行走變速箱是聯(lián)合收割機(jī)的重要傳動(dòng)部件,負(fù)責(zé)將發(fā)動(dòng)機(jī)的動(dòng)力傳送到行走輪帶動(dòng)整機(jī)前進(jìn)。聯(lián)合收割機(jī)在田間的工況惡劣多變,行走變速箱承受的負(fù)載復(fù)雜,容易發(fā)生故障。行走變速箱的故障會(huì)嚴(yán)重影響農(nóng)忙季節(jié)作物的收獲效率,造成經(jīng)濟(jì)損失。因此開展聯(lián)合收割機(jī)行走變速箱的狀態(tài)監(jiān)測和故障診斷研究有著重要意義。本文主要以聯(lián)合收割機(jī)行走變速箱為研究對(duì)象,根據(jù)前期的疲勞試驗(yàn)觀察變速箱受損情況,分析了變速箱常見的失效形式及其振動(dòng)機(jī)理,為后續(xù)故障試驗(yàn)提供了參考依據(jù)。提出了基于遺傳算法（Genetic algorithm,GA）優(yōu)化的變分模態(tài)分解（Variational Mode Decomposition,VMD）特征提取方法,以及基于鯨魚算法（Whale Optimization Algorithm,WOA）優(yōu)化的核極限學(xué)習(xí)機(jī)（Kernel Extreme Learning Machine,KELM）故障識(shí)別方法。具體研究的主要工作及結(jié)論如下:（1）開展聯(lián)合收割機(jī)變速箱常見故障分析及典型齒輪故障振動(dòng)信號(hào)分析。為了解決聯(lián)合收割機(jī)行走變速箱可能出現(xiàn)的故障,通過開展疲勞試驗(yàn),觀察實(shí)際工作后變速箱內(nèi)的破壞情況,根據(jù)試驗(yàn)結(jié)果分析... 

【文章來源】：江蘇大學(xué)江蘇省

【文章頁數(shù)】：70 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

SVM類別示意圖

基于VMD和KELM的聯(lián)合收割機(jī)行走變速箱故障診斷研究12（2）針對(duì)變分模態(tài)分解中參數(shù)選擇問題，提出了以VMD分解之后IMF的樣本熵做為適應(yīng)度函數(shù)的遺傳算法來優(yōu)化VMD中分解層數(shù)和懲罰因子，通過觀察分解后各模態(tài)的中心頻率來判斷分解的效果，提取IMF分量的樣本熵，用作故障信號(hào)特征量。并與EMD樣本、小波包能量占比等方法對(duì)比，檢驗(yàn)這些特征提取算法的優(yōu)劣。組成的故障特征集輸入同一分類器，進(jìn)行故障識(shí)別率的對(duì)比，判斷VMD樣本熵的優(yōu)越性。（3）基于WOA-KELM的故障識(shí)別方法。針對(duì)KELM核參數(shù)σ和懲罰因子C選擇選擇不當(dāng)會(huì)導(dǎo)致KELM準(zhǔn)確率偏低的問題，提出了以WOA算法對(duì)兩個(gè)參數(shù)尋優(yōu)的方法，來確定模型中輸入的參數(shù)。以VMD中IMF分量的樣本熵，與時(shí)域、頻域特征共同組成故障特征量集合，對(duì)比分析WOA-KELM與ELM、KELM等分類模型識(shí)別率，判斷效果最佳的故障分類模型。本文的技術(shù)路線如圖1.2所示：圖1.2本課題技術(shù)路線Fig.1.2Thetechnicalrouteofthissubject1.5本章小結(jié)本章闡明了本文的研究目的和意義，以聯(lián)合收割機(jī)行走變速箱為研究對(duì)象，分析了目前國內(nèi)外在故障特征提取和故障識(shí)別技術(shù)的研究現(xiàn)狀，指出了目前在聯(lián)合收割機(jī)行走變速箱故障診斷研究領(lǐng)域存在的問題，提出了本文的主要研究內(nèi)容和技術(shù)路線。

基于VMD和KELM的聯(lián)合收割機(jī)行走變速箱故障診斷研究14圖2.2輪式聯(lián)合收割機(jī)行走變速箱傳動(dòng)路線簡圖Fig.2.2Schematicdiagramofthetransmissionpathofthewalkinggearboxofthewheeledcombineharvester圖2.3變速箱外觀Fig.2.3Gearboxappearance圖2.4變速箱內(nèi)部結(jié)構(gòu)圖Fig.2.4Internalstructureofthegearbox2.2聯(lián)合收割機(jī)行走變速箱常見失效形式為了更好地了解聯(lián)合收割機(jī)行走變速箱的失效形式，選用某一型號(hào)的行走變速箱進(jìn)行了600小時(shí)的疲勞試驗(yàn)。試驗(yàn)臺(tái)布局和加載結(jié)構(gòu)見圖2.5、圖2.6，包括一臺(tái)輸入交流電機(jī)和兩臺(tái)輸出交流電機(jī)，分別模擬發(fā)動(dòng)機(jī)的輸入動(dòng)力和收割機(jī)輪上的負(fù)載。根據(jù)《JB/T13190-2017聯(lián)合收割機(jī)驅(qū)動(dòng)橋》及《Q/LWZB136—2017農(nóng)業(yè)裝備產(chǎn)品可靠性評(píng)定方法》制定了加載方案。加載方案如表2.1。表2.1疲勞試驗(yàn)方案Tab.2.1Fatiguetestplan試驗(yàn)時(shí)間轉(zhuǎn)速/rpm負(fù)載/Nm600h290010281

【參考文獻(xiàn)】：
期刊論文
[1]變分模態(tài)分解的Volterra模型和形態(tài)學(xué)分形維數(shù)在發(fā)動(dòng)機(jī)故障診斷中的應(yīng)用[J]. 周小龍,劉薇娜,姜振海,馬風(fēng)雷.  汽車工程. 2019(12)
[2]基于改進(jìn)變分模態(tài)分解和SVM的斷路器機(jī)械故障振動(dòng)分析[J]. 田書,康智慧.  振動(dòng)與沖擊. 2019(23)
[3]基于VMD散布熵與改進(jìn)灰狼優(yōu)化SVDD的軸承半監(jiān)督故障診斷研究[J]. 付文龍,譚佳文,王凱.  振動(dòng)與沖擊. 2019(22)
[4]集成多策略改進(jìn)FCM算法的旋轉(zhuǎn)機(jī)械故障數(shù)據(jù)聚類分析研究[J]. 鄧林峰,張愛華,趙榮珍.  振動(dòng)工程學(xué)報(bào). 2019(05)
[5]基于LPF-VMD和KELM的風(fēng)速多步預(yù)測模型[J]. 向玲,鄧澤奇,趙玥.  電網(wǎng)技術(shù). 2019(12)
[6]基于IVMD與改進(jìn)KELM的發(fā)動(dòng)機(jī)故障診斷[J]. 劉敏,張英堂,李志寧,范紅波.  振動(dòng).測試與診斷. 2019(04)
[7]變轉(zhuǎn)速齒輪箱復(fù)合故障的自適應(yīng)時(shí)變?yōu)V波分析[J]. 陳向民,黎琦,張亢,晉風(fēng)華,李錄平.  振動(dòng)與沖擊. 2019(14)
[8]基于KELM和多傳感器信息融合的風(fēng)電齒輪箱故障診斷[J]. 龍霞飛,楊蘋,郭紅霞,趙卓立,趙智.  電力系統(tǒng)自動(dòng)化. 2019(17)
[9]基于峭度的VMD分解中k值的確定方法研究[J]. 吳文軒,王志堅(jiān),張紀(jì)平,馬維金,王俊元.  機(jī)械傳動(dòng). 2018(08)
[10]一種基于分子結(jié)構(gòu)設(shè)計(jì)理論的聚類分析方法[J]. 張西寧,雷威,唐春華,向宙.  振動(dòng)與沖擊. 2018(15)

博士論文
[1]基于變分模態(tài)分解與優(yōu)化多核支持向量機(jī)的旋轉(zhuǎn)機(jī)械早期故障診斷方法研究[D]. 呂中亮.重慶大學(xué) 2016

碩士論文
[1]基于振動(dòng)信號(hào)的滾動(dòng)軸承故障診斷與狀態(tài)識(shí)別方法研究[D]. 彭劉陽.中國礦業(yè)大學(xué) 2019
[2]基于改進(jìn)遺傳算法的云計(jì)算任務(wù)調(diào)度算法的研究和實(shí)現(xiàn)[D]. 肖夏.重慶郵電大學(xué) 2019
[3]基于小波變換和支持向量機(jī)的齒輪箱故障診斷研究[D]. 李群星.吉林大學(xué) 2017
[4]振動(dòng)分析技術(shù)在變速箱故障診斷中的應(yīng)用與研究[D]. 朱成偉.長春工業(yè)大學(xué) 2015
[5]基于免疫遺傳算法的雙柱懸索拉線塔優(yōu)化分析[D]. 趙沖.重慶大學(xué) 2014



本文編號(hào)：3273918