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 PDF

Info

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
Application number
CN202110569159.5A
Other languages
English (en)
Other versions
CN113111564A (zh
Inventor
朱林
王鹏
陈雨倩
蒋凯佳
邢本傲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yangzhou University
Original Assignee
Yangzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yangzhou University filed Critical Yangzhou University
Priority to CN202110569159.5A priority Critical patent/CN113111564B/zh
Publication of CN113111564A publication Critical patent/CN113111564A/zh
Application granted granted Critical
Publication of CN113111564B publication Critical patent/CN113111564B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

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
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。
Figure SMS_1
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
Figure SMS_2
输出变量可由两个激活函数算得：
Figure SMS_3
Figure SMS_4
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、
Figure SMS_5
分别为权值；bi、
Figure SMS_6
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)。
Figure SMS_7
Figure SMS_8
其中，Tij(t)为时刻t所对应的每个传感器的安全阈值；S为标准差；n为t时刻内采样点的个数；
Figure SMS_9
为显著性水平，值为0.05；
Figure SMS_10
为每个区域相对于所有损伤区域的振动区域特征的均值。
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。
Figure SMS_11
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。
Figure SMS_12
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
Figure SMS_13
输出变量可由两个激活函数算得：
Figure SMS_14
Figure SMS_15
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、
Figure SMS_16
分别为权值；bi、
Figure SMS_17
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)。
Figure SMS_18
Figure SMS_19
其中，Tij(t)为时刻t所对应的每个传感器的安全阈值；S为标准差；n为t时刻内采样点的个数；
Figure SMS_20
为显著性水平，值为0.05；
Figure SMS_21
为每个区域相对于所有损伤区域的振动区域特征的均值。
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。
Figure SMS_22
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，
Figure FDA0004182990690000011
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
Figure FDA0004182990690000012
输出变量可由两个激活函数算得：
Figure FDA0004182990690000021
Figure FDA0004182990690000022
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、
Figure FDA0004182990690000023
分别为权值；bi、
Figure FDA0004182990690000024
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)，
Figure FDA0004182990690000025
Figure FDA0004182990690000026
其中，Tij(t)为时刻t所对应的每个传感器的安全阈值；S为标准差；n为t时刻内采样点的个数；
Figure FDA0004182990690000027
为显著性水平，值为0.05；
Figure FDA0004182990690000028
为每个区域相对于所有损伤区域的振动区域特征的均值，
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，
Figure FDA0004182990690000029
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。
CN202110569159.5A 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 Active CN113111564B (zh)

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)

* Cited by examiner, † Cited by third party
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

Patent Citations (9)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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