一、浅析拖拉机故障形成的原因（论文文献综述）
刘春峰[1]（2022）在《拖拉机田间作业的振动特性检测与异常振动故障分析》文中研究表明拖拉机在我国的现代化农业生产中发挥着重要作用,而在实际使用过程中拖拉机也很容易受到多种因素的影响而出现故障问题。异常振动是拖拉机存在故障的表征之一,通过分析拖拉机异常振动的故障特性能够帮助进行故障分析与定位,从而提高拖拉机的故障维修效率和质量。详细介绍了拖拉机振动特性的研究情况,说明了振动特性的检测方法,并对典型异常振动进行了实例分析。
姜超[2]（2021）在《基于责任卡识别与网络技术的拖拉机整机制造过程质量管理系统研究》文中提出拖拉机的生产和使用情况是农业机械化水平的重要体现。目前国内拖拉机生产企业因产品质量原因在中高端拖拉机市场缺乏竞争力,而整机制造过程质量管理水平不足制约了国产拖拉机产品向高质量发展。因此,一套科学有效的整机制造过程质量管理系统对提升拖拉机质量、增强产品竞争力有重要作用。拖拉机整机制造过程质量管理系统建立在完备的质量数据库与质量管理工具的基础上。质量数据库的构建需要采集各质量控制点产生的质量数据,但部分质量控制点的数据记录在质量责任卡上,尚未实现数据电子化;同时,已实现数据电子化的质量控制点以不同形式单独保存质量数据,使得数据无法共享。传统的质量管理工具基于数理统计原理,只能对质量数据进行简单分析,无法获得深层次质量规律。本文针对上述问题展开研究,具体研究内容与结果如下:（1）为了解决拖拉机整机装配阶段质量数据纸质记录的问题,提出了一种基于责任卡识别的质量数据电子化方法。先对质量责任卡进行了重新设计,规范质量数据的填写;再使用Paddle OCR文本检测与识别模型获取质量数据属性关键词坐标,实现质量数据记录区域的定位;接着提出了一种基于笔画恢复与连通域标记的数字字符分割方法,获取质量数据图像中的单个数字图像;然后训练了CNN识别模型对手写数字进行识别,在测试集上的识别准确率达到99.22%;最后开发了质量数据电子化软件,并提供人工校正功能,保证了数据库中质量数据的准确性。（2）为了解决拖拉机整机调试阶段检测工位间异源异构电子质量数据的融合问题,编写了自动化数据读取、处理程序,实时提取不同工控机上保存在数据库中的结构化质量数据与以文本文件形式保存的非结构质量数据,并设计了基于JSON格式的数据传输接口,通过HTTP协议将质量数据发送到数据库服务器中。使用E-R模型在数据库服务器中构建了质量数据库,以统一结构保存不同来源的质量数据。（3）为了解决拖拉机生产企业缺乏高水平质量管理工具的问题,根据质量数据特点,开发了基于案例推理以及机器学习技术的质量管理工具,提供故障诊断、产品质量分级、质量综合指标提取与故障预测等功能,与传统质量管理工具一起集成到了质量管理系统中,完成了拖拉机整机制造过程质量管理系统研发,并成功应用到企业的实际生产中,提高了质量管理信息化水平。
王猛[3]（2021）在《农机多机协同作业任务分配关键技术研究》文中认为农机多机协同技术是提高农机利用效率、提高机群规模化生产效益的关键环节。任务分配是农机机群协同作业的一个重要评价指标,如何在农机机群作业前将每个任务合理分配给适合的农机,或者在出现新的（突发）作业任务时重新调配农机的作业规划,使得机群收益最大,是长期困扰农机合作社或农场的难题之一。本研究针对上述问题展开系统研究,首先,根据任务分配需求对农机田间作业路径规划方法和农机转弯半径求解方法这两个关键基础参数的获取开展研究,之后,根据实际作业需求研究同种农机多机协同作业静态和动态任务分配方法。具体研究内容如下:1.多机协同体系结构设计。提出了农机多机协同体系结构和农机自动驾驶技术体系结构,研究了基于GNSS定位技术和基于GNSS和惯性导航的融合技术,以“农业机械化精准作业平台”的数据为基础,研究了基于Dijkstar算法的田间最短路径求解方法。2.农机自动转弯控制方法研究。针对履带拖拉机转弯半径精确控制困难问题,深入分析并建立了液压转向控制履带拖拉机的转弯半径数学模型,提出了基于高斯混合模型的履带拖拉机转弯半径控制方法。试验结果表明:在初始航向角为0°,车速分别为1.0m/s和1.5m/s时,导航平均误差分别为-0.62cm和0.28cm,导航误差绝对值极值分别为10.14cm和8.10cm,导航误差绝对值均值分别为2.34cm和2.57cm,导航均方根误差分别为3.77cm和3.99cm,满足实际田间作业需求。3.农机田间路径规划方法研究。将农机转弯半径作为重要参量,研究了农机田间作业工艺、农机田间转弯方法以及各种转弯方法的转弯路径长度解算方法,基于转弯数量最少原则,研究了农机作业路径方向规划方法,根据弓形转弯跳过最小路径数量问题,研究了基于弓形转弯的农机田间作业区块规划方法,为多机协同作业任务分配方法奠定了基础。4.同种农机多机协同作业静态任务分配方法研究。建立了农机多机协同作业代价函数,在遗传算法基础上设计了二段式编码方式、分组交叉算子和多种变异算子,提出了多变异分组遗传算法,建立了基于多变异分组遗传算法的同种农机多机协同作业静态任务分配方法,试验结果表明:在不同的权重下,基于多变异分组遗传算法的多机协同静态任务分配的机群代价比实际作业代价降低了 35.88%～55.00%,满足农机实际多机协同作业中静态任务分配需求。5.同种农机多机协同作业动态任务分配方法研究。为解决农机作业过程中因突发状况引起的作业时间增加、某些作业任务无法完成等问题,根据动态任务分配农机间交互的特点以及合同网算法相关流程,提出了基于公告板的动态任务分配机制,并基于选择招标者、设定招标阈值、中标者任务再分配和代价最大农机任务交换等方法,改进了合同网算法,试验结果表明:在不同的动态任务分配时间下,基于改进合同网算法的动态任务分配机群代价比实际理论代价降低30.20%～34.09%,满足农业生产中同种农机机群动态作业任务分配需求。
李舒[4]（2021）在《基于声振分析的车辆故障诊断技术研究》文中研究表明车辆在工作过程中,其机体振动信号与向外辐射的噪声信号可以反映出车辆内部各部件的运转状态。对车辆工作过程中的振动和噪声信号进行分析可以确定其是否存在故障以及故障的位置或类型。这其中,在农业生产领域广泛应用的拖拉机,其零部件外露且外部声场比较强烈,适合做声场测量、分析。因此本文以拖拉机为研究对象,提出一种基于声振分析的拖拉机故障快速检测的方法,实现拖拉机整机装配质量的快速检测。针对当前拖拉机整机故障诊断研究中故障样本缺乏问题,本文运用模式识别的方法将拖拉机的故障诊断问题分为故障检测和故障诊断两个部分,分别为支持向量数据描述的拖拉机故障检测方法及支持向量数据描述与支持向量机结合的拖拉机故障类型识别方法,通过搭建的车辆故障诊断系统采集的拖拉机振动噪声信号对所提方法的可行性进行验证分析。针对拖拉机故障检测中正常拖拉机数据样本较多而故障样本缺乏的问题,提出支持向量数据描述的单分类方法用于拖拉机故障检测。运用支持向量数据描述与鲸鱼参数优化算法,对正常拖拉机数据进行训练搭建超球体故障诊断模型,然后通过样本点是否位于超球体的内部判断该样本点的状态。试验结果表明,运用支持向量数据描述的方法对拖拉机故障检测时,能够利用正常拖拉机数据搭建故障诊断模型对测试样本进行故障的判断,有效的避开了故障类型样本缺乏的情形。在对拖拉机的故障类型判别研究时,由于样本库中故障样本缺乏,直接使用支持向量机的方法会对未知故障类型样本造成误判,导致模型的准确率较低,本文将支持向量数据描述与支持向量机相结合用于故障类型的判别。首先通过支持向量数据描述对测试样本进行判断,甄别其是否属于样本库中的已知样本,然后运用支持向量机对已知故障样本进行具体类型的判别。试验结果表明,将支持向量数据描述与支持向量机结合用于故障类型判别时,能够提高对已知故障类型的诊断准确率,且能够识别出样本库之外的未知故障样本。对于未知故障类型的样本,利用新类识别方法判断是否属于新类型的故障,通过识别的新类型故障样本增加故障类型样本库以及完善故障诊断模型。
王承强[5]（2021）在《动力换挡变速箱控制器故障检测系统研究》文中指出动力换挡变速箱（Power Shift Transmission PST）是拖拉机传动系统的核心部件之一,所以PST控制器需满足高可靠性、低故障率的要求。在投入使用前,控制器需要进行大量的测试,本文研究动力换挡变速箱控制器故障检测和测试序列优化方法,基于硬件在环（Hardware in loop HIL）平台开发了动力换挡控制器故障检测系统。本文结合动力换挡控制器的工作原理,分析控制器测试需求,确定了控制器故障检测系统功能,设计了动力换挡控制器故障检测系统总体方案,完成动力换挡控制器HIL测试平台硬件选型,设计开发了功率级负载箱,并通过试验验证负载箱的安全性。利用AMESim建立了动力换挡变速箱模型,基于Veri Stand和Lab VIEW开发故障检测系统上位机软件,实现了动力换挡控制器的功率级HIL测试。基于神经网络研究动力换挡控制器故障检测算法,分析LVQ神经网络进行故障检测的原理,对LVQ神经网络存在的初始权值敏感问题进行优化改进,分别将MEA和PSO算法与LVQ神经网络结合,构建出MEA-LVQ和PSO-LVQ神经网络模型,再利用动力换挡控制器的测试数据进行训练。将优化后的MEA-LVQ神经网络和PSO-LVQ神经网络分别用于测试集验证中,经测试结果分析得出,基于MEA-LVQ神经网络的故障检测算法用于动力换挡控制器的故障检测效果较好。本文分析了测试用例设计方法,设计了动力换挡控制器测试用例,研究了测试序列优化生成方法,将遗传算法、组合式算法应用于测试序列的优化中,优化生成测试序列并进行对比分析,利用测试序列实现了动力换挡控制器部分自动化测试。利用标定软件标定所开发的动力换挡控制器故障检测系统电流电压等信号,建立动力换挡控制器振动模型,完成控制器的振动仿真和振动试验,经仿真与试验结果分析得出控制器的危险易损频率,采集控制器在经历危险易损频率后的各项数据用于故障检测算法训练验证。完成动力换挡控制器故障检测系统的动力换挡、故障注入与检测等试验,验证了动力换挡控制器故障检测系统的各项功能。
吴广彬[6]（2020）在《基于振动噪声分析的拖拉机及其关键部件故障诊断方法研究》文中研究表明拖拉机作为一种在农业生产领域广泛运用的工具,其核心部件的好坏会直接影响到整机的性能与操作人员的安全,故关于拖拉机及其核心部件的故障研究一直是研究热点。拖拉机故障诊断一般是通过检修人员依靠经验来判断是否存在故障,对检修人员的经验以及责任心有很大的要求,且存在效率低、判断不精确的问题。故本文提出一种拖拉机故障检测方法,既能够判断出拖拉机是否存在故障,又能够定位出故障的部件并分析出具体的故障类型。本文首先对机械故障诊断常用方法进行了研究,并结合拖拉机的实际情况,分析了当前对于拖拉机整机故障进行研究所面临的问题,在此基础之上提出了通过振动与噪声信号相结合的拖拉机及其关键部件故障诊断方法,主要研究内容如下:（1）针对尺寸较大的拖拉机,采用噪声采集这种非接触式测量的方法,并使用小波包分解将拖拉机噪声信号分解为8个频带,以信号峰值、小波包能量熵及各频带的能量贡献率作为判断拖拉机故障与否的特征,在分析出拖拉机存在故障之后,将信号边际谱与正常拖拉机信号边际谱对比,找出噪声信号变化较大的频率范围,依据其与1000Hz的大小关系适当选取波束形成方法及部件振动信号分析的方法来判断该部件是否存在故障,若存在故障,则进一步分析故障部件的具体故障类型及程度。（2）针对结构简单、故障特征容易提取、数据样本的数量较多且多个加速度传感器安装方便的故障部件,研究了基于多通道信号特征提取与模式识别相结合的诊断方法,结合美国凯斯西储大学的公开的轴承数据集详述了时域特征参数及频域特征参数的选取过程,并且分析了基于粒子群算法进行PNN平滑因子参数优化的过程,优化之后模型对于4种及10种故障分类达到100%的识别率,对于19种故障类别的识别率达到98%以上,相较于单通道振动信号分析准确率提高10%以上,对于多工况数据混合的情况也能达到98%的准确率,验证了基于多通道振动信号数据特征提取与优化PNN相结合的故障诊断方法的准确性及可靠性。（3）为了提高故障诊断方法的可迁移性,满足实际测试中诊断任务多变的需求,研究了以振动信号波形图结合边际谱作为识别对象的深度学习故障诊断方法,同样结合美国凯斯西储大学公开的轴承数据集讲述了特征图像提取的过程,考虑到实际没有足够训练样本的情况,选用预训练的ResNet18对少量的目标样本进行迁移学习,经过实例分析,该方法在少量样本的情况下对轴承故障的识别准确率达到99%以上,对于多工况数据混合情况下轴承故障的识别率达到了99%以上,并且达到高准确率的同时所需要安装的加速度传感器数量较少。同时,将该方法运用到美国康涅狄格大学的齿轮箱故障数据上时,在少量数据的情况下故障诊断准确率达到100%。表明结合时、频域图像与预训练的卷积神经网络迁移学习的故障诊断方法具有较好的准确性及适应能力,且所需的样本数量少,适合工况多变以及测试任务多变的情况。研究结果表明:本文提出的方法能够在没有故障先验知识的基础之上识别出拖拉机是否存在故障,并且找出故障部件的位置。针对实际的测试情况,本文提出的智能故障诊断方法不仅能够识别出故障的类型及故障程度,还能够识别出故障零件的具体位置。基于卷积神经网络迁移学习的方法只需要少量数据便能够很快迁移到新的诊断任务当中,快速构建满足当前诊断任务的故障诊断模型,具有很好的迁移性。
张璐頔[7]（2020）在《燃料电池拖拉机动力系统集成设计与容错控制研究》文中认为我国作为一个农业大国,拖拉机是进行农业生产的主要动力机械,然而传统型燃油拖拉机所带来的燃油消耗和环境污染问题成为了我国节能环保工作重难点。现阶段,纯电动拖拉机作为新型的农业动力机械得到了快速的发展,尽管其解决了传统型燃油拖拉机能源消耗大、排放物污染严重的问题,但由于拖拉机工作环境恶劣多变、作业工况复杂多样,纯电动拖拉机的续航里程、作业功率往往不能满足实际的需求;同时,随着燃料电池动力系统在乘用车上的应用日益增多,其技术日趋成熟,因此,开展燃料电池拖拉机动力系统的研究具有一定的理论意义与实际的应用价值。本文围绕燃料电池拖拉机动力系统的总体设计、部件建模、容错控制、仿真分析主要开展了以下工作:首先,通过分析燃料电池动力系统方案,确定以“燃料电池+蓄电池”型为基础,设计了适用于大型轮式农用拖拉机的双并联式燃料电池混合动力系统;分析了大型农用轮式拖拉机的动力学特性,得出拖拉机在运输、旋耕、犁耕作业工况下的需求,以此为基础进行所设计的动力系统的主要部件——驱动电机、燃料电池、蓄电池的选型与参数匹配设计;参考东方红1804拖拉机变速器,根据不同作业项目的速度要求,确定了燃料电池拖拉机动力系统的变速器档位数及各档位传动比。其次,基于Matlab/simulink与Cruise仿真平台,搭建了燃料电池拖拉机动力系统主要部件模型,如燃料电池模型、蓄电池模型、DC/DC变换器模型、驱动电机及其控制器模型等。在所搭建的整机模型上对三种作业工况进行仿真分析,通过对比东方红1804拖拉机与所设计的燃料电池拖拉机牵引功率特性、牵引效率特性与行驶速度特性的仿真结果,得出参数匹配的结果不仅能够满足燃料电池拖拉机整机性能指标,并且使其性能优于东方红1804拖拉机。再次,通过对燃料电池拖拉机动力系统进行功能的划分,确定容错控制围绕驱动力提供与控制功能展开。搭建了动力系统的控制模型,利用Kalman滤波的方法对状态变量进行观测生成残差,并使用域值法对残差进行分析,判定动力系统中所发生的故障。进而,在此基础上利用越域残差对故障状态重构,实现燃料电池拖拉机动力系统的容错控制。最后,对基于Cruise搭建的三种作业工况下燃料电池拖拉机动力系统模型进行仿真测试,得出无故障模式运行下的燃料电池拖拉机速度特性曲线与牵引力特性曲线;在FCDC/DC 模块中引入故障信号,并添加State observationFDD模块与 State reconstructionFTC模块得到三种作业工况下引入故障模式运行的燃料电池拖拉机动力系统模型,进行仿真测试。仿真结果表明:三种作业工况下,燃料电池拖拉机动力系统发生故障时,通过State observationFDD模块与State reconstructionFTC模块,能够对故障信号进行检测与诊断,并且能够对故障进行及时的修正,满足三种作业工况下燃料电池拖拉机的牵引特性与运动特性,验证了容错控制的有效性与合理性。
邱磊[8]（2020）在《拖拉机发动机常见故障诊断分析及排除方法》文中研究指明随着我国社会经济的高速发展,各行业都焕发出了勃勃生机,尤其是进入21世纪以来,国家大力发展农业,随着聚焦三农、精准扶贫等政策的颁布与实施,农业现代化的脚步正在我国广袤的大地上高速迈进,拖拉机作为参与农业现代化生产的重要设备,起到了不可替代的作用,随着拖拉机使用时间的增加,以及使用环境和天气等多方面因素的影响,拖拉机在使用过程中不可避免地会出现各种故障,不仅严重影响了农业的正常生产,也给农民造成了不小的经济损失,因此,掌握拖拉机发动机常见故障的诊断方法以及故障排除能有效降低故障的发生率,从而更好地保障农业生产的顺序开展,为农民的增产增收奠定良好的基础,实现显着提高经济效益和社会效益的目标。
辛淑荣[9]（2019）在《谈拖拉机故障的分析与诊断》文中研究指明通过对拖拉机故障外在表现形式、故障形成原因、故障分析的原则与诊断方法的阐述,提高人们对故障分析诊断工作的认识,提高拖拉机故障排除效率。
薛宁[10]（2019）在《拖拉机故障形成原因与分析判断方法》文中认为拖拉机使用过程中不可避免地要发生故障,农机手应及时找出故障并排除故障。从拖拉机故障的表现形式、形成原因、分析判断方法三个方面进行探析,以期为拖拉机的科学应用提供参考。
二、浅析拖拉机故障形成的原因（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、浅析拖拉机故障形成的原因（论文提纲范文）
（1）拖拉机田间作业的振动特性检测与异常振动故障分析（论文提纲范文）
| 0 引言 |
| 1 振动特性的研究情况 |
| 2 振动特性的检测方法 |
| 2.1 振动产生的主要结构 |
| 2.2 振动检测的常用装置 |
| 2.3 振动特性的特征分析 |
| 3 典型异常振动实例分析 |
| 3.1 柴油机产生的异常振动 |
| 3.2 离合器产生的异常振动 |
| 3.3 变速箱产生的异常振动 |
| 3.4 传动轴产生的异常振动 |
| 4 结语 |
（2）基于责任卡识别与网络技术的拖拉机整机制造过程质量管理系统研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 质量数据电子化研究 |
| 1.2.2 基于OCR技术的表格识别研究 |
| 1.2.3 质量管理工具研究 |
| 1.3 研究内容与技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 第二章 质量管理系统整体设计 |
| 2.1 拖拉机整机制造流程分析 |
| 2.1.1 整机装配阶段流程 |
| 2.1.2 整机调试阶段流程 |
| 2.2 质量数据采集方法设计 |
| 2.2.1 装配阶段质量数据采集方法 |
| 2.2.2 调试阶段质量数据采集方法 |
| 2.3 质量管理工具选择 |
| 2.3.1 传统质量管理工具 |
| 2.3.2 基于机器学习的质量管理工具 |
| 2.4 系统架构设计 |
| 2.5 本章小结 |
| 第三章 质量责任卡识别方法研究 |
| 3.1 规范化质量责任卡设计 |
| 3.2 图像采集设备选择 |
| 3.3 规范化质量责任卡识别分析 |
| 3.4 质量数据记录区域获取 |
| 3.4.1 关键词识别 |
| 3.4.2 质量数据图像定位 |
| 3.5 质量数据图像预处理 |
| 3.5.1 图像二值化 |
| 3.5.2 线条连接 |
| 3.5.3 框线消除 |
| 3.5.4 笔画恢复 |
| 3.5.5 数字像素提取 |
| 3.5.6 其它处理 |
| 3.6 手写数字识别 |
| 3.6.1 CNN模型设计 |
| 3.6.2 数据集制备 |
| 3.6.3 模型训练与测试 |
| 3.7 本章小结 |
| 第四章 质量管理系统开发 |
| 4.1 质量数据采集 |
| 4.1.1 质量数据电子化软件开发 |
| 4.1.2 调试阶段质量数据采集 |
| 4.2 数据库设计 |
| 4.2.1 E-R模型介绍 |
| 4.2.2 数据库概念结构设计 |
| 4.2.3 数据库逻辑结构设计 |
| 4.3 质量管理工具算法实现 |
| 4.3.1 案例推理算法 |
| 4.3.2 数理统计方法 |
| 4.3.3 机器学习算法 |
| 4.4 人机界面开发 |
| 4.5 本章小结 |
| 第五章 系统应用与验证 |
| 5.1 系统概述 |
| 5.2 系统功能模块 |
| 5.2.1 数据来源信息查询模块 |
| 5.2.2 故障诊断与排除方法模块 |
| 5.2.3 整机调试台账模块 |
| 5.2.4 统计分析模块 |
| 5.2.5 智能分析模块 |
| 5.3 系统验证 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究结论 |
| 6.2 主要创新点 |
| 6.3 展望 |
| 参考文献 |
| 作者简历 |
（3）农机多机协同作业任务分配关键技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要符号表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外现状 |
| 1.2.1 定位测姿方法 |
| 1.2.2 转向控制方法 |
| 1.2.3 路径跟踪方法 |
| 1.2.4 多机协同控制方法 |
| 1.2.5 多机协同通信方式 |
| 1.2.6 多机协同作业任务分配方法 |
| 1.3 问题提出及章节安排 |
| 1.3.1 问题提出 |
| 1.3.2 章节安排 |
| 1.4 技术路线 |
| 1.5 本章小结 |
| 第二章 农机多机协同作业总体构架设计 |
| 2.1 引言 |
| 2.2 整体构架 |
| 2.3 农机自动驾驶系统 |
| 2.3.1 农机自动驾驶系统整体架构 |
| 2.3.2 农机位姿测定 |
| 2.3.3 坐标系变换 |
| 2.3.4 惯性导航系统 |
| 2.3.5 GNSS和INS融合 |
| 2.4 最短路径规划方式 |
| 2.5 本章小结 |
| 第三章 农机转弯半径控制方法 |
| 3.1 引言 |
| 3.2 轮式农机转弯半径控制方法 |
| 3.2.1 前轮转向农机运动学建模 |
| 3.2.2 后轮转向农机运动学建模 |
| 3.3 履带式农机转弯半径控制方法 |
| 3.3.1 液压传动控制履带式农机转向模型 |
| 3.3.2 基于高斯混合模型的转弯半径控制方法 |
| 3.3.3 试验与结果分析 |
| 3.3.4 仿真试验 |
| 3.4 路径跟踪试验 |
| 3.4.1 车辆改造 |
| 3.4.2 试验与分析 |
| 3.5 本章小结 |
| 第四章 农机田间路径规划方法 |
| 4.1 引言 |
| 4.2 农机作业工艺路线规划 |
| 4.2.1 直行法工艺路线 |
| 4.2.2 绕行法工艺路线 |
| 4.2.3 斜行法工艺路线 |
| 4.3 农机转弯方式 |
| 4.3.1 鱼尾形转弯路径 |
| 4.3.2 梨形转弯路径 |
| 4.3.3 半圆形转弯路径 |
| 4.3.4 弓形转弯路径 |
| 4.4 路径规划技术研究 |
| 4.4.1 农机作业路径方向规划 |
| 4.4.2 农机转弯方式 |
| 4.5 试验分析 |
| 4.6 本章小结 |
| 第五章 多机协同静态任务分配方法 |
| 5.1 引言 |
| 5.2 多机协同代价函数 |
| 5.2.1 多机协同场景 |
| 5.2.2 多机协同代价数学模型 |
| 5.3 任务分配方法研究 |
| 5.3.1 遗传算法 |
| 5.3.2 多变异分组遗传算法设计 |
| 5.3.3 算法流程 |
| 5.4 仿真分析 |
| 5.5 实际深松场景试验 |
| 5.6 本章小结 |
| 第六章 多机协同动态任务分配方法 |
| 6.1 引言 |
| 6.2 动态任务分配体系结构 |
| 6.3 多机协同代价函数 |
| 6.3.1 基本假设 |
| 6.3.2 代价函数 |
| 6.4 动态任务分配方法 |
| 6.4.1 基于合同网算法的动态任务分配方法 |
| 6.4.2 基于改进合同网算法的动态任务分配方法 |
| 6.4.3 基于改进合同网算法的任务分配流程 |
| 6.5. 仿真试验 |
| 6.5.1 标准矩形地块仿真试验 |
| 6.5.2 非矩形地块仿真试验 |
| 6.6 实际播种试验 |
| 6.7 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 主要创新点 |
| 7.3 对今后工作的展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（4）基于声振分析的车辆故障诊断技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究意义及目的 |
| 1.2 车辆故障诊断技术研究现状 |
| 1.2.1 信号处理方法研究现状 |
| 1.2.2 声成像技术研究现状 |
| 1.2.3 故障诊断算法研究现状 |
| 1.2.4 拖拉机故障诊断技术研究现状 |
| 1.3 论文主要研究内容 |
| 第2章 基于SVDD的故障检测方法 |
| 2.1 支持向量数据描述 |
| 2.2 鲸鱼参数优化算法 |
| 2.3 信号特征选取 |
| 2.4 基于SVDD的故障检测方法 |
| 2.4.1 故障检测原理 |
| 2.4.2 试验验证分析 |
| 2.5 本章小结 |
| 第3章 基于SVDD-SVM的故障诊断方法 |
| 3.1 支持向量机(SVM)基本原理 |
| 3.1.1 最优分类超平面 |
| 3.1.2 线性SVM模型 |
| 3.1.3 非线性SVM模型 |
| 3.1.4 多分类支持向量机 |
| 3.2 基于SVDD-SVM的故障诊断方法 |
| 3.2.1 故障诊断原理 |
| 3.2.2 试验验证分析 |
| 3.3 新类别的识别与学习 |
| 3.4 本章小结 |
| 第4章 车辆故障诊断系统研究 |
| 4.1 硬件部分 |
| 4.1.1 传声器的选择 |
| 4.1.2 加速度传感器的选择 |
| 4.1.3 数据采集卡的选择 |
| 4.1.4 麦克风阵列 |
| 4.2 软件部分 |
| 4.2.1 传声器灵敏度设置模块 |
| 4.2.2 数据采集与存储模块 |
| 4.2.3 数据滤波模块 |
| 4.2.4 数据上传模块 |
| 4.2.5 声场云图模块 |
| 4.2.6 故障诊断模块 |
| 4.3 试验分析 |
| 4.4 本章小结 |
| 第5章 全文总结与展望 |
| 5.1 全文工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
（5）动力换挡变速箱控制器故障检测系统研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 控制器测试技术国内外研究现状 |
| 1.2.1 控制器测试技术概述 |
| 1.2.2 故障检测技术研究现状 |
| 1.2.3 测试序列自动生成优化方法研究现状 |
| 1.3 本文研究内容 |
| 2 动力换挡控制器故障检测系统开发 |
| 2.1 故障检测系统总体方案设计 |
| 2.1.1 故障检测系统需求分析 |
| 2.1.2 故障检测系统总体方案 |
| 2.2 故障检测系统硬件设计 |
| 2.2.1 PXI系统硬件选型 |
| 2.2.2 功率级负载箱设计 |
| 2.3 动力换挡传动系统建模 |
| 2.4 故障检测系统上位机软件开发 |
| 2.5 本章小结 |
| 3 基于人工神经网络的控制器故障检测方法研究 |
| 3.1 人工神经网络概述 |
| 3.1.1 人工神经网络模型 |
| 3.1.2 人工神经网络的特点及分类 |
| 3.2 基于神经网络故障检测方法 |
| 3.3 LVQ神经网络优化研究 |
| 3.3.1 LVQ神经网络模型 |
| 3.3.2 MEA-LVQ神经网络 |
| 3.3.3 PSO-LVQ神经网络 |
| 3.4 动力换挡控制器故障检测试验 |
| 3.4.1 动力换挡控制器故障数据获取 |
| 3.4.2 故障检测试验结果对比分析 |
| 3.5 本章小结 |
| 4 动力换挡控制器测试用例设计及序列优化 |
| 4.1 动力换挡控制器测试用例设计 |
| 4.1.1 测试用例设计方法 |
| 4.1.2 基于正常工况的测试用例设计 |
| 4.1.3 基于故障状态的测试用例设计 |
| 4.1.4 测试用例导入 |
| 4.2 动力换挡控制器测试序列优化方法研究 |
| 4.2.1 测试序列研究方法 |
| 4.2.2 基于遗传算法的测试序列优化 |
| 4.2.3 基于组合式算法的测试序列优化 |
| 4.2.4 测试序列优化方法对比 |
| 4.3 本章小结 |
| 5 动力换挡控制器故障检测系统试验 |
| 5.1 故障检测系统开环标定 |
| 5.1.1 系统信号标定 |
| 5.1.2 负载箱标定 |
| 5.2 动力换挡控制器振动试验 |
| 5.2.1 控制器振动建模及仿真 |
| 5.2.2 控制器振动试验 |
| 5.3 故障检测系统测试试验 |
| 5.3.1 正常工况下动力换挡测试试验 |
| 5.3.2 故障注入与故障检测试验 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（6）基于振动噪声分析的拖拉机及其关键部件故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 拖拉机及其关键部件故障诊断技术的研究进展 |
| 1.2.1 传统模式识别方法 |
| 1.2.2 基于深度学习的故障诊断方法 |
| 1.3 声成像技术及其在故障诊断方面的应用 |
| 1.3.1 波束形成方法 |
| 1.3.2 基于声成像的故障诊断方法研究现状 |
| 1.4 研究内容及章节安排 |
| 第2章 拖拉机整机及其关键部件故障诊断技术基础理论 |
| 2.1 拖拉机整机及其关键部件故障诊断方法分析 |
| 2.2 振动噪声信号时频域特征提取方法 |
| 2.2.1 振动噪声信号时域特征提取方法 |
| 2.2.2 振动噪声信号时频域特征提取方法 |
| 2.3 基于波束形成的声成像技术 |
| 2.4 模式识别方法及其优化算法 |
| 2.4.1 概率神经网络算法 |
| 2.4.2 粒子群算法 |
| 2.5 卷积神经网络 |
| 2.5.1 卷积神经网络基本结构 |
| 2.5.2 卷积神经网络训练过程 |
| 2.5.3 学习算法 |
| 2.6 本章小结 |
| 第3章 基于振动噪声的拖拉机整机故障诊断及故障部件位置识别方法 |
| 3.1 测试流程 |
| 3.2 拖拉机故障判断方法 |
| 3.2.1 特征选取及标准数据的获取 |
| 3.2.2 拖拉机故障与否识别方法 |
| 3.2.3 拖拉机故障与否识别仿真分析 |
| 3.3 拖拉机故障部件位置识别方法 |
| 3.3.1 基于声成像的故障部件定位方法 |
| 3.3.2 基于振动信号分析的故障部件识别方法 |
| 3.4 本章小结 |
| 第4章 基于多通道信号和优化PNN的故障类型及程度识别方法 |
| 4.1 拖拉机关键部件故障原因分析 |
| 4.2 故障特征选取以及特征向量构建 |
| 4.2.1 信号时域特征提取与分析 |
| 4.2.2 基于HHT的信号频域特征提取及分析 |
| 4.3 基于概率神经网络的关键部件故障诊断与识别方法 |
| 4.3.1 PNN算法参数优化 |
| 4.3.2 基于改进的PNN算法的故障诊断方法 |
| 4.4 故障诊断实例验证分析 |
| 4.4.1 数据集描述 |
| 4.4.2 训练及测试结果分析 |
| 4.4.3 验证实例分析总结 |
| 4.5 本章小结 |
| 第5章 基于卷积神经网络迁移学习的故障类型及程度识别方法 |
| 5.1 特征图像数据集生成 |
| 5.1.1 振动信号时域波形图 |
| 5.1.2 振动信号边际谱图 |
| 5.1.3 数据集生成 |
| 5.2 基于卷积神经网络迁移学习的故障诊断方法 |
| 5.2.1 深度残差网络(ResNet) |
| 5.2.2 基于预训练ResNet模型的迁移训练 |
| 5.3 基于卷积神经网络迁移学习的故障诊断方法实例验证分析一 |
| 5.3.1 轴承故障少量数据样本迁移学习结果分析 |
| 5.3.2 多工况混合数据样本迁移学习结果分析 |
| 5.3.3 验证实例分析总结 |
| 5.4 基于卷积神经网络迁移学习的故障诊断方法实例验证分析二 |
| 5.4.1 齿轮故障少量数据样本迁移学习结果分析 |
| 5.4.2 验证实例分析总结 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（7）燃料电池拖拉机动力系统集成设计与容错控制研究（论文提纲范文）
| 摘要 |
| Abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 电动拖拉机国内外研究现状 |
| 1.3 容错控制国内外研究现状 |
| 1.4 本文主要研究内容 |
| 2 燃料电池拖拉机动力系统的总体设计 |
| 2.1 引言 |
| 2.2 大型农用轮式拖拉机动力需求分析 |
| 2.3 燃料电池拖拉机动力系统方案设计 |
| 2.4 双并联式燃料电池混合动力系统部件选型 |
| 2.5 双并联式燃料电池混合动力系统部件参数匹配 |
| 2.6 本章小结 |
| 3 燃料电池拖拉机动力系统建模 |
| 3.1 引言 |
| 3.2 动力系统主要部件建模 |
| 3.3 AVLCruise仿真建模介绍 |
| 3.4 AVL Cruise搭建拖拉机整机仿真模型 |
| 3.5 仿真验证参数匹配的结果 |
| 3.6 本章小结 |
| 4 基于Kalman滤波的燃料电池拖拉机动力系统容错控制研究 |
| 4.1 引言 |
| 4.2 燃料电池拖拉机动力系统功能分析 |
| 4.3 燃料电池拖拉机动力系统故障诊断与容错控制的滤波方法 |
| 4.4 燃料电池拖拉机动力系统控制模型搭建 |
| 4.5 燃料电池拖拉机动力系统状态估计 |
| 4.6 燃料电池拖拉机动力系统的残差生成与故障检测 |
| 4.7 利用状态重构实现燃料电池拖拉机动力系统的容错控制 |
| 4.8 本章小结 |
| 5 燃料电池拖拉机动力系统性能仿真分析 |
| 5.1 引言 |
| 5.2 运输作业工况下性能仿真分析 |
| 5.3 旋耕作业工况下性能仿真分析 |
| 5.4 犁耕作业工况下性能仿真分析 |
| 5.5 本章小结 |
| 6 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 作者简历 |
| 致谢 |
| 学位论文数据集 |
（8）拖拉机发动机常见故障诊断分析及排除方法（论文提纲范文）
| 1 保持拖拉机良好稳定运行的前提条件 |
| 2 拖拉机发生故障时的处理措施 |
| 3 拖拉机起动异常的故障诊断及排除方法 |
| 4 拖拉机发动机拉缸与烧瓦的故障诊断及排除方法 |
| 5 拖拉机冒烟异常的诊断及排除方法 |
| 6 结语 |
（9）谈拖拉机故障的分析与诊断（论文提纲范文）
| 1 故障外在表现形式 |
| 2 故障形成原因 |
| 3 故障分析原则 |
| 4 故障诊断方法 |
（10）拖拉机故障形成原因与分析判断方法（论文提纲范文）
| 1 拖拉机故障的表现形式 |
| 2 故障形成的原因 |
| 3 故障分析判断方法 |
四、浅析拖拉机故障形成的原因（论文参考文献）
- [1]拖拉机田间作业的振动特性检测与异常振动故障分析[J]. 刘春峰. 农机使用与维修, 2022(01)
- [2]基于责任卡识别与网络技术的拖拉机整机制造过程质量管理系统研究[D]. 姜超. 浙江大学, 2021(01)
- [3]农机多机协同作业任务分配关键技术研究[D]. 王猛. 中国农业机械化科学研究院, 2021(01)
- [4]基于声振分析的车辆故障诊断技术研究[D]. 李舒. 吉林大学, 2021(01)
- [5]动力换挡变速箱控制器故障检测系统研究[D]. 王承强. 北京交通大学, 2021(02)
- [6]基于振动噪声分析的拖拉机及其关键部件故障诊断方法研究[D]. 吴广彬. 吉林大学, 2020(08)
- [7]燃料电池拖拉机动力系统集成设计与容错控制研究[D]. 张璐頔. 山东科技大学, 2020(06)
- [8]拖拉机发动机常见故障诊断分析及排除方法[J]. 邱磊. 中国设备工程, 2020(07)
- [9]谈拖拉机故障的分析与诊断[J]. 辛淑荣. 农机使用与维修, 2019(12)
- [10]拖拉机故障形成原因与分析判断方法[J]. 薛宁. 农机使用与维修, 2019(12)