基于大数据的拖拉机发动机故障检测系统设计

针对拖拉机发动机检修人员技术水平较低、故障检测系统依赖人工检验程度较高的问题,基于大数据对拖拉机发动机故障检测系统进行了设计。系统主要组成为数据采集模块、数据库、智能分析模块、检测模块、信息查询和维护模块和检修模块。为了避免人工操作对故障检测的干扰,采用卷积神经网络的故障检测方式对拖拉机发动机进行故障类型识别,并对卷积神经网络结构进行设计,提升故障检测智能化水平。为验证发动机故障检测系统的有效性,通过温度和效率变化数据对系统进行测试和训练。试验结果表明:系统可以准确地检测和识别故障类别。     

基于人工智能的农用拖拉机发动机故障快速诊断研究

为了达到拖拉机发动机不解体故障诊断的目的,提高诊断效率,利用发动机缸盖的振动信号的采集原理,提出了一种基于神经网络的人工智能故障检测方法,并构建了拖拉机发动机振动信号采集系统。基于人工智能的拖拉机发动机故障诊断系统,综合运用信号采集技术、信号处理技术、数据库技术、神经网络技术和人工智能专家系统,实现了和数据库及具有强大信号分析的处理功能,提高了系统的诊断实时性和诊断精度。最后,采用田间试验方法,对拖拉机故障快速诊断系统进行了试验验证。试验结果表明:采用人工智能诊断方法不仅可以有效提高系统的准确率,而且诊断系统的响应更加迅速,并且曝晒、震动、灰尘等恶劣的现场环境中仍能保持正常工作的稳定性。     

基于虚拟仪器的联合收割机底盘测试系统

本文介绍了基于虚拟仪器开发平台LabVIEW的联合收割机底盘测试系统。该系统是通过外加负载,检测整机底盘的运行情况;通过对振动信号的分析处理,对故障作出诊断,并预测可能发生故障的部件。     

基于一维卷积神经网络与近似熵特征融合的水电机组故障诊断

针对水电机组振动信号存在非平稳和非线性,单一特征提取难以实现高精度故障诊断问题,提出了一种基于卷积神经网络和近似熵特征融合的故障诊断方法。利用卷积神经网络提取振动信号特征;EEMD与近似熵构建信号特征向量,将两种方法提取的状态特征融合构建融合特征向量;进一步,将融合特征作为输入、故障类别作为输出,训练BP神经网络得到水电机组故障识别器,识别水电机组运行状态,即正常或具体故障类型。结合转子实验台实验数据,验证了所提方法在挖掘信号特征方面的有效性及较高的故障诊断准确率。     

基于LabVIEW的发动机振动测试系统的开发

汽车发动机产生故障时,其关联部位的振动量将会有不同程度的增大,通过检测振动量可诊断发动机状态与故障信息.传统的检测仪器由于投资大、检测准确性及可靠性较差等缺陷,在实际应用中受到很大的制约.针对这种检测现状,基于先进的虚拟仪器技术,借助于传感器、信号调理器和数据采集卡等基本硬件,应用NI LabVIEW软件编制了振动数据采集与处理程序,研发了发动机振动测试系统,并将其应用于发动机缸盖螺栓拧紧力矩与机体振动量关系的振动测试中,得到了机体振动量较小时对应的螺栓最佳拧紧力矩范围,并与发动机生产厂家推荐的数据相吻合,从而验证了振动测试系统的可行性和正确性,为发动机振动测试提供了一种新的方法与途径,也为其他类似的振动测试与相关分析提供了参考.     

基于SVD-CWT和CNN的水轮发电机转子故障识别

水轮发电机转子振动故障识别是水电站运维的重难点问题,为此提出一种基于转子振动信号的故障识别方法。首先针对发电机转子的非平稳和非线性振动信号,采用奇异值分解（SVD）并结合能量差分谱理论进行降噪预处理;对预处理数据使用连续小波变换（CWT）转换为时频图并形成图像数据集;然后将该图像数据集作为卷积神经网络（CNN）输入,通过CNN多层池化及卷积形成分布式故障特征表达,最终实现发电机转子故障模式识别和分类。经实验验证,该方法准确率达到99.5%以上,能有效识别出发电机转子的故障类型。     

3060型联合收割机发动机减振系统的研究

根据振动理论进行参数设计和选择减振垫,建立了３０６０型联合收割机发动机系统振动模型,从而找出有效的减振措施。通过试验,检测了发动机振源对整机工作状态的影响,分析了不同减振垫的减振效果,并验证了理论推断     

融合小波和神经网络的发动机转子系统故障诊断

针对发动机转子系统不平衡、碰磨、油膜渦动3类故障,提出了一种融合小波与神经网络的故障诊断诊断算法.首先利用小波提取转子系统振动信号在各个频带上的能量特征信息,对能量特征采用B&B搜索算法进行特征选择之后,再利用BP神经网络识别转子系统的故障模式.实验结果表明,该方法对转子系统故障具有较高的识别率.     

神经网络及小波分析法在汽车发动机故障诊断中的应用研究

汽车发动机在使用过程中会出现一些故障,轻者会影响汽车安全运行,重者会导致交通事故,甚至人的生命安全。运用BP神经网络与小波分析法两种运算相结合的模式对发动机故障进行诊断,选择使用时间3年以上的汽车发动机进行实验,分别采集发动机在正常工作、进气管堵塞两种情况下的振动信号进行分析研究,确定了发动机故障的具体位置及严重程度,建立了波信号与发动机故障之间的规律,为汽车发动机故障诊断技术提供了借鉴。     

改进VMD和LSTM的联合收割机装配质量检测方法

针对联合收割机装配精度不高和装配质量难以检测的问题,提出一种基于麻雀搜索算法(SSA)优化变分模态分解(VMD)和长短时记忆神经网络(LSTM)的联合收割机装配质量检测方法。该方法首先利用SSA算法自适应寻优得到最优VMD分解模态参数K和惩罚因子α,然后利用最佳参数组合［K,α］将联合收割机振动信号分解成不同中心频率的本征模态分量IMF,并对各个IMF分别进行联合特征提取组成特征向量,最后将联合特征向量作为LSTM的输入,实现不同故障特征的分类。分析结果表明,SSA-VMD-联合特征提取方法分类准确率为98.1%,分别比集合经验模态分解(EEMD)和固定参数VMD高7.1%和6.1%,验证所提方法对联合收割机装配质量检测的优越性。     

收割机轴承故障检测——基于虚拟仪器和小波神经网络

滚动轴承是收割机轮系系统中的重要部件,也是易损原件,其损伤容易引起旋转机械故障,因此对轴承故障的检测非常重要。针对轴承运行过程中的振动信号机理和特征,在信号时域和频率特征分析的基础上,提出了小波神经网络模式识别算法,可以智能化地识别轴承故障,并减小故障诊断的误差,提高故障类型判断的准确性。结合虚拟仪器开发软件LabVIEW,实现了故障检测过程的可视化显示功能,使收割机轴承故障的监测更加高效,提高了故障检测的智能化水平。     

基于小波包能量法的滚动轴承故障诊断

阐述了故障轴承振动与信号的关系,小波包的原理以及BP神经网络的工作原理和实现过程,并以滚动轴承故障诊断为例,提取了小波包节点能量作为振动信号特征参数,并训练BP神经网络,对故障模式进行识别。结果表明,如果神经网络设计合理,训练适当,则具有很强的故障识别能力。说明利用小波包能量法和BP神经网络进行滚动轴承振动诊断是可行、有效的。     

基于频谱法的收割机脱粒系统装配质量检测

联合收割机脱粒系统是联合收割机的核心部件,其装配质量不佳时往往导致收获率降低,甚至机械故障。针对脱粒分离装置装配质量难以检测的问题和单一频谱分析方法的不足,提出了联合幅度谱、功率谱和对数谱的多频谱分析的装配质量振动检测方法。通过采集联合收割机脱粒系统多部位的振动信号,通过不同的频谱分析方法进行分析,获得各个分析结果的交集,作为联合收割机脱粒系统装配质量的评价依据,降低了漏测和误测的概率,提升了装配质量检测结果的准确率。     

基于神经网络的发动机早期故障诊断研究

采用BP(Back Propagation)神经网络,借助德国莱尔浩福二合公司(Reilhofer KG)的德尔塔分析仪(delta-ANALYSER),将对发动机进行等角度采样的振动信号进行阶次分析所得到的阶次谱作为神经网络的输入,故障代码作为输出,对发动机进行早期故障诊断。结合企业自身优势,通过数十台发动机的台架耐久试验对神经网络进行了训练和验证。结果表明,经过大量案例训练过的神经网络对该企业发动机耐久试验过程中常出现的排气门断裂故障以及拉缸的诊断率达到95%,神经网络配合德尔塔分析仪进行发动机早期故障诊断达到了预期的效果,为发动机台架耐久试验早期故障诊断工作提供了一个有价值的方法。     

拖拉机发动机电气故障诊断方法研究——基于信号瞬态成分稀疏表示方法

由于拖拉机发动机工作时的噪声较大,其故障信号较难采集,而电气信号的输出较为平稳,因此可以通过电气信号的特征提取来诊断发动机的故障。发动机电气的故障信号一般是特征较为明显的瞬态信号,有多种检测方法,信号的特征不同,各种方法的检测性能也会存在差异。本次提出了一种基于小波和稀疏表示的瞬态信号检测方法,并搭建了虚拟仪器平台对发动机的故障信号进行了检测。结果表明:采用小波和信号成分稀疏表示可以成功地提取发动机电气故障的瞬态信号特征,然后将信号特征和经验特征进行比对,便可以判断发动机电气的故障类型,为拖拉机发动机故障诊断的研究提供了重要的数据参考。     

基于主成分分析和遗传支持向量机的发动机故障诊断

为了实现发动机故障的快速实时诊断,提出一种基于主成分分析（PCA）和遗传支持向量机（GA-SVM）的发动机故障诊断方法。该方法利用振动信号经小波变换和主元分析来提取故障特征,以减少信号的冗余。针对人为选择SVM参数的盲目性,应用遗传算法优化其参数,并与BP神经网络（BPNN）比较。试验结果表明：GA-SVM比BPNN具有更强的分类识别能力,小样本故障诊断正确率达100%。     

基于主成分分析和遗传支持向量机的发动机故障诊断

为了实现发动机故障的快速实时诊断,提出一种基于主成分分析（PCA）和遗传支持向量机（GA-SVM）的发动机故障诊断方法。该方法利用振动信号经小波变换和主元分析来提取故障特征,以减少信号的冗余。针对人为选择SVM参数的盲目性,应用遗传算法优化其参数,并与BP神经网络（BPNN）比较。试验结果表明：GA-SVM比BPNN具有更强的分类识别能力,小样本故障诊断正确率达100%。     

农用汽车发动机状态监测系统与诊断方法研究

通过多种信号收集、分析处理系统的设计、故障诊断系统的搭建等对农用汽车发动机的运行性能及故障状态检测、信号搜集与处理算法的研究等进行了详细的阐述,并且提出了一种依托于信息融合的BP神经网络农用汽车发动机故障诊断方法。经过大量的实验论证,该系统拥有运行稳定、诊断准确等优点,可以满足当前的诊断需求。     

农用汽车发动机状态监测系统与诊断方法研究

为及时诊断农用汽车发动机的工作性能和故障状态,设计了多类信号采集、分析处理系统。通过对农用汽车发动机监测信号的采集、处理、融合和诊断,搭建了发动机故障诊断平台。详细介绍了故障诊断系统的基本思想和网络架构,重点研究了信号的采集和处理算法,提出并建立了一种基于信息融合的BP神经网络农用汽车发动机故障诊断算法。在线实验表明:系统具有运行稳定、鲁棒性好及诊断精度高的特点,能够满足实际诊断需求。     

基于神经网络的柴油机故障诊断

本文分三种工况,在X4105BD2型柴油机缸盖、缸壁上测取了柴油机燃油系统正常工作状态和五种故障状态下的振动信号。对这些振动信号提取时域特征参数,把这些时域特征参数作为故障征兆向量,研究柴油机BP神经网络故障诊断方法。