开展了加速退化条件下光伏组件产品可靠度评估的研究, 提出了新型的基于GLD的光伏组件的伪失效寿命分布估算方法。首先, 利用可决系数检验法(R2)优选最佳加速退化轨迹, 得到样本组伪失效寿命值。然后, 应用Bootstrap法产生自助样本扩充样本群, 构建基于GLD的伪失效寿命分布模型, 该模型无需预设先验分布, 即可真实反映不同加速条件下光伏组件伪失效寿命分布形态。最后, 以18 W小功率Mono-Si单晶硅光伏组件加速性能退化数据为例, 估算了光伏组件在加速退化条件下的伪失效寿命分布和可靠度。结果表明: 在加速退化条件下, 本文方法得到的可靠度曲线与试验数据拟合结果很好, 绝对误差基本在±300 h内, 相对误差不超过±15%, 满足工程预测精度需求。

由于超声导波难以准确检测非金属管道的早期损伤, 本文提出了一种非线性超声导波延时方法对非金属管道结构损伤进行测试和定位。基于非线性超声调制机理分析了非金属管道损伤状态, 使用同侧非线性超声的混频信号激励方式并根据超声导波传播速度的差异产生激励信号延时, 然后在管道损伤处实现混频信号的非线性调制。采用HHT(Hilbert-HuangTransformation)提取混频延时信号的瞬时特征量, 并通过分析非线性分量延时分组进行损伤区域检测, 实现了对非金属管道裂纹损伤的定位。PVC(Ployninylchloride)非金属管道实验显示, 无损伤状态下延时信号分组的标准化基准值为0.518 8; 单裂纹状态下延时信号分组标准值为0.593 7, 损伤定位相对误差为3.277%; 双裂纹损伤状态下的标准化瞬时平均幅值为0.580 1与0.607 3, 损伤定位值绝对误差小于4 mm。相对于利用小波包络分解的非线性延时定位检测法, 实验得到的单裂纹损伤准确度提高了36.4%。结果表明该方法能够对非金属管道裂纹损伤准确定位, 并能够检测早期多裂纹损伤。

建立了基于多级半带滤波器的超声相控阵聚焦延时系统, 以提高仪器延时精度。研究了聚焦延时原理与延时算法的实现。首先, 采用内插滤波的方法, 设计了半带滤波器作为内插滤波器; 然后, 对8倍内插结构进行了改进, 通过多级半带内插滤波器合成技术, 将合成后的滤波器分解为8个子滤波器进行同时滤波, 使得内插与多相分解可同时进行。最后, 通过对延时算法的仿真分析与现场可编程门阵列(FPGA)的实现, 验证了此算法的可行性。实验结果表明: 该系统在100 MHz采样率的条件下可实现1.25 ns延时精度, 与同性能普通有限长单位冲激响应(FIR)内插滤波器相比, 运算量最大可减少21.4%。此方案在运算量、计算速度、分辨率、性价比方面均具有较大优势, 非常适合于实时性强、精度高的聚焦延时算法的实现。

为了直观地在线检测动力电池的温度，以确保动力电池的安全，提出了一种基于电阻层析成像的动力电池内部温度监测新方法。引入温纳-施伦贝尔装置模型分析电池内部温度检测机理，推导了电池内部温度与电阻率的数学关系; 应用抑制平滑度最小平方法将多电极检测大数据进行图像反演重建，实现了对动力电池内部温度异变区的动态监测，并搭建了实验平台。文中通过建立相交区域试验模型，实验分析动力电池内部的电阻率静态分布，并验证方法可靠性。然后，实验分析动力电池内部电阻率的动态分布，得到45.5℃时反演图像色带差值增大了2.5倍，且坐标(0.047,0.000 5)内色带变化明显。最后，动态跟踪异变区临界温度。结果显示，在0.173 Ω·m处突变骤升，电池内部产生异变。得到的结果表明，提出的方法可直观可靠地监测动力电池内部温度动态变化; 可为动力电池的安全特性、寿命预测、负载控制等提供新的研究途径。

针对以太网测控网络存在数据冲突导致系统实时性、可靠性降低问题，提出了基于偏最小二乘回归(PLSR)SBR的双层压缩方法。第一层建立主参量与所有辅助参量的确定模型，利用压缩有效性指标确定主成分，完成主参量的信息压缩。第二层基于改进的SBR，通过选取辅助参量中的基础序列，建立基础信号；在满足拟合误差条件下，逐步将每一个辅助参量序列映射到基础信号上，完成对辅助参量的数据压缩。该方法重点解决辅助参量和主参量中的解释潜变量和反映潜变量相关程度最大、基础信号由最少基础序列组成、辅助参量实现最小变长分解个数及基础信号独立更新原则等关键问题。最后将该方法应用于IP模式乙醇浓度测控系统。实验结果表明，在IP模式测控系统同时具有主参量和辅助参量，且不同参量间存在相关性时，该方法可在允许拟合相对误差为5％的情况下，使压缩率达到68％以上，从而有效地降低以太网测控网络数据冲突程度。

针对目前单优化目标选播模式容易导致负载发生新的不均衡问题，建立了SIP测控网络平台并分析其选播机理。采用网络层选播和应用层选播综合的方式，提出了最优决策集选播的负载均衡策略。选播目标为一个集合，包含多个满足要求的服务器，以避免蜂拥抢占服务器资源的情况发生；建立SIP测控网络最优决策集选播数学模型，采用证据理论决策选播目标权重，从而产生最优决策集。在OPNET仿真环境下，搭建SIP测控网络平台进行实验，结果表明最优决策集选播模式比单优化目标选播模式的服务器占用资源不均衡率降低了31%，能够很好地将负载均衡到各个服务器中，并减少了单个服务器处理多进程需要的额外资源开销。

针对接收信号强度值(RSSI)的波动直接影响无线传感器网络(WSN)目标定位准确度的问题，研究了利用最小二乘支持向量回归机(LSSVR)实现WSN的目标定位的基本原理，分析了固定探测节点和探测节点变化时的LSSVR建模定位特性，提出了基于自适应LSSVR回归建模实现WSN目标定位的方法(TL-AML)。该方法综合考虑目标定位准确度和实时性，初始时刻首先建立LSSVR回归模型来定位目标，根据后面任一时刻探测节点与前一时刻回归模型建模节点的包含关系决定是否重新建模，实现自适应建模定位过程。基于CC2430无线传感网络实验平台，进行了相关TL-AML方法性能实验，通过合理选取建模参数，TL-AML方法的目标定位均方根误差(RMSE)比MLE方法减小34%~37%，比LSE方法减小60%~65%。建模参数在较大范围内取值时，TL-AML方法目标定位准确度比MLE和LSE方法有明显提高。在LSSVR建模情况下，TL-AML方法目标定位耗时0.2~0.4 s，无需重复建模时，目标定位耗时减少到0.04 s。实验结果表明，TL-AML方法能够显著减小RSSI波动对目标定位结果的影响，提高目标定位准确度,减少目标定位时间，且具有较好的目标定位实时性。

为提高网络化智能传感器的互操作性，在分析IEEE 1451标准传感器的定义和功能需求的基础上，利用统一建模语言(UML)，分别从静态用例建模、动态顺序描述和系统部署3个层面构建了一系列面向网络化测控的通用型智能传感器系统模型，搭建了一款可用于在线检测绝缘子污秽状况的网络化智能传感器。相对于从传感器原型开始开发，该方法减少了60%以上的开发时间。实验结果表明，利用UML统一建模方法可以有效描述基于IEEE 1451标准的网络化智能传感器的简化模型，为后续研制及优化高性能的智能传感器提供理论参考和模型基础。建立的传感器模型具有通用性和可扩展性，能关联不同的物理接口；结合实际需求，可在该模型的基础上快速扩展构建所需的网络化智能传感器，能实现传感器的“即插即用”和实现良好的网络互操作性。

针对RSSI测距误差直接影响无线传感器网络(WSN)目标定位准确度的问题,从目标位置与目标到传感器节点测距矢量的双射关系入手,建立最小二乘支持向量回归机(LSSVR)目标定位的数学模型,提出了一种基于LSSVR的WSN目标定位方法TL-LSSVR。根据虚拟目标坐标和虚拟目标到传感器节点距离矢量构造出训练样本,通过确定学习区域及网格化采样获得训练样本集,采用LSSVR训练得到定位模型,将测量得到的距离矢量输入定位模型实现目标定位。对不同传感器节点数量以及不同节点分布情况下的WSN目标进行了定位实验。结果显示,对于节点随机分布的情况,TL-LSSVR方法的定位误差比最小二乘法减小21.0%~43.1%;对于节点均匀分布的情况,TL-LSSVR方法的定位误差则减小26.5%~48.7%,表明TL-LSSVR方法能有效减小测距误差对定位结果的影响,提高目标定位准确度。