行走變速箱是聯合收割機的重要傳動部件,負責將發(fā)動機的動力傳送到行走輪帶動整機前進。聯合收割機在田間的工況惡劣多變,行走變速箱承受的負載復雜,容易發(fā)生故障。行走變速箱的故障會嚴重影響農忙季節(jié)作物的收獲效率,造成經濟損失。因此開展聯合收割機行走變速箱的狀態(tài)監(jiān)測和故障診斷研究有著重要意義。本文主要以聯合收割機行走變速箱為研究對象,根據前期的疲勞試驗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機理,為后續(xù)故障試驗提供了參考依據。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)化的核極限學習機（Kernel Extreme Learning Machine,KELM）故障識別方法。具體研究的主要工作及結論如下:（1）開展聯合收割機變速箱常見故障分析及典型齒輪故障振動信號分析。為了解決聯合收割機行走變速箱可能出現的故障,通過開展疲勞試驗,觀察實際工作后變速箱內的破壞情況,根據試驗結果分析... 

【文章來源】：江蘇大學江蘇省

【文章頁數】：70 頁

【學位級別】：碩士

【部分圖文】：

SVM類別示意圖

基于VMD和KELM的聯合收割機行走變速箱故障診斷研究12（2）針對變分模態(tài)分解中參數選擇問題，提出了以VMD分解之后IMF的樣本熵做為適應度函數的遺傳算法來優(yōu)化VMD中分解層數和懲罰因子，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，用作故障信號特征量。并與EMD樣本、小波包能量占比等方法對比，檢驗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，進行故障識別率的對比，判斷VMD樣本熵的優(yōu)越性。（3）基于WOA-KELM的故障識別方法。針對KELM核參數σ和懲罰因子C選擇選擇不當會導致KELM準確率偏低的問題，提出了以WOA算法對兩個參數尋優(yōu)的方法，來確定模型中輸入的參數。以VMD中IMF分量的樣本熵，與時域、頻域特征共同組成故障特征量集合，對比分析WOA-KELM與ELM、KELM等分類模型識別率，判斷效果最佳的故障分類模型。本文的技術路線如圖1.2所示：圖1.2本課題技術路線Fig.1.2Thetechnicalrouteofthissubject1.5本章小結本章闡明了本文的研究目的和意義，以聯合收割機行走變速箱為研究對象，分析了目前國內外在故障特征提取和故障識別技術的研究現狀，指出了目前在聯合收割機行走變速箱故障診斷研究領域存在的問題，提出了本文的主要研究內容和技術路線。

基于VMD和KELM的聯合收割機行走變速箱故障診斷研究14圖2.2輪式聯合收割機行走變速箱傳動路線簡圖Fig.2.2Schematicdiagramofthetransmissionpathofthewalkinggearboxofthewheeledcombineharvester圖2.3變速箱外觀Fig.2.3Gearboxappearance圖2.4變速箱內部結構圖Fig.2.4Internalstructureofthegearbox2.2聯合收割機行走變速箱常見失效形式為了更好地了解聯合收割機行走變速箱的失效形式，選用某一型號的行走變速箱進行了600小時的疲勞試驗。試驗臺布局和加載結構見圖2.5、圖2.6，包括一臺輸入交流電機和兩臺輸出交流電機，分別模擬發(fā)動機的輸入動力和收割機輪上的負載。根據《JB/T13190-2017聯合收割機驅動橋》及《Q/LWZB136—2017農業(yè)裝備產品可靠性評定方法》制定了加載方案。加載方案如表2.1。表2.1疲勞試驗方案Tab.2.1Fatiguetestplan試驗時間轉速/rpm負載/Nm600h290010281

【參考文獻】：
期刊論文
[1]變分模態(tài)分解的Volterra模型和形態(tài)學分形維數在發(fā)動機故障診斷中的應用[J]. 周小龍,劉薇娜,姜振海,馬風雷.  汽車工程. 2019(12)
[2]基于改進變分模態(tài)分解和SVM的斷路器機械故障振動分析[J]. 田書,康智慧.  振動與沖擊. 2019(23)
[3]基于VMD散布熵與改進灰狼優(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.  振動與沖擊. 2019(22)
[4]集成多策略改進FCM算法的旋轉機械故障數據聚類分析研究[J]. 鄧林峰,張愛華,趙榮珍.  振動工程學報. 2019(05)
[5]基于LPF-VMD和KELM的風速多步預測模型[J]. 向玲,鄧澤奇,趙玥.  電網技術. 2019(12)
[6]基于IVMD與改進KELM的發(fā)動機故障診斷[J]. 劉敏,張英堂,李志寧,范紅波.  振動.測試與診斷. 2019(04)
[7]變轉速齒輪箱復合故障的自適應時變?yōu)V波分析[J]. 陳向民,黎琦,張亢,晉風華,李錄平.  振動與沖擊. 2019(14)
[8]基于KELM和多傳感器信息融合的風電齒輪箱故障診斷[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,張紀平,馬維金,王俊元.  機械傳動. 2018(08)
[10]一種基于分子結構設計理論的聚類分析方法[J]. 張西寧,雷威,唐春華,向宙.  振動與沖擊. 2018(15)

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

碩士論文
[1]基于振動信號的滾動軸承故障診斷與狀態(tài)識別方法研究[D]. 彭劉陽.中國礦業(yè)大學 2019
[2]基于改進遺傳算法的云計算任務調度算法的研究和實現[D]. 肖夏.重慶郵電大學 2019
[3]基于小波變換和支持向量機的齒輪箱故障診斷研究[D]. 李群星.吉林大學 2017
[4]振動分析技術在變速箱故障診斷中的應用與研究[D]. 朱成偉.長春工業(yè)大學 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 2014



本文編號：3273918