拖拉機作為一種在農(nóng)業(yè)生產(chǎn)領(lǐng)域廣泛運用的工具,其核心部件的好壞會直接影響到整機的性能與操作人員的安全,故關(guān)于拖拉機及其核心部件的故障研究一直是研究熱點。拖拉機故障診斷一般是通過檢修人員依靠經(jīng)驗來判斷是否存在故障,對檢修人員的經(jīng)驗以及責(zé)任心有很大的要求,且存在效率低、判斷不精確的問題。故本文提出一種拖拉機故障檢測方法,既能夠判斷出拖拉機是否存在故障,又能夠定位出故障的部件并分析出具體的故障類型。本文首先對機械故障診斷常用方法進行了研究,并結(jié)合拖拉機的實際情況,分析了當(dāng)前對于拖拉機整機故障進行研究所面臨的問題,在此基礎(chǔ)之上提出了通過振動與噪聲信號相結(jié)合的拖拉機及其關(guān)鍵部件故障診斷方法,主要研究內(nèi)容如下:（1）針對尺寸較大的拖拉機,采用噪聲采集這種非接觸式測量的方法,并使用小波包分解將拖拉機噪聲信號分解為8個頻帶,以信號峰值、小波包能量熵及各頻帶的能量貢獻率作為判斷拖拉機故障與否的特征,在分析出拖拉機存在故障之后,將信號邊際譜與正常拖拉機信號邊際譜對比,找出噪聲信號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信號分析的方法來判斷該部件是否存在故障,若存在故障... 

【文章來源】：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

【文章頁數(shù)】：114 頁

【學(xué)位級別】：碩士

【部分圖文】：

球面波模型

PNN基本結(jié)構(gòu)

第2章拖拉機整機及其關(guān)鍵部件故障診斷技術(shù)基礎(chǔ)理論271之間的隨機數(shù)；(,)表示第j個粒子第c次迭代的位置；()為第c次迭代時第j個粒子的最好位置；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)在實際的拖拉機故障檢測過程中，需要判斷具體故障的拖拉機部件有很多，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。同時特征提取對于測試人員的專業(yè)素質(zhì)要求較高，這種情況下測試過程的復(fù)雜程度及成本便會上升很多，實際測試時的效率可能會比較低。因此，為解決上述方法可遷移性不高的問題，本文利用卷積神經(jīng)網(wǎng)絡(luò)對部件各種故障狀態(tài)下的時、頻域圖形進行遷移學(xué)習(xí)，將預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)直接遷移到需要識別的故障診斷任務(wù)當(dāng)中，并且通過少量的樣本數(shù)據(jù)進行遷移訓(xùn)練得出故障診斷模型。下面對卷積神經(jīng)網(wǎng)絡(luò)的基本原理進行簡要分析。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，主要用于識別手寫字符，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】：
期刊論文
[1]基于遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)玉米病害圖像識別[J]. 許景輝,邵明燁,王一琛,韓文霆.  農(nóng)業(yè)機械學(xué)報. 2020(02)
[2]融合聲場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.  振動工程學(xué)報. 2019(05)
[3]基于遷移學(xué)習(xí)的零件識別方法研究[J]. 陳緒,陳志瀾.  制造業(yè)自動化. 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,唐曉穎.  中華實驗眼科雜志. 2019 (08)
[5]基于波束形成的發(fā)動機噪聲源識別試驗研究[J]. 張翠青,高志鷹,韋麗珍.  現(xiàn)代電子技術(shù). 2019(13)
[6]輪式拖拉機傳動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,張鑫.  振動與沖擊. 2019(08)
[8]基于長短期記憶的車輛行為動態(tài)識別網(wǎng)絡(luò)[J]. 衛(wèi)星,樂越,韓江洪,陸陽.  計算機應(yīng)用. 2019(07)
[9]基于改進連續(xù)隱馬爾科夫模型的風(fēng)機齒輪箱故障診斷[J]. 丁超然,劉三明,王帥,潘兆旭.  電力學(xué)報. 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[D]. 劉弋鋒.武漢大學(xué) 2016
[2]基于聲場空間分布特征的機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AlexNet的滾動軸承變工況故障診斷研究[D]. 張青青.蘭州理工大學(xué) 2019
[2]基于動力學(xué)仿真和遷移學(xué)習(xí)的滾動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]基于改進型卷積神經(jīng)網(wǎng)絡(luò)的動車組滾動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)合時頻分析和卷積神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷優(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]振動機械滾動軸承故障診斷研究[D]. 楊繼林.長安大學(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?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：2997253