在多智能融合的故障信息诊断方法研究领域，密切跟踪了国内外智能故障信息诊断领域的理论研究前沿，将人工智能和信号处理领域的新成果，如信息融合、数据挖掘、粗糙集、主元分析、人工免疫、支持向量机等数据驱动方法与专家系统有机交叉和深度融合，实现优势互补和信息增值，为建立液压AGC系统故障诊断智能专家系统奠定了坚实的理论基础。开展了多域信息特征提取方法以及特征参量对故障敏感性的研究，从海量生产数据中，提取隐含的故障知识，增加了故障特征信息的完备性。提出利用主元分析方法对故障特征参量集合进行降维和解耦，有效地降低了特征向量维数。提出指数加权动态核主元分析、支持向量机与证据理论集成的多源信息融合、免疫机理和支持向量机复合的故障诊断方法；提出利用Q统计中平方预报误差的变化进行故障检测的方法；提出小波脊线解调与两次EMD相结合、HHT和模糊C均值聚类相结合、威布尔分布与模糊Ｃ均值聚类算法相结合、混沌与模糊最大似然估计聚类相结合、数学形态学与GG模糊聚类相结合的故障识别方法；提出基于多重分形、延迟向量方差及非线性滴定、形态差值滤波和差分熵相结合的故障诊断方法；提出基于灰靶理论和信息熵理论的健康状态评估方法。以上新方法实现了不同方法的优势互补，显著提高了故障诊断的准确性，完善了专家系统知识库和规则库，有效地解决了制约智能故障诊断技术发展的典型故障样本严重不足、诊断知识发现困难、故障阈值难以确定、诊断效果在短期内难以评价等难题。针对液压系统振动机理及诱因这一工程难题，研究了不同参数影响下系统的非线性动力学行为，揭示了系统内在的分岔、混沌现象和产生非线性振动的诱因，并提出基于小波脊线法的混沌运动识别新方法，该领域所取得的理论成果为优化液压系统的结构参数，提高系统运行的稳定性，防止系统产生非线性振动提供了理论借鉴。作为上一个国家自然科学基金（50775198）研究工作的延续，在轧机负荷分配智能优化研究方面，提出基于改进蚁群算法、改进量子遗传算法和量子混沌多目标优化算法的轧制负荷分配多目标优化新方法，并在实际生产轧制中进行了应用实践，充分发挥了轧机机械设备、传动装置和主电机的潜能。