针对现有的卷积、循环模型预测滚动轴承剩余使用寿命(Residual Life,RL)精度低的问题，提出一种基于改进自注意力机制的RL预测模型。首先，针对Transformer 模型中自注意力机制内存占用高、信号存在噪声信息的问题，在窗口自注意力机制(Window Based Multi-head Self-attention,W-MSA)的基础上，提出概率窗口自注意力机制(Probwindow Based Multi-head Self-attention,PW-MSA)；然后，针对多头信息不匹配和缺少局部信息的问题，采用Talking Head 方法实现多头信息融合，并在前馈神经网络层加入深度可分离卷积提取局部信息，从而提升模型的预测精度。采用PHM2012 轴承数据集将改进前后的自注意力机制模型进行比较，并和现有的先进预测模型对比，结果表明，改进自注意力机制模型可使预测精度提升13.04 %。

针对机械故障振动信号的非线性与非平稳特征，提出了一种基于复数微分算子的最优化分解（Optimization Decomposition Based on Complex Differential Operators, 简称CDOOD）方法。该方法通过优化滤波器的参数将非线性信号分解，以得到非线性信号分解余量的能量最小为优化目标，然后在优化过程中运用复数微分算子约束得到多个内禀窄带分量（Intrinsic Narrow-Band Components,简称INBC）。将CDOOD方法应用于仿真信号和机械复合故障信号的分析，并与自适应最稀疏时频分析（Adaptive Sparsest Time Frequency Analysis，简称ASTFA）方法和经验模态分解（Empirical Mode Decomposition，简称EMD）方法进行对比。结果表明，CDOOD能够有效抑制端点效应和模态混淆，并且在提高分量的准确性和正交性等方面具有一定的优势，同时可以有效地应用于旋转机械复合故障的诊断。

针对由噪声干扰和故障强度分布不均引起的齿轮箱复合故障诊断问题，论文提出了基于群分解和平均差值形态算子（Swarm Decomposition- Average Difference Filter，简称SWD-AVDIF）的齿轮箱复合故障诊断方法。首先运用群分解（Swarm Decomposition, 简称SWD）将齿轮箱振动信号分解为若干单一模态振荡分量（Oscillatory Components，简称OCs）；然后对分量进行AVDIF解调，得到SWD-AVDIF解调谱；最后根据解调结果判别故障类型。与EMD对比，仿真信号验证了SWD方法在频率区分能力上的优越性；运用齿轮箱复合故障仿真信号和实验信号进行分析，结果表明该方法能够有效地分离不同故障信号并加强故障特征，为齿轮箱复合故障诊断提供了一种新的方法。

针对希尔伯特变换与传统能量算子解调方法的缺点，提出一种新的解调方法——解析能量算子（Analytic Energy Operator，AEO）解调。仿真信号分析结果表明，相对于希尔伯特变换与传统能量算子解调，解析能量算子解调方法具有较高的解调精度。基于解析能量算子解调，又提出基于AEO能量谱的滚动轴承故障诊断方法，对滚动轴承仿真和实验信号进行分析，与其它方法的对比结果表明所提出方法的有效性和优越性。

在Dirlik模型的基础之上，结合一般尺度法（General scaling law）提出适用于平稳宽带随机过程的疲劳强化系数模型。一般尺度法认为结构在原始载荷和强化后载荷下的应力响应功率谱各阶谱矩成简单的线性关系；与Dirlik宽带疲劳损伤模型结合，便得到适用于平稳宽带随机过程的疲劳强化系数模型。为了验证模型的有效性，分别在原始加速度功率谱和经一般尺度法强化后的加速度功率谱载荷下；对悬臂梁采用雨流计数(Rainflow counting)和Miner损伤准则进行疲劳寿命预测，得到它们的疲劳强化系数，并与疲劳强化系数模型得到的疲劳强化系数进行对比。结果表明：提出的疲劳强化系数模型精度为99.7 %，由此可验证疲劳强化系数模型的有效性。

分析某型号压缩机吸气消声器存在的不足，在测试压缩机吸气通道噪声源频谱的基础上提出消声器改进方案。该方案通过修改消声器内部结构来提高其在吸气噪声源峰值频率处的传声损失。采用声学有限元方法对改进前后消声器方案的传声损失进行仿真，仿真结果显示改进后的消声器在低频噪声源峰值频率处取得明显效果。最后，通过装机试验对新方案消声器的降噪效果进行验证，结果表明该型号压缩机低频噪声峰值明显降低，且总噪声幅值平均降低1.4 dB(A)。

介绍车用发电机噪声的测试方法和特点，应用自适应滤波方法对车用发电机试验过程中所测得的发电机噪声与试验台背景噪声的混合信号进行分离研究，同时与独立分量分析（ICA）方法进行了比较。实验结果表明，用自适应滤波的方法能很好地把发电机噪声和背景噪声分离开来，从而使发电机生产厂家不必为控制噪声测试过程中的背景噪声而对其发电机试验平台进行改造，有效地解决了其产品噪声测试的难题。