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。