产线智能监控系统的平均识别准确率提高了0.53%，平均延迟缩短了1.56%，平均功耗降低了14.47%，有效地提高了系统的运行稳定性。研究结果对云边协同智能监控系统运行稳定性和识别效果的优化具有重要意义，可为其性能提升提供理论依据和工程支持。

为了实现碳达峰、碳中和目标，需要持续推动制造企业高质量发展，构建节能降耗的新发展格局。针对新的发展需求，制造企业的能源结构需要不断优化，而动力能源管控方式直接影响制造企业的能源结构布局。制造企业内不同的职能车间存在不同的设备运行方式和能源消耗特性，多年生产运行积累了大量的能源使用数据，但这些数据并未被充分利用，存在数据孤岛现象，严重影响了制造企业的生产效益。因此，亟需一种针对制造企业不同工况需求的动力能源管控方法。为解决上述问题，以蒸汽能源为例，构建了工艺用蒸汽预测模型和空调用蒸汽预测模型，以实现满足制造企业生产工艺需求的蒸汽智能供应与管控。首先，提出了基于划分工段的工艺用蒸汽预测模型，用于预测具有强时段性的工艺蒸汽用量；模型改进后工艺平均能耗折标降低了5.12%。然后，构建了基于混合深度学习的组合式空调用蒸汽预测模型和基于多场景的独立式空调用蒸汽预测模型；通过与其他预测模型的对比，验证了所提出模型的有效性和准确性。结果表明，所提出的动力能源预测模型具有一定的广泛适用性，通过适当修改调整后可将其应用于其他制造企业不同动力能源的管控。研究结果有助于相关制造企业充分利用历史能源使用数据，实现动力能源的节能增效，进而为我国制造企业的数字化转型升级提供有力支持。

电力设备的可见光图像与红外图像配准作为一种常见的多模态数据配准应用模式，在变电站巡检过程中具有重要的应用价值。但是，由于巡检机器人与人工捕捉的数据在分辨率、视角及光照条件上的差异，电力设备的可见光图像与红外图像的配准存在较大挑战。针对2种图像在特征层级存在同一性，提出了一种基于电力设备边缘点特征的尺度不变特征变换算法，通过构建双边特征描述符并将双边特征点之间的距离作为置信度约束，以减少可见光图像与红外图像的模态差异，最终实现变电站主配网关键设备多源异构图像数据的高精度配准。实验结果表明，所提出的方法对分辨率、视角变化具有良好的鲁棒性，在电力设备多模态图像的实际配准应用中表现出优异性能。研究结果为提升电力设备巡检的智能化和可靠性提供了理论支撑和工程实践指导。

针对核电厂主变压器智能化程度低，运维仍以人工巡检、定期维护为主，以及缺乏运行状态实时预测和评估手段的现状，搭建了基于耦合场快速计算的主变压器数字孪生体。首先，建立主变压器的精细化数字模型并开展多物理场实时仿真分析，获得了其关键部件的电磁场、损耗分布云图。然后，为解决主变压器流场和温度场仿真耗时长、无法实现运行状态实时监测的问题，提出了一种耦合场快速计算方法。最后，结合所提出的方法和各传感器采集的运行状态数据，搭建了主变压器的数字孪生体，实现了对实体主变压器多维度、全过程、全景式的状态监测与展示。结果表明，通过搭建数字孪生体可实现对不同工况下主变压器运行状态的实时监测和预测评估，为主变压器的运维巡检提供了便利，有助于核电厂的安全可靠运行。

电推进系统的桨发匹配设计是高空无人机实现长航时飞行的关键环节。根据高空无人机全剖面的动力需求，分别采用功率损失法和单点法开展了电推进系统电动机与螺旋桨的总体参数匹配设计，并通过地面静态试验对电推进系统的拉力、功率特性进行了测试。同时，在确定电动机选型的基础上，基于BP（back propagation，反向传播）神经网络建立代理模型，以开展电推进系统桨发匹配设计及效率提升工作。试验结果表明，电推进系统的实测拉力与计算拉力相吻合，说明所采用的电动机、螺旋桨总体参数匹配设计方法具有较高的精度。以仰角为5°的爬升剖面为例，经代理模型优化匹配后得到的新螺旋桨的效率约提升了0.1，节能效果显著。相关代理模型可为无人机电推进系统方案设计及后期工程使用阶段的桨发匹配优化设计、动力特性及经济性提升提供有力工具。

针对车辆驱动用高功率密度、大扭矩、小体积永磁同步电机的传统风冷结构有效散热面积小，以及运行时因存在电磁损耗而导致内部各部件温度过高的问题，提出了一种内腔油冷、机壳自然风冷的油风混合冷却方式，以满足驱动电机内部各部件的温度性能要求。采用等效热网络法计算了不同工况下驱动电机定子绕组、定子、永磁体和转子的温度，得到驱动电机的最高温度出现在定子绕组处。随后，通过实验对驱动电机定子绕组端部的温度进行了测量并与仿真结果进行对比，仿真结果与实测结果的相对误差均在5%以内。结果表明，不同工况下油风混合冷却驱动电机定子绕组及其余各部件的温度下降明显且均满足温度性能要求，说明油风混合冷却方式的散热性能良好，冷却效率高。研究结果可为车用驱动电机散热系统的研制提供参考。

针对核电厂离心泵在线故障诊断困难的问题，提出了一种基于小波包分解与随机森林的故障诊断方法。首先，利用小波包分解对离心泵电机驱动端径向垂直方向的振动信号进行3层分解并提取子频带能量特征。然后，基于离心泵振动信号的波形数据提取时域统计特征，并与小波包能量特征相结合作为随机森林模型的输入。最后，通过由振动试验得到的离心泵振动数据集对随机森林模型进行训练，形成离心泵故障诊断模型，并对该模型与支持向量机、逻辑斯蒂回归、K近邻、高斯朴素贝叶斯等机器学习模型在相同的离心泵振动数据集上进行了对比测试。结果表明，所构建的模型能够准确识别离心泵正常、叶轮破损、叶轮堵塞、电机轴承故障等运行状态，并表现出更优的分类性能。基于小波包分解与随机森林的故障诊断方法可以有效地从振动信号中提取特征并实现故障分类，对于核电厂离心泵在线故障智能诊断具有一定的可行性和有效性。

随着新型能源系统的不断发展，变电站的自动化水平对于电网稳定运行和仪表设备维护具有至关重要的影响。准确获取仪表盘示数是实现变电站自动化的关键环节之一，这对变电站仪表设备的状态监测和故障诊断具有重要意义。然而，由于仪表盘示数复杂多变以及多种环境因素（如光线、角度等）的影响，实现仪表盘示数的自动识别具有较大挑战性。为了解决这一问题，提出了一种基于Fast R-CNN（regional convolutional neural network，区域卷积神经网络）和DeepLabV3+的变电站仪表盘示数自动识别方法。首先，对基于Fast R-CNN的目标检测技术进行了理论分析，并利用变电站仪表盘数据集详细阐述了其训练过程。然后，设计了基于DeepLabV3+的仪表盘语义分割模型以及示数计算方法。最后，开展变电站仪表盘示数自动识别实验，验证了所提出方法的有效性和准确性。实验结果表明，该方法可实现对变电站仪表盘示数的高效、准确识别，且具有很好的鲁棒性。基于Fast R-CNN和DeepLabV3+的仪表盘示数自动识别方法能够提高变电站的工作效率、安全性和降低运维成本，可进一步推动电力系统的智能化进程。

新型能源系统的发展愈发强调电子设备的状态监测和性能预测。电池作为新型能源系统的重要组成部分，准确监测和预测其使用寿命和性能对提高电子设备性能、降低维护成本和提升能源利用效率具有深远意义。然而，由于电池的性能受到多种复杂因素的影响，预测其剩余寿命仍是一大挑战。针对上述问题，提出了一种新型的电池剩余寿命预测模型。首先，对残差神经网络（residual neural network, ResNet）、双向长短时记忆（bidirectional long short-term memory, BiLSTM）网络和多头自注意力（multi-head self-attention, MHSA）机制进行了深入的理论研究。然后，基于上述理论构建了基于MHSA-Res-BiLSTM的电池剩余寿命预测模型，并对其超参数进行了优化设计。最后，开展电池剩余寿命预测实验，以验证所提出的MHSA-Res-BiLSTM网络的性能。实验结果显示，所提出的模型在电池剩余寿命预测上表现优越；相比于其他几种预测模型，该预测模型具有更低的平均绝对误差和均方根误差。基于MHSA-Res-BiLSTM的电池剩余寿命预测模型具有良好的预测性能和收敛性能，可为新型能源系统中电池的健康管理提供理论技术支撑。

液压系统流量双向变化大多采用变转速驱动变量泵的方法，但变量机构的结构较复杂，且频繁双向变量调节会导致动态响应速度较慢。因此，提出了适用于定量泵流量调节的新机构，以实现双向变量功能。通过双向变量机构阀芯的轴向移动改变流体脉宽调制占空比，阀芯相对阀套的转速与阀芯上过流窗口数的乘积决定了流体脉宽调制的频率。对双向变量机构的流量特性进行了仿真和试验分析，结果表明：双向变量机构能够实现占空比为0~100%的双向流量控制，且仿真结果与试验结果之间仅有1.8%的误差。研究结果为固定转速设计的液压泵在变转速工况下的使用提供了一种新的流量控制方式。

为了减小定量泵负载敏感系统的能耗，用二维脉宽调制转阀替代泵控系统中由负载敏感阀构成的阀组，设计了一种基于流体脉宽调制的负载敏感系统。根据该负载敏感系统的工作原理，建立了系统AMESim仿真模型，对系统的负载敏感特性和能耗进行了仿真分析，并搭建了实验平台，进行实验验证。结果表明：二维脉宽调制转阀与定量泵的组合使系统具有负载敏感特性，使得定量泵输出功率和负载消耗的功率都随着负载的变化而变化，减小了溢流损失，提高了系统的节能效果。

为了改善桩架的受力情况，提出了一种新型桩架多级变幅机构。该机构能有效减小前液压缸的弯矩，提高桩架在作业时的稳定性。首先，建立了空间坐标系，分析了该机构空间位置的正解和反解，继而推导出速度雅可比矩阵和加速度海森矩阵，得到了该机构的运动学模型；其次，根据变幅条件设定了机构参数和液压缸位移函数后，采用MATLAB软件分析了机构的运动特性，确定了液压缸收缩动作的衔接方式，并进一步分析了机构参数对变幅运动的影响；最后，将机构变幅运动的ADAMS仿真结果与理论分析结果进行对比。结果表明：所构建的多级变幅机构的运动学模型正确；机构可以平稳地将立柱从水平变幅至竖直，变幅过程中滑块始终上移，变幅后连杆与前液压缸垂直；在前液压缸减速收缩的同时进行后液压缸加速收缩有利于变幅平稳。研究结果可为新型桩架多级变幅机构的动力学分析和优化设计提供参考。

预测性维护是数字孪生典型应用之一，数据驱动是实现预测性维护的主要方式。针对预测性维护中故障特征提取困难、预测结果偏差较大的问题，提出了一种基于变分模态分解（variational mode decomposition，VMD）算法与希尔伯特-黄变换（Hilbert-Huang transform，HHT）算法相结合的预测性维护模型的构建方法。用VMD+HHT算法提取振动信号时域特征，结合深度稀疏自编码器（deep sparse auto-encoder，DSAE）进行数据降维，采用支持向量数据描述（support vector data description，SVDD）算法来形成健康度曲线，并基于长短时记忆网络（long short-term memory，LSTM）算法建立预测性维护模型。将该方法应用于一款旋挖钻机液压马达的预测性维护。提取马达外壳的振动信号，构建液压马达预测性维护模型，并通过试验来验证该方法的有效性与准确性。试验结果表明，采用基于DSAE+SVDD+LSTM算法构建的预测性维护模型可避免模态混叠及端点效应等问题，预测精度达90%以上，模型具有实用价值。研究结果可为液压元件数字孪生预测性维护应用场景的建设提供重要参考。

大型立式磨机是一个结构复杂、运行参数多、监控与操作点多、多物理场的粉磨系统，其性能与结构有直接关系。基于NX二次开发的参数化设计方法，建立了LGM型大型立式磨机的计算流体动力学-离散相模型（computational fluid dynamics-discrete phase model, CFD-DPM），实现对其选粉机格栅结构的分析与设计，探讨转子叶片结构对立磨机工作性能的影响；提出了基于Kriging模型的选粉机结构优化设计方法，并在Isight平台进行优化验证。结果显示，在参数设计范围内适当减小选粉机转子叶片的腰部长度和头部长度，增大其厚度和倾角，可以有效提高转子扭矩和转子叶片间气流速度，优化后扭矩增大了2.91%，流速提高了9.76%，证明了所提出方法的有效性。研究结果为立式磨机的结构设计与优化提供了新的理论依据和实践指导，具有较高的科研参考价值和工业应用前景。

起重机是八大特种设备之一，其结构设计的合理性对于设备安全运行、提质增效至关重要。为此，提出了一种基于结构功能衍生系数的桥式起重机金属结构优化设计方法。首先，利用解释结构模型准确描述了起重机不同零部件之间的相互作用和影响关系，分析了起重机结构的复杂性，识别出对起重机金属结构强度影响较大的参数并对其进行优化设计；其次，在有限元仿真的基础上，将结构功能衍生系数与拟合函数相结合，寻找出最佳的设计参数组合；最后，以300/100 t-30 m通用桥式起重机为工程实例，通过仿真使整机的质量减小了2 035.113 kg，验证了所提方法的有效性。基于结构功能衍生系数的起重机金属结构优化设计方法，解决了传统的优化方法中忽略了起重机各零部件之间复杂的相互作用的问题，可在确保起重机服役安全性的基础上实现其金属结构的轻量化设计。