关键词:
故障诊断
动态时间规整
回声状态网络
高斯贝叶斯分类器
液压机械无级变速箱
摘要:
拖拉机液压机械无级变速箱(Hydro-Mechanical Continuously Variable Transmission,HMCVT)是一种高度自动化的机电液一体化系统,一旦出现故障,不仅故障排查困难、耽误农时,严重时会威胁到作业和行驶安全。由于研究起步较晚,我国缺乏其制造、控制和使用经验,致使变速箱传动系统,尤其是其换段液压系统的工作可靠性问题成为制约其产业化应用的关键瓶颈。为了提高其换段过程的可靠性,本文对其液压系统的故障诊断问题进行了研究:(1)针对当前液压机械无级变速箱故障数据缺乏的问题,搭建了故障诊断试验台实时采集故障数据,并针对样本分割的需求提出了改进的动态时间规整算法。通过对液压机械无级变速箱液压系统常见故障产生机理的分析,以油道泄漏、油道堵塞、密封圈损坏、电磁阀阀芯卡死、离合器活塞卡死几种常见故障类型作为研究对象,采集不同工况下的压力数据,并进行了去噪与整合处理。针对数据采集时出现的断点问题,提出预先使用自顶向下分割方法来加速传统的DTW算法,同时改进DTW距离计算公式,基于相似度计算实现数据样本的分割。该方法极大提高了样本分割的准确性和计算速度。(2)针对重型离合器控制下的液压系统故障特征的高维、非线性和冗余特性,提出了一种基于时间窗和主成分分析的高斯朴素贝叶斯分类方法。该方法利用时间窗截取离合器压力数据,借助主成分分析方法提取故障特征,通过高斯朴素贝叶斯分类器完成故障诊断。试验结果表明,该方法减少了不必要的维度和数据冗余,相较于传统机器学习方法,有更高的平均准确率和召回率,分别为97%和87%。该方法对于故障快速定位与维修、设备运行稳定性和安全性的提升等方面具有重要意义,并可为类似领域的研究提供参考。(3)针对轻型离合器控制下的液压系统,其故障发展的渐变性和故障数据的庞大性以及故障特征的隐蔽性等特点,提出了一种基于改进回声状态网络的故障分类模型。该模型利用回声状态网络的储备池结构,使得时间序列产生丰富的回声状态特征。使用多尺度卷积来取代回声网络中的线性回归算法,克服了简单线性回归算法对高维特征解码能力不足的问题。与此同时,模型引入注意力机制,可提高其对敏感时间段的注意。试验结果表明,本文所提出的改进网络Attention_Conv ESN的故障诊断率可达到96.98%。本方法不仅有效的提高了故障诊断的准确率,而且大幅减少了训练参数,提高了模型运算速度,具有更优的故障诊断性能。(4)为了进一步实现可视化分析和精准管控,本文基于实际需求设计并开发了液压机械无级变速箱的工况监测系统。该系统具有数据可视化展示、故障智能诊断、监测设备管理等功能,能够实现工况数据的在线实时存储、展示和报警处理。本研究所开发的监测系统具有交互性好、实时性强、可靠性高等特点,可以为装备了液压机械无级变速箱的拖拉机提供一种高效的、智能化的监管系统,大大提高了工作效率和管理水平,对于提升设备的稳定性、可靠性和安全性具有重要意义。