针对井架钢结构冲击载荷振动信号非线性、非平稳性对损伤识别的干扰问题，提出了一种基于希尔伯特振动分解(Hilbert Vibration Decomposition，HVD)与遗传算法优化的神经网络(Genetic BP Neural Networks，GA-BP)相结合的智能故障诊断方法。首先，利用HVD分解的方法处理冲击载荷作用下的加速度非平稳振动信号；其次，由斯皮尔曼相关系数选取HVD分解后的最优(Intrinsic Mode Function，IMF)分量，以最优IMF 分量能量变化率构造特征向量；最后，通过特征向量建立数据集进行神经网络训练，完成信号的特征学习和故障分类。利用ZJ70 型井架钢结构模型进行冲击载荷作用下的单处损伤和多处损伤的不同工况实验验证，结果表明：对于单处损伤位置识别率达到90 %，多处损伤位置识别率高达96 %，利用HVD分解与GA-BP神经网络相结合的方法具有较好的稳定性，能够准确判断出井架钢结构损伤位置，具有一定的实际应用价值。

针对轧机传动系统扭振控制问题，建立含间隙非线性的轧机系统动力学模型。考虑到轧机扭振模型的非线性和参数不易测量的特点，提出神经网络和模糊PID相结合的控制器设计方法，以模糊PID为主体，通过引入神经网络改变模糊隶属度函数的中心值和宽度，最终得到最佳PID参数。设计神经网络-模糊PID智能控制器，并利用实际轧机参数与经典双闭环控制系统进行对比仿真。仿真结果表明所设计的智能控制系统对轧机传动系统扭振的抑制作用明显优于经典双闭环控制系统。