基于VMD与KELM的联合收割机行走变速箱故障诊断研究
发布时间：2021-07-09 14:29
行走变速箱是联合收割机的重要传动部件,负责将发动机的动力传送到行走轮带动整机前进。联合收割机在田间的工况恶劣多变,行走变速箱承受的负载复杂,容易发生故障。行走变速箱的故障会严重影响农忙季节作物的收获效率,造成经济损失。因此开展联合收割机行走变速箱的状态监测和故障诊断研究有着重要意义。本文主要以联合收割机行走变速箱为研究对象,根据前期的疲劳试验观察变速箱受损情况,分析了变速箱常见的失效形式及其振动机理,为后续故障试验提供了参考依据。提出了基于遗传算法（Genetic algorithm,GA）优化的变分模态分解（Variational Mode Decomposition,VMD）特征提取方法,以及基于鲸鱼算法（Whale Optimization Algorithm,WOA）优化的核极限学习机（Kernel Extreme Learning Machine,KELM）故障识别方法。具体研究的主要工作及结论如下:（1）开展联合收割机变速箱常见故障分析及典型齿轮故障振动信号分析。为了解决联合收割机行走变速箱可能出现的故障,通过开展疲劳试验,观察实际工作后变速箱内的破坏情况,根据试验结果分析...
【文章来源】：江苏大学江苏省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
SVM类别示意图
基于VMD和KELM的联合收割机行走变速箱故障诊断研究12（2）针对变分模态分解中参数选择问题，提出了以VMD分解之后IMF的样本熵做为适应度函数的遗传算法来优化VMD中分解层数和惩罚因子，通过观察分解后各模态的中心频率来判断分解的效果，提取IMF分量的样本熵，用作故障信号特征量。并与EMD样本、小波包能量占比等方法对比，检验这些特征提取算法的优劣。组成的故障特征集输入同一分类器，进行故障识别率的对比，判断VMD样本熵的优越性。（3）基于WOA-KELM的故障识别方法。针对KELM核参数σ和惩罚因子C选择选择不当会导致KELM准确率偏低的问题，提出了以WOA算法对两个参数寻优的方法，来确定模型中输入的参数。以VMD中IMF分量的样本熵，与时域、频域特征共同组成故障特征量集合，对比分析WOA-KELM与ELM、KELM等分类模型识别率，判断效果最佳的故障分类模型。本文的技术路线如图1.2所示：图1.2本课题技术路线Fig.1.2Thetechnicalrouteofthissubject1.5本章小结本章阐明了本文的研究目的和意义，以联合收割机行走变速箱为研究对象，分析了目前国内外在故障特征提取和故障识别技术的研究现状，指出了目前在联合收割机行走变速箱故障诊断研究领域存在的问题，提出了本文的主要研究内容和技术路线。
基于VMD和KELM的联合收割机行走变速箱故障诊断研究14图2.2轮式联合收割机行走变速箱传动路线简图Fig.2.2Schematicdiagramofthetransmissionpathofthewalkinggearboxofthewheeledcombineharvester图2.3变速箱外观Fig.2.3Gearboxappearance图2.4变速箱内部结构图Fig.2.4Internalstructureofthegearbox2.2联合收割机行走变速箱常见失效形式为了更好地了解联合收割机行走变速箱的失效形式，选用某一型号的行走变速箱进行了600小时的疲劳试验。试验台布局和加载结构见图2.5、图2.6，包括一台输入交流电机和两台输出交流电机，分别模拟发动机的输入动力和收割机轮上的负载。根据《JB/T13190-2017联合收割机驱动桥》及《Q/LWZB136—2017农业装备产品可靠性评定方法》制定了加载方案。加载方案如表2.1。表2.1疲劳试验方案Tab.2.1Fatiguetestplan试验时间转速/rpm负载/Nm600h290010281
【参考文献】：
期刊论文
[1]变分模态分解的Volterra模型和形态学分形维数在发动机故障诊断中的应用[J]. 周小龙,刘薇娜,姜振海,马风雷. 汽车工程. 2019(12)
[2]基于改进变分模态分解和SVM的断路器机械故障振动分析[J]. 田书,康智慧. 振动与冲击. 2019(23)
[3]基于VMD散布熵与改进灰狼优化SVDD的轴承半监督故障诊断研究[J]. 付文龙,谭佳文,王凯. 振动与冲击. 2019(22)
[4]集成多策略改进FCM算法的旋转机械故障数据聚类分析研究[J]. 邓林峰,张爱华,赵荣珍. 振动工程学报. 2019(05)
[5]基于LPF-VMD和KELM的风速多步预测模型[J]. 向玲,邓泽奇,赵玥. 电网技术. 2019(12)
[6]基于IVMD与改进KELM的发动机故障诊断[J]. 刘敏,张英堂,李志宁,范红波. 振动.测试与诊断. 2019(04)
[7]变转速齿轮箱复合故障的自适应时变滤波分析[J]. 陈向民,黎琦,张亢,晋风华,李录平. 振动与冲击. 2019(14)
[8]基于KELM和多传感器信息融合的风电齿轮箱故障诊断[J]. 龙霞飞,杨苹,郭红霞,赵卓立,赵智. 电力系统自动化. 2019(17)
[9]基于峭度的VMD分解中k值的确定方法研究[J]. 吴文轩,王志坚,张纪平,马维金,王俊元. 机械传动. 2018(08)
[10]一种基于分子结构设计理论的聚类分析方法[J]. 张西宁,雷威,唐春华,向宙. 振动与冲击. 2018(15)
博士论文
[1]基于变分模态分解与优化多核支持向量机的旋转机械早期故障诊断方法研究[D]. 吕中亮.重庆大学 2016
硕士论文
[1]基于振动信号的滚动轴承故障诊断与状态识别方法研究[D]. 彭刘阳.中国矿业大学 2019
[2]基于改进遗传算法的云计算任务调度算法的研究和实现[D]. 肖夏.重庆邮电大学 2019
[3]基于小波变换和支持向量机的齿轮箱故障诊断研究[D]. 李群星.吉林大学 2017
[4]振动分析技术在变速箱故障诊断中的应用与研究[D]. 朱成伟.长春工业大学 2015
[5]基于免疫遗传算法的双柱悬索拉线塔优化分析[D]. 赵冲.重庆大学 2014
本文编号：3273918
【文章来源】：江苏大学江苏省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
SVM类别示意图
基于VMD和KELM的联合收割机行走变速箱故障诊断研究12（2）针对变分模态分解中参数选择问题，提出了以VMD分解之后IMF的样本熵做为适应度函数的遗传算法来优化VMD中分解层数和惩罚因子，通过观察分解后各模态的中心频率来判断分解的效果，提取IMF分量的样本熵，用作故障信号特征量。并与EMD样本、小波包能量占比等方法对比，检验这些特征提取算法的优劣。组成的故障特征集输入同一分类器，进行故障识别率的对比，判断VMD样本熵的优越性。（3）基于WOA-KELM的故障识别方法。针对KELM核参数σ和惩罚因子C选择选择不当会导致KELM准确率偏低的问题，提出了以WOA算法对两个参数寻优的方法，来确定模型中输入的参数。以VMD中IMF分量的样本熵，与时域、频域特征共同组成故障特征量集合，对比分析WOA-KELM与ELM、KELM等分类模型识别率，判断效果最佳的故障分类模型。本文的技术路线如图1.2所示：图1.2本课题技术路线Fig.1.2Thetechnicalrouteofthissubject1.5本章小结本章阐明了本文的研究目的和意义，以联合收割机行走变速箱为研究对象，分析了目前国内外在故障特征提取和故障识别技术的研究现状，指出了目前在联合收割机行走变速箱故障诊断研究领域存在的问题，提出了本文的主要研究内容和技术路线。
基于VMD和KELM的联合收割机行走变速箱故障诊断研究14图2.2轮式联合收割机行走变速箱传动路线简图Fig.2.2Schematicdiagramofthetransmissionpathofthewalkinggearboxofthewheeledcombineharvester图2.3变速箱外观Fig.2.3Gearboxappearance图2.4变速箱内部结构图Fig.2.4Internalstructureofthegearbox2.2联合收割机行走变速箱常见失效形式为了更好地了解联合收割机行走变速箱的失效形式，选用某一型号的行走变速箱进行了600小时的疲劳试验。试验台布局和加载结构见图2.5、图2.6，包括一台输入交流电机和两台输出交流电机，分别模拟发动机的输入动力和收割机轮上的负载。根据《JB/T13190-2017联合收割机驱动桥》及《Q/LWZB136—2017农业装备产品可靠性评定方法》制定了加载方案。加载方案如表2.1。表2.1疲劳试验方案Tab.2.1Fatiguetestplan试验时间转速/rpm负载/Nm600h290010281
【参考文献】：
期刊论文
[1]变分模态分解的Volterra模型和形态学分形维数在发动机故障诊断中的应用[J]. 周小龙,刘薇娜,姜振海,马风雷. 汽车工程. 2019(12)
[2]基于改进变分模态分解和SVM的断路器机械故障振动分析[J]. 田书,康智慧. 振动与冲击. 2019(23)
[3]基于VMD散布熵与改进灰狼优化SVDD的轴承半监督故障诊断研究[J]. 付文龙,谭佳文,王凯. 振动与冲击. 2019(22)
[4]集成多策略改进FCM算法的旋转机械故障数据聚类分析研究[J]. 邓林峰,张爱华,赵荣珍. 振动工程学报. 2019(05)
[5]基于LPF-VMD和KELM的风速多步预测模型[J]. 向玲,邓泽奇,赵玥. 电网技术. 2019(12)
[6]基于IVMD与改进KELM的发动机故障诊断[J]. 刘敏,张英堂,李志宁,范红波. 振动.测试与诊断. 2019(04)
[7]变转速齿轮箱复合故障的自适应时变滤波分析[J]. 陈向民,黎琦,张亢,晋风华,李录平. 振动与冲击. 2019(14)
[8]基于KELM和多传感器信息融合的风电齿轮箱故障诊断[J]. 龙霞飞,杨苹,郭红霞,赵卓立,赵智. 电力系统自动化. 2019(17)
[9]基于峭度的VMD分解中k值的确定方法研究[J]. 吴文轩,王志坚,张纪平,马维金,王俊元. 机械传动. 2018(08)
[10]一种基于分子结构设计理论的聚类分析方法[J]. 张西宁,雷威,唐春华,向宙. 振动与冲击. 2018(15)
博士论文
[1]基于变分模态分解与优化多核支持向量机的旋转机械早期故障诊断方法研究[D]. 吕中亮.重庆大学 2016
硕士论文
[1]基于振动信号的滚动轴承故障诊断与状态识别方法研究[D]. 彭刘阳.中国矿业大学 2019
[2]基于改进遗传算法的云计算任务调度算法的研究和实现[D]. 肖夏.重庆邮电大学 2019
[3]基于小波变换和支持向量机的齿轮箱故障诊断研究[D]. 李群星.吉林大学 2017
[4]振动分析技术在变速箱故障诊断中的应用与研究[D]. 朱成伟.长春工业大学 2015
[5]基于免疫遗传算法的双柱悬索拉线塔优化分析[D]. 赵冲.重庆大学 2014
本文编号：3273918
本文链接：https://www.wllwen.com/nykjlw/nygclw/3273918.html
