CN110108957A - 一种基于结构分析法的拖拉机电气故障诊断方法 - Google Patents
一种基于结构分析法的拖拉机电气故障诊断方法 Download PDFInfo
- Publication number
- CN110108957A CN110108957A CN201910373647.1A CN201910373647A CN110108957A CN 110108957 A CN110108957 A CN 110108957A CN 201910373647 A CN201910373647 A CN 201910373647A CN 110108957 A CN110108957 A CN 110108957A
- Authority
- CN
- China
- Prior art keywords
- fault
- failure
- tractor
- equation
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/04—Testing internal-combustion engines
- G01M15/05—Testing internal-combustion engines by combined monitoring of two or more different engine parameters
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/005—Testing of electric installations on transport means
- G01R31/006—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks
- G01R31/007—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks using microprocessors or computers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Computer Hardware Design (AREA)
- Theoretical Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种基于结构分析法的拖拉机电气故障诊断方法,包括以下步骤:S1:整理拖拉机典型电气故障检测的历史数据;S2:抽取典型的故障数据;S3:建立拖拉机故障模型;S4:根据建立的故障模型,绘制结构表征图,分析模型内部未知量与模型方程之间的关系,判断模型中所有故障的可检测性;S5:求解模型中的最小型超定方程集,并筛选出合适的测试集;S6:根据测试集,推导出序列残差;S7:根据综合系统特性、残差和诊断需求,选取诊断策略,完成检测系统的建立;解决了传统方法劳动强度大,自动化程度落后,检测效率低下,检测数据记录繁琐,难以对拖拉机电气故障进行精确,高效的检测、故障辨识和数据分析的问题。
Description
技术领域
本发明涉及电气故障诊断领域,特别是一种基于结构分析法的拖拉机电气 故障诊断方法。
背景技术
拖拉机作为典型农机装备产品,电气设备在拖拉机上所占比重也越来越高, 所以对于拖拉机电气故障的下线检测技术的研究也日益重要,这对于提高拖拉 机的质量,确保拖拉机安全、可靠具有重要意义。然而目前的拖拉机下线检测 技术还停留在传统的人工检测阶段,依靠工人的经验进行判断,有直接观察法、 断路实验法、万用表检测法、短接实验法、搭铁试火法。这些传统方法劳动强 度大,自动化程度落后,检测效率低下,检测数据记录繁琐,难以对拖拉机电 气故障进行精确,高效的检测、故障辨识和数据分析。
发明内容
为解决现有技术中存在的问题,本发明提供了一种基于结构分析法的拖拉 机电气故障诊断方法,解决了传统方法劳动强度大,自动化程度落后,检测效 率低下,检测数据记录繁琐,难以对拖拉机电气故障进行精确,高效的检测、 故障辨识和数据分析的问题。
一种基于结构分析法的拖拉机电气故障诊断方法,包括以下步骤:
S1:整理拖拉机典型电气故障检测的历史数据;
S2:抽取典型的故障数据;
S3:建立拖拉机故障模型;
S5:根据建立的故障模型,绘制结构表征图,分析模型内部未知量与模型 方程之间的关系,判断模型中所有故障的可检测性;
S4:求解模型中的最小型超定方程集,并筛选出合适的测试集;
S5:根据测试集,推导出序列残差;
S6:根据综合系统特性、残差和诊断需求,选取诊断策略,完成检测系统 的建立;
S7:根据拖拉机下线检测值,求得故障特征参数并依次排列,得出故障向 量,从而定位到系统故障。
优选地,S1的拖拉机典型电气故障检测的历史数据包括拖拉机电器故障、 发动机故障和传动系统故障;拖拉机电器故障包括压降过大、电压过低和内阻 过大;发动机故障包括气缸或气门漏气、连杆弯曲或扭曲、曲轴故障;传动系 统故障包括变速器齿轮磨损和离合器轴承磨损。
优选地,蓄电池故障模型为:
E=V+(R+fR)i+u
yv=V+fV
其中,fR表示电池内阻故障参数,yV表示电池输出电压传感器的测量值,fV表示电池输出电压传感器的偏差值,E是电池电动势,V是工作电压,R是电阻 元件阻值,i是工作电流,u是极化电压,C是电容;
发动机故障模型为:
Teng=heng(a,weng)·fk+hgas(a)·fgas
其中,fk为连杆弯曲或扭曲故障参数,fgas为气缸或气门漏气故障参数,heng表示惯性力产生的发动机阻力矩部分,hgas表示气缸压强产生的发动机阻力矩部 分,Teng是发动机阻力矩,weng是曲轴转速,为发动机曲轴故障参数;
传动系统故障模型为:
wm=r0·weng
其中,KT是变速器传动效率系数,r0是变速器输出轴与曲轴的传动比,Jeng是其与连杆机构整体转动惯量,是离合器轴承磨损故障参数,wm为变速器输 出转速。
优选地,S4包括以下子步骤:
S41:各种故障模型中的变量可分为三类:已知变量,为传感器测量值;未 知变量,为模型状态变量;故障变量,为对应系统各故障模式;
已知变量:
{yu,yi,ywm,yv,ywm,yweng}
未知变量:
{a,u,i,R,wm,weng,TL,Teng,KT,v}
故障变量:
{fu,fi,fR,fgas,fwm,fk,fweng,fv,fkT}
S42:依据故障模型建立拖拉机电气系统的结构表征图;
S43:将结构表征图转化为矩阵形式;
S44:用MATLAB软件中dmperm指令对未知变量进行DM分解,可将系统 模型分为三个不同区域:
区域一:结构欠定部分M-,为未知变量的数目多于方程数;
区域二:结构正定部分0M,为未知变量的数目等于方程数;
区域三:结构超定部分M+,为未知变量的数目少于方程数;
S45:若方程中的故障f位于结构超定部分,则故障f可测,通过DM分解结 果图判断是否所有故障都可检测,若可测则进行S6。
优选地,S5包括以下子步骤:
S51:判断模型方程集合是否为完全结构超定集合,若方程个数大于其包含 的未知变量的模型方程集合M等于其结构超定部分M+,则集合M为完全结构 超定集合;
S52:求取完全结构超定集合M的冗余度为集合内方程个数减去 未知变量个数;
S53:当且仅当完全结构超定集合M的冗余度时,集合M为结构最 小型超定方程集。
优选地,S6包括以下子步骤:
S61:确定测试集中的一个等式作为一致性关系,将其作为生成残差的最后 一步,而其他方程则用于求解该方程中的所有未知量。最后得出残差,用于诊 断对应测试集中的故障;
S62:测试集MSO1主要功能在于检测与电池模型相关的电池内阻和输出电 压传感器故障,因此选择同时包含电池内阻R1和输出电压V的方程作为测试 集MSO1的一致性关系:
E=V+R·i+uc
S63:由一致性关系得到测试集MSO1的残差r1定义为:
r1=E-V-R·i-uc
残差r1可用于诊断拖拉机蓄电池电压故障、蓄电池电流故障、气缸或气门 漏气故障、发动机连杆弯曲或扭曲故障和蓄电池输出电压传感器故障;
测试集MSO2和测试集MSO3的残差计算与MSO1计算公式一样,MSO2的残 差r2可用于诊断蓄电池内阻故障、气缸或气门漏气故障、发动机连杆弯曲或扭 曲故障、变速器齿轮磨损、发动机曲轴磨损、离合器轴承磨损;MSO3的残差 r3可用于诊断蓄电池电压故障、蓄电池电流故障、变速器齿轮磨损故障、发动 机曲轴磨损、蓄电池输出电压传感器故障、离合器轴承磨损。
优选地,S7包括以下步骤:
S71:根据CUSUM测试评价方法,用公式R(i)(t)=∫0 tri(t)dt i={1,2,3}对 残差值进行求和;
S72:以固定的可行域作为观测值的评价标准,当观测值超出可行域则系统 存在故障,若未超出则系统无故障,定义如下故障特征参数;
优选地,S8包括以下步骤:
S81:根据拖拉机下线检测中蓄电池、发动机和传动系统的检测值与可行域 的包含关系,由故障特征参数公式,求得各故障特征参数值;
S82:将各故障参数值参数值依次排列,求得故障特征向量;
S83:查询故障特征向量对照表,找到该故障特征向量对应的故障变量;
S84:根据故障参数的定义,获得确切的系统故障。
本发明基于结构分析法的拖拉机电气故障诊断方法的有益效果如下:
通过少量观测值的变化情况判断多种系统故障存在情况。在结构相对复杂 且故障形式多样的拖拉机中,该方法可有效提高诊断系统的效率,简化诊断策 略,提高了采集数据处理过程的自动化水平和拖拉机整机产品下线电气故障检 测的工作效率。
附图说明
图1为本发明基于结构分析法的拖拉机电气故障诊断方法的方法流程图。
图2为本发明基于结构分析法的拖拉机电气故障诊断方法的结构表征图。
图3为本发明基于结构分析法的拖拉机电气故障诊断方法的DM分解结果图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理 解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的 普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精 神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保 护之列。
如图1所示,一种基于结构分析法的拖拉机电气故障诊断方法,包括以下步 骤:
S1:整理拖拉机典型电气故障检测的历史数据;
S2:抽取典型的故障数据;
S3:建立拖拉机故障模型;
S4:根据建立的故障模型,绘制结构表征图,分析模型内部未知量与模型 方程之间的关系,判断模型中所有故障的可检测性;
S5:求解模型中的最小型超定方程集,并筛选出合适的测试集;
S6:根据测试集,推导出序列残差;
S7:根据综合系统特性、残差和诊断需求,选取诊断策略,完成检测系统 的建立;
S8:根据拖拉机下线检测值,求得故障特征参数并依次排列,得出故障向 量,从而定位到系统故障。
本实施方案在实施时,第一步,根据历史检测数据,建立拖拉机发动机、 传动系统、蓄电池的故障模型。
建立的蓄电池故障模型为:
E=V+(R+fR)i+u
yV=V+fV
其中,fR表示电池内阻故障参数,yV表示电池输出电压传感器的测量值,fV表示电池输出电压传感器的偏差值。E是电池电动势,V是工作电压,R是电阻 元件阻值,i是工作电流,u是极化电压,C是电容。
建立的发动机故障模型为:
Teng=heng(a,weng)·fk+hgas(a)·fgas
其中,fk为连杆弯曲或扭曲故障参数,fgas为气缸或气门漏气故障参数,heng表示惯性力产生的发动机阻力矩部分,hgas表示气缸压强产生的发动机阻力矩部 分,Teng是发动机阻力矩,weng是曲轴转速,为发动机曲轴故障参数。
建立的传动系统故障模型为:
wm=r0·weng
其中,KT是变速器传动效率系数,r0是变速器输出轴与曲轴的传动比,Jeng是其与连杆机构整体转动惯量,是离合器轴承磨损故障参数,wm为变速器输 出转速。
从而可整理得拖拉机的故障模型为
e1:E=V+(R+fR)i+u
e3:Teng=heng(a,weng)·fk+hgas(a)·fgas
e5:wm=r0·weng
e6:yv=V+fV
e8:yu=U+fu
e9:yi=i+fi
e10:ywm=wm+fwm
第二步,其特征在于各种故障模型中的变量可分为三类:已知变量,即传 感器测量值;未知变量,即模型状态变量;故障变量,对应系统各故障模式。 三种变量的集合如下:
已知变量:
{yu,yi,ywm,yv,yweng}
未知变量:
{a,u,i,R,wm,weng,TL,Teng,KT,v}
故障变量:
{fu,fi,fR,fgas,fwm,fk,fweng,fv,fkT}
并依据此建立拖拉机电气系统的结构表征图,如附图2所示。再将该图转 化为矩阵形式,并用MATLAB软件中dmperm指令对未知变量进行DM分解, 得到DM分解结果图,结果显示所有的关键故障都位于结构超定部分M+,如 图3所示,因此所有故障都可检测,进行下一步。
第三步,然后使用MATLAB工具箱获得全部的最小型超定方程集,再根据 结构最小型超定方程集中方程的个数和所包含的故障变量关系,综合选取测试 集。本方法中选取的测试集有3个。每个测试集对应方程如表1所示。每个测 试集对应的故障如表2所示,fu,fi,fR,fgas,fwm,fk,fweng,fv,fkT分别为拖拉机蓄电池电压 故障、蓄电池电流故障、蓄电池内阻故障、气缸或气门漏气故障、变速器齿轮 磨损故障、发动机连杆弯曲或扭曲故障、发动机曲轴磨损故障、蓄电池输出电 压传感器故障、离合器轴承磨损故障,MSOi为第i个测试集(i=1,2,3)。
表1测试集所包含的方程
表2测试集对应的故障
MSO | f<sub>u</sub> | f<sub>i</sub> | f<sub>R</sub> | f<sub>gas</sub> | f<sub>wm</sub> | f<sub>k</sub> | f<sub>weng</sub> | f<sub>v</sub> | f<sub>kT</sub> |
MSO1 | √ | √ | √ | √ | √ | ||||
MSO2 | √ | √ | √ | √ | √ | √ | |||
MSO3 | √ | √ | √ | √ | √ | √ |
第四步,分别对MSO1、MSO2和MSO3求残差。需要先确定测试集中的 一个等式作为一致性关系,将其作为生成残差的最后一步,而其他方程则用于 求解该方程中的所有未知量,最后得出残差,用于诊断对应测试集中的故障。
测试集MSO1主要功能在于检测与电池模型相关的电池内阻和输出电压传 感器故障,因此选择同时包含电池内阻R1和输出电压V的方程作为测试集 MSO1的一致性关系:
E=V+R·i+uc
由一致性关系得到测试集MSO1的残差r1定义为:
r1=E-V-R·i-uc
残差r1及可用于诊断拖拉机蓄电池电压故障、蓄电池电流故障、气缸或气 门漏气故障、发动机连杆弯曲或扭曲故障和蓄电池输出电压传感器故障。
测试集MSO2和测试集MSO3的残差计算与MS1类似,MSO2的残差r2 可用于诊断蓄电池内阻故障、气缸或气门漏气故障、发动机连杆弯曲或扭曲故 障、变速器齿轮磨损、发动机曲轴磨损、离合器轴承磨损,MSO3的残差r3可 用于诊断蓄电池电压故障、蓄电池电流故障、变速器齿轮磨损故障、发动机曲 轴磨损、蓄电池输出电压传感器故障、离合器轴承磨损。
第五步,用CUSUM测试评价方法,用公式对残差值进行求和,再以固定的可行域作为观测值的评价标准,当观测值超出 可行域则系统存在故障,若未超出则系统无故障,定义如下故障特征参数。
并得到故障特征向量对照表,如表3所示。
表3故障特征向量对照表
特征参数 | f<sub>u</sub> | f<sub>i</sub> | f<sub>R</sub> | f<sub>gas</sub> | f<sub>wm</sub> | f<sub>k</sub> | f<sub>weng</sub> | f<sub>v</sub> | f<sub>kT</sub> |
f<sub>R(1)</sub> | 1 | 1 | 1 | 1 | 1 | ||||
f<sub>R(2)</sub> | 1 | 1 | 1 | 1 | 1 | 1 | |||
f<sub>R(3)</sub> | 1 | 1 | 1 | 1 | 1 | 1 |
在实际的策略实施时,以故障特征向量:F=(fR(1),fR(2),fR(3))作为系统故障 检测与隔离的依据。
第六步,根据拖拉机下线检测中蓄电池、发动机和传动系统的检测值与可 行域的包含关系,由故障特征参数公式,求得各故障特征参数值;再将上述参 数值依次排列,求得故障特征向量;然后查询故障特征向量对照表,找到该故 障特征向量对应的故障变量;最后根据故障参数的定义,获得确切的系统故障。
Claims (8)
1.一种基于结构分析法的拖拉机电气故障诊断方法,其特征在于,包括以下步骤:
S1:整理拖拉机典型电气故障检测的历史数据;
S2:抽取典型的故障数据;
S3:建立拖拉机故障模型;
S4:根据建立的故障模型,绘制结构表征图,分析模型内部未知量与模型方程之间的关系,判断模型中所有故障的可检测性;
S5:求解模型中的最小型超定方程集,并筛选出合适的测试集;
S6:根据测试集,推导出序列残差;
S7:根据综合系统特性、残差和诊断需求,选取诊断策略,完成检测系统的建立;
S8:根据拖拉机下线检测值,求得故障特征参数并依次排列,得出故障向量,从而定位到系统故障。
2.根据权利要求1所述的基于结构分析法的拖拉机电气故障诊断方法,其特征在于,所述S1的拖拉机典型电气故障检测的历史数据包括拖拉机电器故障、发动机故障和传动系统故障;所述拖拉机电器故障包括压降过大、电压过低和内阻过大;所述发动机故障包括气缸或气门漏气、连杆弯曲或扭曲、曲轴故障;所述传动系统故障包括变速器齿轮磨损和离合器轴承磨损。
3.根据权利要求1所述的基于结构分析法的拖拉机电气故障诊断方法,其特征在于,蓄电池故障模型为:
E=V+(R+fR)i+u
yV=V+fV
其中,fR表示电池内阻故障参数,yV表示电池输出电压传感器的测量值,fV表示电池输出电压传感器的偏差值,E是电池电动势,V是工作电压,R是电阻元件阻值,i是工作电流,u是极化电压,C是电容;
发动机故障模型为:
Teng=heng(a,weng)·fk+hgas(a)·fgas
其中,fk为连杆弯曲或扭曲故障参数,fgas为气缸或气门漏气故障参数,heng表示惯性力产生的发动机阻力矩部分,hgas表示气缸压强产生的发动机阻力矩部分,Teng是发动机阻力矩,weng是曲轴转速,为发动机曲轴故障参数;
传动系统故障模型为:
wm=r0·weng
其中,KT是变速器传动效率系数,r0是变速器输出轴与曲轴的传动比,Jeng是其与连杆机构整体转动惯量,是离合器轴承磨损故障参数,wm为变速器输出转速。
4.根据权利要求1所述的基于结构分析法的拖拉机电气故障诊断方法,其特征在于,所述S4包括以下子步骤:
S41:各种故障模型中的变量可分为三类:已知变量,为传感器测量值;未知变量,为模型状态变量;故障变量,为对应系统各故障模式;
已知变量:
{yu,yi,ywm,yv,ywm,yweng}
未知变量:
{a,u,i,R,wm,weng,TL,Teng,KT,v}
故障变量:
{fu,fi,fR,fgas,fwm,fk,fweng,fv,fkT}
S42:依据故障模型建立拖拉机电气系统的结构表征图;
S43:将结构表征图转化为矩阵形式;
S44:用MATLAB软件中dmperm指令对未知变量进行DM分解,可将系统模型分为三个不同区域:
区域一:结构欠定部分M-,为未知变量的数目多于方程数;
区域二:结构正定部分0M,为未知变量的数目等于方程数;
区域三:结构超定部分M+,为未知变量的数目少于方程数;
S45:若方程中的故障f位于结构超定部分,则故障f可测,通过DM分解结果图判断是否所有故障都可检测,若可测则进行S6。
5.根据权利要求1所述的基于结构分析法的拖拉机电气故障诊断方法,其特征在于,所述S5包括以下子步骤:
S51:判断模型方程集合是否为完全结构超定集合,若方程个数大于其包含的未知变量的模型方程集合M等于其结构超定部分M+,则集合M为完全结构超定集合;
S52:求取完全结构超定集合M的冗余度 为集合内方程个数减去未知变量个数;
S53:当且仅当完全结构超定集合M的冗余度时,集合M为结构最小型超定方程集。
6.根据权利要求1所述的基于结构分析法的拖拉机电气故障诊断方法,其特征在于,所述S6包括以下子步骤:
S61:确定测试集中的一个等式作为一致性关系,将其作为生成残差的最后一步,而其他方程则用于求解该方程中的所有未知量,最后得出残差,用于诊断对应测试集中的故障;
S62:测试集MSO1主要功能在于检测与电池模型相关的电池内阻和输出电压传感器故障,因此选择同时包含电池内阻R1和输出电压V的方程作为测试集MSO1的一致性关系:
E=V+R·i+uc
S63:由一致性关系得到测试集MSO1的残差r1定义为:
r1=E-V-R·i-uc
残差r1可用于诊断拖拉机蓄电池电压故障、蓄电池电流故障、气缸或气门漏气故障、发动机连杆扭曲或弯曲故障和蓄电池输出电压传感器故障;
测试集MSO2和测试集MSO3的残差计算与MSO1计算公式一样,MSO2的残差r2可用于诊断蓄电池内阻故障、气缸或气门漏气故障、发动机连杆扭曲或弯曲故障、变速器齿轮磨损、发动机曲轴磨损、离合器轴承磨损;MSO3的残差r3可用于诊断蓄电池电压故障、蓄电池电流故障、变速器齿轮磨损故障、发动机曲轴磨损、蓄电池输出电压传感器故障、离合器轴承磨损。
7.根据权利要求1所述的基于结构分析法的拖拉机电气故障诊断方法,其特征在于,所述S7包括以下步骤:
S71:根据CUSUM测试评价方法,用公式对残差值进行求和;
S72:以固定的可行域作为观测值的评价标准,当观测值超出可行域则系统存在故障,若未超出则系统无故障,定义如下故障特征参数;
8.根据权利要求1所述的基于结构分析法的拖拉机电气故障诊断方法,其特征在于,所述S8包括以下步骤:
S81:根据拖拉机下线检测中蓄电池、发动机和传动系统的检测值与可行域的包含关系,由故障特征参数公式,求得各故障特征参数值;
S82:将各故障参数值参数值依次排列,求得故障特征向量;
S83:查询故障特征向量对照表,找到该故障特征向量对应的故障变量;
S84:根据故障参数的定义,获得确切的系统故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910373647.1A CN110108957B (zh) | 2019-05-07 | 2019-05-07 | 一种基于结构分析法的拖拉机电气故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910373647.1A CN110108957B (zh) | 2019-05-07 | 2019-05-07 | 一种基于结构分析法的拖拉机电气故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110108957A true CN110108957A (zh) | 2019-08-09 |
CN110108957B CN110108957B (zh) | 2020-06-02 |
Family
ID=67488436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910373647.1A Active CN110108957B (zh) | 2019-05-07 | 2019-05-07 | 一种基于结构分析法的拖拉机电气故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110108957B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113291234A (zh) * | 2021-04-29 | 2021-08-24 | 安徽泗州拖拉机制造有限公司 | 一种基于物联网的拖拉机故障预警系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537134A (zh) * | 2014-06-16 | 2015-04-22 | 北京空间飞行器总体设计部 | 一种动态级联耦合机电系统的可靠性建模与评估方法 |
US20150183284A1 (en) * | 2013-12-31 | 2015-07-02 | Hyundai Motor Company | Method of recognizing trailer of tractor vehicle |
CN106197996A (zh) * | 2016-06-24 | 2016-12-07 | 南京理工大学 | 基于多元数据的海上起重机齿轮箱故障诊断装置及方法 |
CN106597178A (zh) * | 2017-01-18 | 2017-04-26 | 重庆水利电力职业技术学院 | 一种继电保护测试装置lpa的anfis数字预畸方法 |
CN109100614A (zh) * | 2018-09-28 | 2018-12-28 | 东北大学 | 一种基于pmu装置的输电线路故障定位系统及方法 |
CN109472110A (zh) * | 2018-11-29 | 2019-03-15 | 南京航空航天大学 | 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法 |
-
2019
- 2019-05-07 CN CN201910373647.1A patent/CN110108957B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150183284A1 (en) * | 2013-12-31 | 2015-07-02 | Hyundai Motor Company | Method of recognizing trailer of tractor vehicle |
CN104537134A (zh) * | 2014-06-16 | 2015-04-22 | 北京空间飞行器总体设计部 | 一种动态级联耦合机电系统的可靠性建模与评估方法 |
CN106197996A (zh) * | 2016-06-24 | 2016-12-07 | 南京理工大学 | 基于多元数据的海上起重机齿轮箱故障诊断装置及方法 |
CN106597178A (zh) * | 2017-01-18 | 2017-04-26 | 重庆水利电力职业技术学院 | 一种继电保护测试装置lpa的anfis数字预畸方法 |
CN109100614A (zh) * | 2018-09-28 | 2018-12-28 | 东北大学 | 一种基于pmu装置的输电线路故障定位系统及方法 |
CN109472110A (zh) * | 2018-11-29 | 2019-03-15 | 南京航空航天大学 | 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法 |
Non-Patent Citations (2)
Title |
---|
索南加乐等: "基于参数识别的继电保护原理初探", 《电力系统及其自动化学报》 * |
陈奇等: "基于结构分析法的故障诊断理论及其应用研究", 《汽车工程》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113291234A (zh) * | 2021-04-29 | 2021-08-24 | 安徽泗州拖拉机制造有限公司 | 一种基于物联网的拖拉机故障预警系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110108957B (zh) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114813105A (zh) | 一种基于工况相似性评估的齿轮箱故障预警方法及系统 | |
CN102460529B (zh) | 装置异常监视方法以及系统 | |
JP4133627B2 (ja) | 建設機械の状態判定装置及び建設機械の診断装置,並びに建設機械の状態判定方法及び建設機械の診断方法 | |
CN109782603A (zh) | 旋转机械耦合故障的检测方法及监测系统 | |
CN107305370A (zh) | 设定与产品的异常相关的变量的判定值的生产系统 | |
CN113378725B (zh) | 一种基于多尺度-通道注意力网络的刀具故障诊断方法、设备及存储介质 | |
CN113188794B (zh) | 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置 | |
JPH08202444A (ja) | 機械設備の異常診断方法および装置 | |
Ebrahimi et al. | Intelligent fault classification of a tractor starter motor using vibration monitoring and adaptive neuro-fuzzy inference system | |
CN104234695A (zh) | 一种基于神经网络的油井故障诊断方法 | |
CN110108957A (zh) | 一种基于结构分析法的拖拉机电气故障诊断方法 | |
CN114492511A (zh) | 一种基于数字孪生的故障诊断方法 | |
CN117350377A (zh) | 一种基于知识图谱驱动的设备故障诊断方法及装置 | |
CN105697455B (zh) | 对汽车变速器液压系统进行油路监测的方法 | |
CN106053090A (zh) | 一种燃气轮机的近邻异常检测系统 | |
CN113011256B (zh) | 基于小样本学习的跨类别故障诊断方法、系统及存储介质 | |
CN114444222A (zh) | 相似度计算模型、跨类别数据诊断模型、方法和系统 | |
Swędrowski et al. | Use of neural networks in diagnostics of rolling-element bearing of the induction motor | |
CN116756986A (zh) | 一种驱动电机稳态可靠性测试工况构建方法及系统 | |
CN105760672A (zh) | 一种机械设备故障诊断方法 | |
Sid et al. | Self-organizing map approach for classification of electricals rotor faults in induction motors | |
CN110695766A (zh) | 刀具状态检测系统 | |
CN112621381B (zh) | 机床进给系统健康状态智能评估方法及装置 | |
Yandagsuren et al. | Research on vibration-based early diagnostic system for excavator motor bearing using 1-D CNN | |
Jarrah et al. | Web-based monitoring and fault diagnostics of machinery |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |