CN113111564B - 基于自适应预测区间内置式芦苇收割机健康状态评估方法 - Google Patents
基于自适应预测区间内置式芦苇收割机健康状态评估方法 Download PDFInfo
- Publication number
- CN113111564B CN113111564B CN202110569159.5A CN202110569159A CN113111564B CN 113111564 B CN113111564 B CN 113111564B CN 202110569159 A CN202110569159 A CN 202110569159A CN 113111564 B CN113111564 B CN 113111564B
- Authority
- CN
- China
- Prior art keywords
- reed harvester
- determining
- prediction interval
- health state
- header
- 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.)
- Active
Links
- 235000014676 Phragmites communis Nutrition 0.000 title claims abstract description 54
- 238000011156 evaluation Methods 0.000 title claims abstract description 7
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 6
- 230000004913 activation Effects 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 230000005251 gamma ray Effects 0.000 claims description 3
- 230000003902 lesion Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 241001124569 Lycaenidae Species 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了基于自适应预测区间内置式芦苇收割机健康状态评估方法,该方法包括:S1.芦苇收割机割台结构最大应力的确定;S2.内置式割台结构的设计;S3.基于自适应的特征预测区间的确定;S4.基于预测区间的安全阈值的确定;S5.芦苇收割机割台健康状态的确定。该方法监测精度高,对于实现确定芦苇收割机健康状态具有重要的现实意义。
Description
技术领域
本发明涉及芦苇收割机,特别涉及基于自适应预测区间内置式芦苇收割机健康状态评估方法。
背景技术
随着农业经济快速发展,科技飞速进步,农业机械化率大幅度提升,芦苇收割机在现代化农业生产中的地位日益突出,芦苇收割机主要部件割台的安全问题愈发受到重视。因此,在芦苇收割机的工作过程中对其割台进行实时健康状态评估是必要的。
目前现有的芦苇收割机割台安全监测方法,通常是现场布置传感器采集芦苇收割机的振动信号等,对振动信号的进行频谱分析提取特征进行诊断,但此方法现场采集繁琐不方便、并且有外加载荷的影响,会导致精度不高。鉴于此,本文考虑内嵌式和自适应预测区间的安全预警方式从而实现芦苇收割机割台自检测功能,可以较好的监测芦苇收割机割台健康状态。
发明内容
发明目的:本发明目的是提供一种基于自适应预测区间内置式芦苇收割机健康状态评估方法,该方法监测精度高。内置式芦苇收割机指在现有芦苇收割机的割台布置传感器。
技术方案:本发明提供一种基于自适应预测区间内置式芦苇收割机健康状态评估方法包括如下步骤:
S1、芦苇收割机割台结构最大应力的确定;
S2、内置式割台结构的设计;
S3、基于自适应的特征预测区间的确定;
S4、基于预测区间的安全阈值的确定;
S5、芦苇收割机割台健康状态的确定。
进一步地,S1芦苇收割机割台结构最大应力的确定:
将芦苇收割机作业结构的三维模型导入有限元分析软件ANSYS中,采用自动网格划分模式对芦苇收割机结构三维模型进行网格化划分,在前处理模块中施加工况载荷,然后对后处理结果进行求解,确定芦苇收割机割台结构的最大应力、应变值条件下结构最易发生损伤的区域。
进一步地,S2内置式割台结构的设计:
对芦苇收割机割台最易发生损伤的区域通过内置传感器的方式进行监测,并在该区域按等边三角形布置法对每个损伤区域内置3个振动传感器,实时对第i个损伤区域的振动量进行采集以获取每个传感器所对应的振动量Aij,i为损伤区域的编号,j为第i号区域所对应的第j个传感器,j=1,2,3。
进一步地,S3基于自适应的特征预测区间的确定:
在S2的基础上,在MATLAB程序中对0到t时间范围内所对应的振动量Aij进行参数函数的拟合,获得5阶特定下振动量Aij(t)所对应的最佳特定函数。
Aij(t)=γ1t5+γ2t4+γ3t3+γ4t2+γ5t+γ6
其中,Aij(t)为5阶特定下振动量的最佳特定函数;t为时间;γ1,γ2,γ3,γ4,γ5,γ6为5阶特定函数的最佳拟合系数。
在Labview软件中对0到t时间范围内所对应的振动量Aij进行特征βi的获取。
式中,Aij(t)为5阶特定下振动量的最佳特定函数;t为时间;j为第i号区域所对应的第j个传感器;i为损伤区域的编号;N为损伤区域编号的最大值;βi为对应的振动量Aij的特征。
将计算得到的每个区域的振动区域特征βi导入到MATLAB程序中在三层前馈神经网络下对其进行训练,从而预测区间[Dmin,Dmax]范围。
Dmax=Aij(t)+1.96S
Dmin=Aij(t)-1.96S
输出变量可由两个激活函数算得:
其中,Dmin为预测区间的下限值;Dmax为预测区间的上限值;δ为残差;S为标准差;pj(j=1,2,...,k)、ti(i=1,2,...,s)、yr(r=1,2,...,e)分别为输入层、隐藏层、输出层的节点值;wji、分别为权值;bi、分别为阈值;f(.)、F(.)分别为激活函数。
进一步地,S4基于预测区间的安全阈值的确定:
在S2-S3的基础上,确定时刻t所对应的每个传感器的安全阈值Tij(t)。
进一步地,S5芦苇收割机割台健康状态的确定:
将S1-S4中计算得到的数据代入下式对芦苇收割机割台健康状态Mt进行求解。
式中,Mt为芦苇收割机割台健康状态;Tij(t)为时刻t所对应的每个传感器的安全阈值;Aij(t)为5阶特定下振动量的最佳特定函数;i为损伤区域的编号;j为第i号区域所对应的第,个传感器;N为损伤区域编号的最大值。
有益效果:通过设计内嵌式结构布置振动传感器来采集芦苇收割机割台的数据,利用Labview来实时确定其特征,通过神经网络自适应预测区间,从而基于预测区间确定损伤预警阀值,确定不同特征下的割台健康状态。
附图说明
图1为本发明方法流程框图。
具体实施方式
如图1所示,本实施例基于一种基于自适应预测区间内置式芦苇收割机健康状态评估方法,该方法包括以下步骤:
S1.芦苇收割机割台结构最大应力的确定:
将芦苇收割机作业结构的三维模型导入有限元分析软件ANSYS中,采用自动网格划分模式对芦苇收割机结构三维模型进行网格化划分,在前处理模块中施加工况载荷,然后对后处理结果进行求解,确定芦苇收割机割台结构的最大应力、应变值条件下结构最易发生损伤的区域。
S2.内置式割台结构的设计:
对芦苇收割机割台最易发生损伤的区域通过内置传感器的方式进行监测,并在该区域按等边三角形布置法对每个损伤区域内置3个振动传感器,实时对第i个损伤区域的振动量进行采集以获取每个传感器所对应的振动量Aij(i为损伤区域的编号,j为第i号区域所对应的第j个传感器,j=1,2,3)
S3.基于白适应的特征预测区间的确定:
在S2的基础上,在MATLAB程序中对0到t时间范围内所对应的振动量Aij进行参数函数的拟合,获得5阶特定下振动量Aij(t)所对应的最佳特定函数。
Aij(t)=γ1t5+γ2t4+γ3t3+γ4t2+γ5t+γ6
其中,Aij(t)为5阶特定下振动量的最佳特定函数;t为时间;γ1,γ2,γ3,γ4,γ5,γ6为5阶特定函数的最佳拟合系数。
在Labview软件中对0到t时间范围内所对应的振动量Aij进行特征βi的获取。
式中,Aij(t)为5阶特定下振动量的最佳特定函数;t为时间;j为第i号区域所对应的第j个传感器;i为损伤区域的编号;N为损伤区域编号的最大值;βi为对应的振动量Aij的特征。
将计算得到的每个区域的振动区域特征βi导入到MATLAB程序中在三层前馈神经网络下对其进行训练,从而预测区间[Dmin,Dmax]范围。
Dmax=Aij(t)+1.96S
Dmin=Aij(t)-1.96S
输出变量可由两个激活函数算得:
其中,Dmin为预测区间的下限值;Dmax为预测区间的上限值;δ为残差;S为标准差;pj(j=1,2,...,k)、ti(i=1,2,...,s)、yr(r=1,2,...,e)分别为输入层、隐藏层、输出层的节点值;wji、分别为权值;bi、分别为阈值;f(.)、F(.)分别为激活函数。
S4.基于预测区间的安全阈值的确定:
在S2-S3的基础上,确定时刻t所对应的每个传感器的安全阈值Tij(t)。
S5.芦苇收割机割台健康状态的确定:
将S1-S4中计算得到的数据代入下式对芦苇收割机割台健康状态Mt进行求解。
式中,Mt为芦苇收割机割台健康状态;Tij(t)为时刻t所对应的每个传感器的安全阈值;Aij(t)为5阶特定下振动量的最佳特定函数;i为损伤区域的编号;j为第i号区域所对应的第j个传感器;N为损伤区域编号的最大值。
Claims (3)
1.一种基于自适应预测区间内置式芦苇收割机健康状态评估方法,其特征在于:包括如下步骤:
S1、芦苇收割机割台结构最大应力的确定;
S2、内置式割台结构的设计;
S3、基于自适应的特征预测区间的确定;
S4、基于预测区间的安全阈值的确定;
S5、芦苇收割机割台健康状态的确定,
S3基于自适应的特征预测区间的确定:在S2的基础上,在MATLAB程序中对0到t时间范围内所对应的振动量Aij进行参数函数的拟合,获得5阶特定下振动量Aij(t)所对应的最佳特定函数,
Aij(t)=γ1t5+γ2t4+γ3t3+γ4t2+γ5t+γ6
其中,Aij(t)为5阶特定下振动量的最佳特定函数;t为时间;γ1,γ2,γ3,γ4,γ5,γ6为5阶特定函数的最佳拟合系数,
在Labview软件中对0到t时间范围内所对应的振动量Aij进行特征βi的获取,
式中,Aij(t)为5阶特定下振动量的最佳特定函数;t为时间;j为第i号区域所对应的第j个传感器;i为损伤区域的编号;N为损伤区域编号的最大值;βi为对应的振动量Aij的特征,
将计算得到的每个区域的振动区域特征βi导入到MATLAB程序中在三层前馈神经网络下对其进行训练,从而预测区间[Dmin,Dmax]范围,
Dmax=Aij(t)+1.96S
Dmin=Aij(t)-1.96S
输出变量可由两个激活函数算得:
其中,Dmin为预测区间的下限值;Dmax为预测区间的上限值;δ为残差;S为标准差;pj(j=1,2,...,k)、ti(i=1,2,...,s)、yr(r=1,2,...,e)分别为输入层、隐藏层、输出层的节点值;wji、分别为权值;bi、分别为阈值;f(.)、F(·)分别为激活函数,
S4基于预测区间的安全阈值的确定:
在S2-S3的基础上,确定时刻t所对应的每个传感器的安全阈值Tij(t),
S5芦苇收割机割台健康状态的确定:
将S1-S4中计算得到的数据代入下式对芦苇收割机割台健康状态Mi进行求解,
式中,Mt为芦苇收割机割台健康状态;Tii(t)为时刻t所对应的每个传感器的安全阈值;Aij(t)为5阶特定下振动量的最佳特定函数;i为损伤区域的编号;j为第i号区域所对应的第,个传感器;N为损伤区域编号的最大值。
2.根据权利要求1所述的基于自适应预测区间内置式芦苇收割机健康状态评估方法,其特征在于:S1芦苇收割机割台结构最大应力的确定:将芦苇收割机作业结构的三维模型导入有限元分析软件ANSYS中,采用自动网格划分模式对芦苇收割机结构三维模型进行网格化划分,在前处理模块中施加工况载荷,然后对后处理结果进行求解,确定芦苇收割机割台结构的最大应力、应变值条件下结构最易发生损伤的区域。
3.根据权利要求2所述的基于自适应预测区间内置式芦苇收割机健康状态评估方法,其特征在于:S2内置式割台结构的设计:对芦苇收割机割台最易发生损伤的区域通过内置传感器的方式进行监测,并在该区域按等边三角形布置法对每个损伤区域内置3个振动传感器,实时对第i个损伤区域的振动量进行采集以获取每个传感器所对应的振动量Aij,i为损伤区域的编号,j为第i号区域所对应的第j个传感器,j=1,2,3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110569159.5A CN113111564B (zh) | 2021-05-24 | 2021-05-24 | 基于自适应预测区间内置式芦苇收割机健康状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110569159.5A CN113111564B (zh) | 2021-05-24 | 2021-05-24 | 基于自适应预测区间内置式芦苇收割机健康状态评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113111564A CN113111564A (zh) | 2021-07-13 |
CN113111564B true CN113111564B (zh) | 2023-05-23 |
Family
ID=76723064
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110569159.5A Active CN113111564B (zh) | 2021-05-24 | 2021-05-24 | 基于自适应预测区间内置式芦苇收割机健康状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113111564B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103033253A (zh) * | 2012-12-10 | 2013-04-10 | 太原科技大学 | 一种塔式起重机结构的非接触振动检测方法 |
CN103077441A (zh) * | 2012-12-31 | 2013-05-01 | 迈克尔·派克 | 自识别电子产品的预测健康管理方法 |
CN105241660A (zh) * | 2015-11-09 | 2016-01-13 | 西南交通大学 | 基于健康监测数据的高铁大型桥梁性能评定方法 |
CN105300692A (zh) * | 2015-08-07 | 2016-02-03 | 浙江工业大学 | 一种基于扩展卡尔曼滤波算法的轴承故障诊断及预测方法 |
CN105404708A (zh) * | 2015-10-21 | 2016-03-16 | 南京大学 | 基于实测加速度的大跨度桥梁结构外界时段激励评价方法 |
CN105825014A (zh) * | 2016-03-17 | 2016-08-03 | 中铁大桥勘测设计院集团有限公司 | 一种基于车桥耦合分析的车桥安全健康评估系统及方法 |
CN110954349A (zh) * | 2019-11-28 | 2020-04-03 | 扬州大学 | 一种基于残余应力畸变率的起重机结构健康状态监测方法 |
CN111638028A (zh) * | 2020-05-20 | 2020-09-08 | 国网河北省电力有限公司电力科学研究院 | 一种基于振动特征的高压并联电抗器机械状态评估方法 |
CN111679187A (zh) * | 2020-05-26 | 2020-09-18 | 浙江浙能技术研究院有限公司 | 一种基于综合监测平台大型发电机状态评估方法 |
-
2021
- 2021-05-24 CN CN202110569159.5A patent/CN113111564B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103033253A (zh) * | 2012-12-10 | 2013-04-10 | 太原科技大学 | 一种塔式起重机结构的非接触振动检测方法 |
CN103077441A (zh) * | 2012-12-31 | 2013-05-01 | 迈克尔·派克 | 自识别电子产品的预测健康管理方法 |
CN105300692A (zh) * | 2015-08-07 | 2016-02-03 | 浙江工业大学 | 一种基于扩展卡尔曼滤波算法的轴承故障诊断及预测方法 |
CN105404708A (zh) * | 2015-10-21 | 2016-03-16 | 南京大学 | 基于实测加速度的大跨度桥梁结构外界时段激励评价方法 |
CN105241660A (zh) * | 2015-11-09 | 2016-01-13 | 西南交通大学 | 基于健康监测数据的高铁大型桥梁性能评定方法 |
CN105825014A (zh) * | 2016-03-17 | 2016-08-03 | 中铁大桥勘测设计院集团有限公司 | 一种基于车桥耦合分析的车桥安全健康评估系统及方法 |
CN110954349A (zh) * | 2019-11-28 | 2020-04-03 | 扬州大学 | 一种基于残余应力畸变率的起重机结构健康状态监测方法 |
CN111638028A (zh) * | 2020-05-20 | 2020-09-08 | 国网河北省电力有限公司电力科学研究院 | 一种基于振动特征的高压并联电抗器机械状态评估方法 |
CN111679187A (zh) * | 2020-05-26 | 2020-09-18 | 浙江浙能技术研究院有限公司 | 一种基于综合监测平台大型发电机状态评估方法 |
Non-Patent Citations (1)
Title |
---|
汽轮机调节级叶片三维接触有限元强度可靠性分析;黄庆华 等;《热力透平》;第1-5页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113111564A (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105300692B (zh) | 一种基于扩展卡尔曼滤波算法的轴承故障诊断及预测方法 | |
CN111143438B (zh) | 一种基于流处理的车间现场数据实时监测与异常检测方法 | |
CN114118224B (zh) | 一种基于神经网络的全系统遥测参数异常检测系统 | |
CN115630847B (zh) | 一种基于数据预测的收发组件检测方法、系统及存储介质 | |
CN105134456B (zh) | 基于在线监测的水轮机故障预诊断方法 | |
CN104571079A (zh) | 一种基于多传感器信息融合的无线远程故障诊断系统 | |
CN104482919B (zh) | 一种商用车动态坡度测试系统及其测试方法 | |
CN106790604A (zh) | 一种高精度的大坝安全远程监测系统 | |
CN113111564B (zh) | 基于自适应预测区间内置式芦苇收割机健康状态评估方法 | |
CN111312414B (zh) | 核电厂疲劳监测和寿命评估系统的疲劳评价方法 | |
CN101706377B (zh) | 基于混沌动力学理论的在役桥梁安全评估的方法 | |
CN111982256B (zh) | 一种基于多通道cnn模型的汽车衡压力传感器故障预警方法 | |
CN116502155B (zh) | 一种用于数控电动螺旋压力机的安全监管系统 | |
CN103162984B (zh) | 基于熵理论的在役桥梁安全预警方法 | |
CN113297967B (zh) | 一种基于特征置信范围的内置式芦苇收割机安全评估方法 | |
CN109190301B (zh) | 一种变工况下回转支承高精度寿命预测方法 | |
CN113722308B (zh) | 基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法及装置 | |
CN116595821A (zh) | 一种考虑建模不确定性的结构地震易损性分析方法 | |
CN113177337B (zh) | 基于关联因素特征值波动区间的芦苇收割机安全评估方法 | |
CN113456078B (zh) | 一种基于pdc密集图传播的疲劳驾驶识别方法 | |
CN110954349B (zh) | 一种基于残余应力畸变率的起重机结构健康状态监测方法 | |
CN113673010A (zh) | 一种基于监测数据的钢箱梁评估方法与系统 | |
CN117189720B (zh) | 一种飞行器液压系统的故障诊断方法 | |
CN117784290B (zh) | 一种基于贝叶斯神经网络的骤旱预警方法及系统 | |
CN111079267B (zh) | 一种基于微观残余应力突度的装载机底盘可靠性检测方法 |
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 |