汽车路噪的分析与治理是NVH（Noise，Vibration And Harshness）工作的重要组成部分。由于路噪的产生机理复杂，建立机理模型较困难，故引入数据驱动方法对路噪进行研究。首先，对路噪影响因素进行剖析，界定出具有显著性的影响因素。在此基础上，运用长短时记忆神经网络算法（LSTM）揭示路噪与其影响因素间的复杂非线性关系，建立路噪预测模型。进而在粗糙沥青路面分别以40 km/h、60 km/h的车速工况采集悬架相关部件振动数据和驾驶员右耳畔噪声数据，以获得样本用于路噪模型的训练和检验。并采用Mixup 数据增强策略合成新的样本，从而使样本量不足状况得到改善。进一步，对LSTM路噪预测模型进行检验与分析，测试结果均方误差为0.076 2，表明预测效果良好，证明所提方法的有效性。同时，将BPNN、SVR与LSTM预测方法进行比较，发现LSTM路噪预测模型精度更高，泛化能力更好，从而证明该方法的优越性。

提出了一种基于蝙蝠算法优化卷积神经网络的水轮机振动信号识别方法。首先对水轮机时域加速度振动信号进行测量、提取和归一化处理，采用蝙蝠算法对卷积神经网络训练过程中的超参数权值和偏置值进行优化，然后对10 种不同测点的水轮机振动信号进行实验，针对每个测点的振动信号对水轮机8 种不同工况进行区分识别，最后将信号识别过程中各参数对传统卷积神经网络识别结果的影响进行针对性分析。结果表明：所建立的基于蝙蝠算法优化卷积神经网络的识别模型具有良好的稳定性和较高的识别精度，能够准确识别振动信号，识别结果准确率均在94 %以上，与传统卷积神经网络对比，信号识别准确率显著提升，最高达到20.78 %。同时可以看出，振动数据输入长度、样本尺寸和训练次数对传统卷积神经网络训练效果影响显著。研究结论可为水轮机振动识别、工况识别和故障识别提供理论依据。

针对微制造平台的隔振问题，基于Udwadia-Kalaba理论建立隔振平台的动力学模型，并研究其在人行激励下的动力学特性。针对固连结构和分散结构建立Udwadia-Kalaba动力学模型，通过MATLAB仿真分别得到固连结构和分散结构的各质点响应曲线。研究结果表明：基于Udwadia-Kalaba理论的动力学模型可以在不引入拉格朗日乘数的情况下求解；通过其固连结构与分散结构响应曲线的对比，可以得知其固连结构相对于分散结构模型更能达到明显的减振效果，而且该理论方法能较好地应用于微制造隔振平台振动问题求解。

气力输送中颗粒相质量流量是其运行时需要监测的重要参数之一。利用声发射信号来监测颗粒相质量流量能够做到实时在线测量。利用集合经验模态分解（EEMD）算法基于原始信号进行分解的优势以及人工神经网络优良的非线性映射能力，建立一个EEMD与BP神经网络联合质量流量测量模型，并以随机实验数据样本对网络进行训练，以实现对颗粒相质量流量的在线估计。联合模型与实验结果吻合度较好，为稀相气力输送中颗粒相质量流量在线测量提供了一种简单、可靠的方法。

针对某特种车车内噪声水平较高问题，建立车身结构与声固耦合有限元分析模型，并进行车身振动频响分析和车内声压响应分析；通过仿真结果与实车道路试验结果对比，验证车身结构和声固耦合有限元模型的有效性；利用耦合声学边界元法进行驾驶室内部声学特性研究，识别出不同工况的主要噪声频率；并对影响车内噪声的车身板件进行声学贡献分析，找到对车内声压贡献最大的板件；最后对声学贡献大的板件粘贴阻尼材料来对车内进行降噪，车内噪声得到较为明显改善。