拖拉機(jī)作為一種在農(nóng)業(yè)生產(chǎn)領(lǐng)域廣泛運(yùn)用的工具,其核心部件的好壞會(huì)直接影響到整機(jī)的性能與操作人員的安全,故關(guān)于拖拉機(jī)及其核心部件的故障研究一直是研究熱點(diǎn)。拖拉機(jī)故障診斷一般是通過(guò)檢修人員依靠經(jīng)驗(yàn)來(lái)判斷是否存在故障,對(duì)檢修人員的經(jīng)驗(yàn)以及責(zé)任心有很大的要求,且存在效率低、判斷不精確的問(wèn)題。故本文提出一種拖拉機(jī)故障檢測(cè)方法,既能夠判斷出拖拉機(jī)是否存在故障,又能夠定位出故障的部件并分析出具體的故障類型。本文首先對(duì)機(jī)械故障診斷常用方法進(jìn)行了研究,并結(jié)合拖拉機(jī)的實(shí)際情況,分析了當(dāng)前對(duì)于拖拉機(jī)整機(jī)故障進(jìn)行研究所面臨的問(wèn)題,在此基礎(chǔ)之上提出了通過(guò)振動(dòng)與噪聲信號(hào)相結(jié)合的拖拉機(jī)及其關(guān)鍵部件故障診斷方法,主要研究?jī)?nèi)容如下:（1）針對(duì)尺寸較大的拖拉機(jī),采用噪聲采集這種非接觸式測(cè)量的方法,并使用小波包分解將拖拉機(jī)噪聲信號(hào)分解為8個(gè)頻帶,以信號(hào)峰值、小波包能量熵及各頻帶的能量貢獻(xiàn)率作為判斷拖拉機(jī)故障與否的特征,在分析出拖拉機(jī)存在故障之后,將信號(hào)邊際譜與正常拖拉機(jī)信號(hào)邊際譜對(duì)比,找出噪聲信號(hào)變化較大的頻率范圍,依據(jù)其與1000Hz的大小關(guān)系適當(dāng)選取波束形成方法及部件振動(dòng)信號(hào)分析的方法來(lái)判斷該部件是否存在故障,若存在故障... 

【文章來(lái)源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：114 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

球面波模型

PNN基本結(jié)構(gòu)

第2章拖拉機(jī)整機(jī)及其關(guān)鍵部件故障診斷技術(shù)基礎(chǔ)理論271之間的隨機(jī)數(shù)；(,)表示第j個(gè)粒子第c次迭代的位置；()為第c次迭代時(shí)第j個(gè)粒子的最好位置；gb表示第c次迭代種群最好的位置。知道速度更新公式，便可以得出第j個(gè)粒子第c+1次迭代后的位置更新公式：(+1,)=(,)+(,)............................（2.35）2.5卷積神經(jīng)網(wǎng)絡(luò)在實(shí)際的拖拉機(jī)故障檢測(cè)過(guò)程中，需要判斷具體故障的拖拉機(jī)部件有很多，選用特征提取結(jié)合概率神經(jīng)網(wǎng)絡(luò)的方法需要針對(duì)不同的部件提取適合的、區(qū)分度大的特征，這便決定了基于概率神經(jīng)網(wǎng)絡(luò)方法的可遷移性不高。同時(shí)特征提取對(duì)于測(cè)試人員的專業(yè)素質(zhì)要求較高，這種情況下測(cè)試過(guò)程的復(fù)雜程度及成本便會(huì)上升很多，實(shí)際測(cè)試時(shí)的效率可能會(huì)比較低。因此，為解決上述方法可遷移性不高的問(wèn)題，本文利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)部件各種故障狀態(tài)下的時(shí)、頻域圖形進(jìn)行遷移學(xué)習(xí)，將預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)直接遷移到需要識(shí)別的故障診斷任務(wù)當(dāng)中，并且通過(guò)少量的樣本數(shù)據(jù)進(jìn)行遷移訓(xùn)練得出故障診斷模型。下面對(duì)卷積神經(jīng)網(wǎng)絡(luò)的基本原理進(jìn)行簡(jiǎn)要分析。2.5.1卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)LeNet-5是YanLecun[37]是一種經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型，主要用于識(shí)別手寫(xiě)字符，圖2.5是其結(jié)構(gòu)圖。圖2.5LeNet-5結(jié)構(gòu)圖由上圖LeNet-5的網(wǎng)絡(luò)結(jié)構(gòu)可以看到，卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)可分為四部分:輸入層，卷積層，全連接層和輸出層。

【參考文獻(xiàn)】：
期刊論文
[1]基于遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)玉米病害圖像識(shí)別[J]. 許景輝,邵明燁,王一琛,韓文霆.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2020(02)
[2]融合聲場(chǎng)法向變化的雙面聲像故障診斷方法研究[J]. 侯俊劍,馬軍,房占鵬,杜文遼.  振動(dòng)工程學(xué)報(bào). 2019(05)
[3]基于遷移學(xué)習(xí)的零件識(shí)別方法研究[J]. 陳緒,陳志瀾.  制造業(yè)自動(dòng)化. 2019(08)
[4]基于遷移學(xué)習(xí)的糖尿病視網(wǎng)膜病變輔助診斷算法[J]. 黃義勁,呂俊延,李萌,夏鴻慧,袁進(jìn),唐曉穎.  中華實(shí)驗(yàn)眼科雜志. 2019 (08)
[5]基于波束形成的發(fā)動(dòng)機(jī)噪聲源識(shí)別試驗(yàn)研究[J]. 張翠青,高志鷹,韋麗珍.  現(xiàn)代電子技術(shù). 2019(13)
[6]輪式拖拉機(jī)傳動(dòng)系異響故障診斷分析[J]. 代洪,白相萍,楊文霞.  農(nóng)村牧區(qū)機(jī)械化. 2019(02)
[7]基于SA-EMD-PNN的柱塞泵故障診斷方法研究[J]. 杜振東,趙建民,李海平,張?chǎng)?  振動(dòng)與沖擊. 2019(08)
[8]基于長(zhǎng)短期記憶的車輛行為動(dòng)態(tài)識(shí)別網(wǎng)絡(luò)[J]. 衛(wèi)星,樂(lè)越,韓江洪,陸陽(yáng).  計(jì)算機(jī)應(yīng)用. 2019(07)
[9]基于改進(jìn)連續(xù)隱馬爾科夫模型的風(fēng)機(jī)齒輪箱故障診斷[J]. 丁超然,劉三明,王帥,潘兆旭.  電力學(xué)報(bào). 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)

博士論文
[1]基于淺層學(xué)習(xí)引導(dǎo)深度學(xué)習(xí)的行人檢測(cè)[D]. 劉弋鋒.武漢大學(xué) 2016
[2]基于聲場(chǎng)空間分布特征的機(jī)械故障診斷方法及其應(yīng)用研究[D]. 魯文波.上海交通大學(xué) 2012

碩士論文
[1]基于改進(jìn)AlexNet的滾動(dòng)軸承變工況故障診斷研究[D]. 張青青.蘭州理工大學(xué) 2019
[2]基于動(dòng)力學(xué)仿真和遷移學(xué)習(xí)的滾動(dòng)軸承故障診斷方法研究[D]. 董韻佳.哈爾濱工業(yè)大學(xué) 2019
[3]基于改進(jìn)型卷積神經(jīng)網(wǎng)絡(luò)的動(dòng)車組滾動(dòng)軸承故障診斷方法研究[D]. 荊云建.北京交通大學(xué) 2019
[4]基于優(yōu)化概率神經(jīng)網(wǎng)絡(luò)貨車軸承故障診斷研究[D]. 馮安安.北京交通大學(xué) 2019
[5]小波包結(jié)合SVM和神經(jīng)網(wǎng)絡(luò)在滾動(dòng)軸承故障診斷中的應(yīng)用[D]. 吳曉冬.合肥工業(yè)大學(xué) 2019
[6]結(jié)合時(shí)頻分析和卷積神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷優(yōu)化方法研究[D]. 黃馳城.浙江大學(xué) 2019
[7]基于聲場(chǎng)三維空間特征的聲像故障診斷方法研究[D]. 吳艷靈.鄭州輕工業(yè)學(xué)院 2018
[8]振動(dòng)機(jī)械滾動(dòng)軸承故障診斷研究[D]. 楊繼林.長(zhǎng)安大學(xué) 2018
[9]基于卷積神經(jīng)網(wǎng)絡(luò)的軸承故障診斷算法研究[D]. 張偉.哈爾濱工業(yè)大學(xué) 2017
[10]基于多元經(jīng)驗(yàn)?zāi)B(tài)分解互近似熵和GG聚類的軸承故障診斷[D]. 李威.燕山大學(xué) 2017



本文編號(hào)：2997253