《表1 8种潜在故障特征:基于混合神经网络的联合收割机故障预测》
在实际应用中,由于联合收割机本身的复杂性和传感器安装条件的高要求,技术人员无法对所有的状态进行监测,往往只选择表征关键性能的参数进行监测。同时,本文建立的模型仅针对慢性变化的故障,不考虑突发故障的影响,选择对联合收割机的动力、收获及脱粒和输送系统的故障进行预测,选择纳入模型的状态监测参数包括最大压力(P1)、次最大压力(P2)、波形幅度(P3)、起喷压力(P4)、收割滑差率(P5)、静液压传动系统压力(P6)、HST冷却器入口温度(P6)、HST冷却器出口温度(P7)、谷物流量(P8)和振动幅度(P9),以及驱动桥壳动载荷(P10)。在联合收割机中直接影响整体工作的故障有割台移动受阻、滚筒脱粒异常、供油量不足、油孔阻塞、针阀泄露和出油阀失效等,而上述故障在尚未发生时的潜在故障状态,可分为:易断裂(T1)、谷物易损失(T2)、易堵塞(T3)、滚筒易卡死(T4)、易磨损(T5)、针阀易卡死(标定油量T6)、油路易泄露(T7)和出油阀易破裂(T8) 8种准故障表现形式。根据设备历史监测参数与状态的关系选取典型的参数组合,对其进行归一化和标准化后,每种潜在故障特征与其典型监测参数组合的对应关系如表1所示。
图表编号 | XD00193220000 严禁用于非法目的 |
---|---|
绘制时间 | 2021.02.20 |
作者 | 聂国健、李泉洲、胡宁、蒋诗新、陈冰泉 |
绘制单位 | 工业和信息化部电子第五研究所、工业装备质量大数据工业和信息化部重点实验室、西安赛宝工业技术研究院有限公司、工业和信息化部电子第五研究所、工业装备质量大数据工业和信息化部重点实验室、西安赛宝工业技术研究院有限公司、工业和信息化部电子第五研究所、工业装备质量大数据工业和信息化部重点实验室、西安赛宝工业技术研究院有限公司、工业和信息化部电子第五研究所、工业装备质量大数据工业和信息化部重点实验室、西安赛宝工业技术研究院有限公司、工业和信息化部电子第五研究所、工业装备质量大数据工业和信息化部重点实验室、西安赛宝工业 |
更多格式 | 高清、无水印(增值服务) |