基于振动噪声分析的拖拉机及其关键部件故障诊断方法研究
发布时间：2021-01-24 12:32
拖拉机作为一种在农业生产领域广泛运用的工具,其核心部件的好坏会直接影响到整机的性能与操作人员的安全,故关于拖拉机及其核心部件的故障研究一直是研究热点。拖拉机故障诊断一般是通过检修人员依靠经验来判断是否存在故障,对检修人员的经验以及责任心有很大的要求,且存在效率低、判断不精确的问题。故本文提出一种拖拉机故障检测方法,既能够判断出拖拉机是否存在故障,又能够定位出故障的部件并分析出具体的故障类型。本文首先对机械故障诊断常用方法进行了研究,并结合拖拉机的实际情况,分析了当前对于拖拉机整机故障进行研究所面临的问题,在此基础之上提出了通过振动与噪声信号相结合的拖拉机及其关键部件故障诊断方法,主要研究内容如下:（1）针对尺寸较大的拖拉机,采用噪声采集这种非接触式测量的方法,并使用小波包分解将拖拉机噪声信号分解为8个频带,以信号峰值、小波包能量熵及各频带的能量贡献率作为判断拖拉机故障与否的特征,在分析出拖拉机存在故障之后,将信号边际谱与正常拖拉机信号边际谱对比,找出噪声信号变化较大的频率范围,依据其与1000Hz的大小关系适当选取波束形成方法及部件振动信号分析的方法来判断该部件是否存在故障,若存在故障...
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：114 页
【学位级别】：硕士
【部分图文】：
球面波模型
PNN基本结构
第2章拖拉机整机及其关键部件故障诊断技术基础理论271之间的随机数；(,)表示第j个粒子第c次迭代的位置；()为第c次迭代时第j个粒子的最好位置；gb表示第c次迭代种群最好的位置。知道速度更新公式，便可以得出第j个粒子第c+1次迭代后的位置更新公式：(+1,)=(,)+(,)............................（2.35）2.5卷积神经网络在实际的拖拉机故障检测过程中，需要判断具体故障的拖拉机部件有很多，选用特征提取结合概率神经网络的方法需要针对不同的部件提取适合的、区分度大的特征，这便决定了基于概率神经网络方法的可迁移性不高。同时特征提取对于测试人员的专业素质要求较高，这种情况下测试过程的复杂程度及成本便会上升很多，实际测试时的效率可能会比较低。因此，为解决上述方法可迁移性不高的问题，本文利用卷积神经网络对部件各种故障状态下的时、频域图形进行迁移学习，将预训练的卷积神经网络直接迁移到需要识别的故障诊断任务当中，并且通过少量的样本数据进行迁移训练得出故障诊断模型。下面对卷积神经网络的基本原理进行简要分析。2.5.1卷积神经网络基本结构LeNet-5是YanLecun[37]是一种经典的卷积神经网络模型，主要用于识别手写字符，图2.5是其结构图。图2.5LeNet-5结构图由上图LeNet-5的网络结构可以看到，卷积神经网络的基本结构可分为四部分:输入层，卷积层，全连接层和输出层。
【参考文献】：
期刊论文
[1]基于迁移学习的卷积神经网络玉米病害图像识别[J]. 许景辉,邵明烨,王一琛,韩文霆. 农业机械学报. 2020(02)
[2]融合声场法向变化的双面声像故障诊断方法研究[J]. 侯俊剑,马军,房占鹏,杜文辽. 振动工程学报. 2019(05)
[3]基于迁移学习的零件识别方法研究[J]. 陈绪,陈志澜. 制造业自动化. 2019(08)
[4]基于迁移学习的糖尿病视网膜病变辅助诊断算法[J]. 黄义劲,吕俊延,李萌,夏鸿慧,袁进,唐晓颖. 中华实验眼科杂志. 2019 (08)
[5]基于波束形成的发动机噪声源识别试验研究[J]. 张翠青,高志鹰,韦丽珍. 现代电子技术. 2019(13)
[6]轮式拖拉机传动系异响故障诊断分析[J]. 代洪,白相萍,杨文霞. 农村牧区机械化. 2019(02)
[7]基于SA-EMD-PNN的柱塞泵故障诊断方法研究[J]. 杜振东,赵建民,李海平,张鑫. 振动与冲击. 2019(08)
[8]基于长短期记忆的车辆行为动态识别网络[J]. 卫星,乐越,韩江洪,陆阳. 计算机应用. 2019(07)
[9]基于改进连续隐马尔科夫模型的风机齿轮箱故障诊断[J]. 丁超然,刘三明,王帅,潘兆旭. 电力学报. 2019(01)
[10]Particle swarm optimization-based algorithm of a symplectic method for robotic dynamics and control[J]. Zhaoyue XU,Lin DU,Haopeng WANG,Zichen DENG. Applied Mathematics and Mechanics（English Edition）. 2019(01)
博士论文
[1]基于浅层学习引导深度学习的行人检测[D]. 刘弋锋.武汉大学 2016
[2]基于声场空间分布特征的机械故障诊断方法及其应用研究[D]. 鲁文波.上海交通大学 2012
硕士论文
[1]基于改进AlexNet的滚动轴承变工况故障诊断研究[D]. 张青青.兰州理工大学 2019
[2]基于动力学仿真和迁移学习的滚动轴承故障诊断方法研究[D]. 董韵佳.哈尔滨工业大学 2019
[3]基于改进型卷积神经网络的动车组滚动轴承故障诊断方法研究[D]. 荆云建.北京交通大学 2019
[4]基于优化概率神经网络货车轴承故障诊断研究[D]. 冯安安.北京交通大学 2019
[5]小波包结合SVM和神经网络在滚动轴承故障诊断中的应用[D]. 吴晓冬.合肥工业大学 2019
[6]结合时频分析和卷积神经网络的滚动轴承故障诊断优化方法研究[D]. 黄驰城.浙江大学 2019
[7]基于声场三维空间特征的声像故障诊断方法研究[D]. 吴艳灵.郑州轻工业学院 2018
[8]振动机械滚动轴承故障诊断研究[D]. 杨继林.长安大学 2018
[9]基于卷积神经网络的轴承故障诊断算法研究[D]. 张伟.哈尔滨工业大学 2017
[10]基于多元经验模态分解互近似熵和GG聚类的轴承故障诊断[D]. 李威.燕山大学 2017
本文编号：2997253
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：114 页
【学位级别】：硕士
【部分图文】：
球面波模型
PNN基本结构
第2章拖拉机整机及其关键部件故障诊断技术基础理论271之间的随机数；(,)表示第j个粒子第c次迭代的位置；()为第c次迭代时第j个粒子的最好位置；gb表示第c次迭代种群最好的位置。知道速度更新公式，便可以得出第j个粒子第c+1次迭代后的位置更新公式：(+1,)=(,)+(,)............................（2.35）2.5卷积神经网络在实际的拖拉机故障检测过程中，需要判断具体故障的拖拉机部件有很多，选用特征提取结合概率神经网络的方法需要针对不同的部件提取适合的、区分度大的特征，这便决定了基于概率神经网络方法的可迁移性不高。同时特征提取对于测试人员的专业素质要求较高，这种情况下测试过程的复杂程度及成本便会上升很多，实际测试时的效率可能会比较低。因此，为解决上述方法可迁移性不高的问题，本文利用卷积神经网络对部件各种故障状态下的时、频域图形进行迁移学习，将预训练的卷积神经网络直接迁移到需要识别的故障诊断任务当中，并且通过少量的样本数据进行迁移训练得出故障诊断模型。下面对卷积神经网络的基本原理进行简要分析。2.5.1卷积神经网络基本结构LeNet-5是YanLecun[37]是一种经典的卷积神经网络模型，主要用于识别手写字符，图2.5是其结构图。图2.5LeNet-5结构图由上图LeNet-5的网络结构可以看到，卷积神经网络的基本结构可分为四部分:输入层，卷积层，全连接层和输出层。
【参考文献】：
期刊论文
[1]基于迁移学习的卷积神经网络玉米病害图像识别[J]. 许景辉,邵明烨,王一琛,韩文霆. 农业机械学报. 2020(02)
[2]融合声场法向变化的双面声像故障诊断方法研究[J]. 侯俊剑,马军,房占鹏,杜文辽. 振动工程学报. 2019(05)
[3]基于迁移学习的零件识别方法研究[J]. 陈绪,陈志澜. 制造业自动化. 2019(08)
[4]基于迁移学习的糖尿病视网膜病变辅助诊断算法[J]. 黄义劲,吕俊延,李萌,夏鸿慧,袁进,唐晓颖. 中华实验眼科杂志. 2019 (08)
[5]基于波束形成的发动机噪声源识别试验研究[J]. 张翠青,高志鹰,韦丽珍. 现代电子技术. 2019(13)
[6]轮式拖拉机传动系异响故障诊断分析[J]. 代洪,白相萍,杨文霞. 农村牧区机械化. 2019(02)
[7]基于SA-EMD-PNN的柱塞泵故障诊断方法研究[J]. 杜振东,赵建民,李海平,张鑫. 振动与冲击. 2019(08)
[8]基于长短期记忆的车辆行为动态识别网络[J]. 卫星,乐越,韩江洪,陆阳. 计算机应用. 2019(07)
[9]基于改进连续隐马尔科夫模型的风机齿轮箱故障诊断[J]. 丁超然,刘三明,王帅,潘兆旭. 电力学报. 2019(01)
[10]Particle swarm optimization-based algorithm of a symplectic method for robotic dynamics and control[J]. Zhaoyue XU,Lin DU,Haopeng WANG,Zichen DENG. Applied Mathematics and Mechanics（English Edition）. 2019(01)
博士论文
[1]基于浅层学习引导深度学习的行人检测[D]. 刘弋锋.武汉大学 2016
[2]基于声场空间分布特征的机械故障诊断方法及其应用研究[D]. 鲁文波.上海交通大学 2012
硕士论文
[1]基于改进AlexNet的滚动轴承变工况故障诊断研究[D]. 张青青.兰州理工大学 2019
[2]基于动力学仿真和迁移学习的滚动轴承故障诊断方法研究[D]. 董韵佳.哈尔滨工业大学 2019
[3]基于改进型卷积神经网络的动车组滚动轴承故障诊断方法研究[D]. 荆云建.北京交通大学 2019
[4]基于优化概率神经网络货车轴承故障诊断研究[D]. 冯安安.北京交通大学 2019
[5]小波包结合SVM和神经网络在滚动轴承故障诊断中的应用[D]. 吴晓冬.合肥工业大学 2019
[6]结合时频分析和卷积神经网络的滚动轴承故障诊断优化方法研究[D]. 黄驰城.浙江大学 2019
[7]基于声场三维空间特征的声像故障诊断方法研究[D]. 吴艳灵.郑州轻工业学院 2018
[8]振动机械滚动轴承故障诊断研究[D]. 杨继林.长安大学 2018
[9]基于卷积神经网络的轴承故障诊断算法研究[D]. 张伟.哈尔滨工业大学 2017
[10]基于多元经验模态分解互近似熵和GG聚类的轴承故障诊断[D]. 李威.燕山大学 2017
本文编号：2997253
本文链接：https://www.wllwen.com/shoufeilunwen/zaizhiyanjiusheng/2997253.html
教材专著
