基于时空双序列分析的温室WSN故障诊断

根据温室无线传感器网络(WSN)所采集数据在时间和空间上具有很强的相关性,从温室无线传感器网络基本结构出发,在分析WSN原始数据的基础上,通过对时空序列样本信息的预处理,分别建立了时间和空间故障诊断数学模型,据此分析传感节点的工作状态,给出了温室WSN故障诊断的综合算法.研究结果表明,该故障诊断方法能够及时、有效地发现温室WSN的异常并诊断出故障节点,提高了WSN工作的可靠性.     

基于时空双序列分析的温室WSN故障诊

根据温室无线传感器网络（WSN）所采集数据在时间和空间上具有很强的相关性，从温室无线传感器网络基本结构出发，在分析WSN原始数据的基础上，通过对时空序列样本信息的预处理，分别建立了时间和空间故障诊断数学模型，据此分析传感节点的工作状态，给出了温室WSN故障诊断的综合算法。研究结果表明，该故障诊断方法能够及时、有效地发现温室WSN的异常并诊断出故障节点，提高了WSN工作的可靠性。     

基于PCA-SDG的水轮机调节系统故障诊断

讨论了基于符号有向图SDG的故障诊断方法,建立了闭环控制系统的SDG模型及故障诊断推理规则.利用经验方法建立了典型的水轮机调节系统的SDG模型及故障诊断推理规则.针对SDG模型节点符号确定的主观性问题及节点阈值的组合爆炸问题,将主元分析PCA方法与SDG模型结合用于故障诊断.利用系统运行数据建立主元分析PCA模型,根据PCA模型构造残差统计量进行故障检测,当有故障发生时,将每一检测分量对残差统计量的贡献率与设定的贡献率阈值比较,得到各检测分量的定性符号值,该符号值作为SDG模型中相应节点的符号,根据SDG推理规则进行故障推理,找出故障源.根据现场运行数据建立水轮机调节系统的PCA模型,应用PCA-SDG故障诊断方法对其进行故障诊断,模拟系统传感器恒偏差故障,对故障诊断过程进行仿真,结果证明该PCA-SDG故障诊断方法对水轮机调节系统是有效的.     

基于UWB定位的智能温室三维温湿度检测系统研究

为解决现有无线检测系统无法精准有效反映温室内立体空间的环境变化情况，以及传感器节点定位误差大、硬件成本高等问题，设计了一种基于UWB(Ultra wide band)定位的智能温室三维温湿度检测系统。系统通过一款自主设计的集成UWB定位模块的STM32F系统板对各传感器节点进行定位，并搭载AHT25型高精度传感器对环境数据进行采集。UWB主基站使用4G网络通信模块将各传感器数据及位置信息发送到上位机，并在Web端根据HTML5技术实现温室三维温湿度场可视化，完成温室三维温湿度远程检测。系统定位测试试验证明，各传感器节点精度主要集中在10～30 cm范围内，部分节点测量位置误差大于50 cm,各节点最大丢包率为2.5%,平均丢包率为1.9%,满足温室测量基本需求，对检测温室热工缺陷区域以及研究植物生长适宜环境有重要意义。     

基于LabVIEW的拖拉机电气故障检测系统设计与试验

针对拖拉机下线后需要进行快速电气故障检测的需求,设计开发拖拉机整机下线电气故障检测系统。根据检测线的实际需求,针对拖拉机的电源系统、车载电器和传感器等电气故障进行检测识别。系统以PC机作为上位机,基于LabVIEW和MYSQL数据库构建数据监控界面;基于STM32处理器,综合CAN总线、传感器、无线通信等技术,设计手持检测终端作为下位机,实现数据收集和故障检测。设计完成后进行系统功能测试,测试结果表明:系统故障检测正确率达99.7%,能准确的识别电气故障并输出检测报表,检测时间小于2 min,满足拖拉机电气检测线的需求。     

基于模型优化预测与温度场分析的温室传感器故障识别

在温室高温高湿的工作环境下,传感器易出现故障,会对温室的智能管理造成一定的资源浪费,为保证智能化温室管理系统的有效运行,需要及时准确地对温室内故障传感器做出识别。通过试验对云南地区温室在夏季不同通风状态下室内场域的变化情况进行分析,以云南地区大型玻璃连栋温室作为研究对象,建立夏季不同通风方式下温室的三维稳态CFD模型,并结合试验对模型的有效性进行验证。根据实际的外界条件,对温室内部场域进行分析,预测出传感器节点位置处的环境数值,通过与实际读数进行对比,找出传感器读数异常位置。为进一步提高故障传感器识别的准确性,结合基于中值策略的传感器故障节点检测算法,能够及时准确地识别出温室故障传感器,为温室的智能化管理决策提供了准确的温室内环境数据。      

基于主成分分析和遗传支持向量机的发动机故障诊断

为了实现发动机故障的快速实时诊断,提出一种基于主成分分析（PCA）和遗传支持向量机（GA-SVM）的发动机故障诊断方法。该方法利用振动信号经小波变换和主元分析来提取故障特征,以减少信号的冗余。针对人为选择SVM参数的盲目性,应用遗传算法优化其参数,并与BP神经网络（BPNN）比较。试验结果表明：GA-SVM比BPNN具有更强的分类识别能力,小样本故障诊断正确率达100%。     

基于主成分分析和遗传支持向量机的发动机故障诊断

为了实现发动机故障的快速实时诊断,提出一种基于主成分分析（PCA）和遗传支持向量机（GA-SVM）的发动机故障诊断方法。该方法利用振动信号经小波变换和主元分析来提取故障特征,以减少信号的冗余。针对人为选择SVM参数的盲目性,应用遗传算法优化其参数,并与BP神经网络（BPNN）比较。试验结果表明：GA-SVM比BPNN具有更强的分类识别能力,小样本故障诊断正确率达100%。     

温室物联网测控管理系统开发与数据同步研究

为实现温室环境信息高效监测,开发了物联网测控管理系统的通用平台,主要包括基于Android的智能网关以及基于Google Web Toolkit的远程Web服务器,并制定了系统的数据同步通信协议。根据数据采集单元配置信息和预先设定的界面显示风格,智能网关和Web服务器的应用程序能够自适应地生成温室环境监测界面,动态地解析监测传感器数据并实现数据库存储,以Http post网络传输机制实现数据采集单元配置信息、监测传感器数值等数据在二者间的同步。试验结果表明温室物联网系统在实际应用中具有较高的稳定性,有效地避免了由于传感器和数据采集单元节点变更导致Web服务器和智能网关应用程序的二次开发。     

基于无线传感器网络的温室环境信息监测系统

为了解决当前温室监测系统存在的布线复杂、节点功耗大、部署不灵活、管理不便等问题,设计了一种基于无线传感器网络的温室环境信息监测系统.以CC2430为核心开发无线传感器节点,完成温室环境因子实时监测;采用ZigBee技术实现无线传感器网络自组网和监测数据自动汇聚;基于ARM9微处理器S3C2410A和WinCE5.0构建网关节点,采用嵌入式数据库管理模式实现了传感器节点管理、环境数据管理和预警等功能.初步试验表明系统具有功耗低、组网灵活、可扩展性强、人机界面友好等优点,能较好地满足温室环境监测的应用需求.     

基于多征兆信息融合理论的柴油机故障诊断

信息融合理论在故障诊断领域中得到广泛应用，为复杂机械故障诊断提供了一种新的方法。在研究了多传感器决策层融合理论——Dempster—shafer证据理论及其算法的基础上，提出了一种基于多征兆信息融合理论的故障诊断方法。以柴油机活塞和缸套之间的磨损为例，论述了该方法的实施过程。结果表明，多征兆信息的信息融合诊断方法具有良好的稳定性和容错性，提高了柴油机故障诊断的准确性和可靠性。     

基于高光谱与电子鼻融合的番石榴机械损伤识别方法

提出了一种基于高光谱与电子鼻融合的水果机械损伤识别方法。分别采用高光谱仪与电子鼻对无损伤、轻度机械损伤和重度机械损伤的番石榴进行采样,提取特征信息后,运用主成分分析(PCA)、线性判别分析(LDA)、欧氏距离分析(ED)和模糊C均值聚类(FCM)对高光谱仪、电子鼻以及高光谱与电子鼻融合3种识别方法的识别效果进行了对比。PCA和LDA的分析结果表明,高光谱与电子鼻识别番石榴机械损伤是可行的,但单独采用这两种识别方法均无法对番石榴机械损伤程度进行分级。采用高光谱与电子鼻融合方法,结合LDA分析可以较好地识别番石榴机械损伤程度,比单一识别方法具有更好的识别效果。此外,LDA比PCA对番石榴机械损伤识别效果更佳。根据PCA、LDA和ED分析结果可以推测多源信息融合的分类识别方法既可获取更多的样本信息,提高相同样本之间的聚类性,又可较多地保持单一分类识别方法得到的不同样本之间的最大距离。根据FCM分析结果,高光谱识别、电子鼻识别和高光谱与电子鼻融合识别3种方法对番石榴机械损伤识别的正确率分别为89.74%、82.05%和97.44%,验证了多源信息融合方法对提高水果机械损伤识别效果的可行性。     

基于BP神经网络的信息融合发动机故障诊断的研究

为了解决发动机喷油器故障诊断中基于单传感器信息的方法诊断精度低的缺点，在神经网络分析的基础上，提出了一种基于气缸压和、缸盖振动信号和燃油压力等多传感器信息融合的喷油器故障诊断新方法。该方法能有效地提高其故障诊断精度，明显增加了诊断过程的准确性和智能化。     

有机磷农药气敏传感阵列检测信号小波包降噪方法

针对有机磷农药气敏传感阵列测试信号含有噪声,严重影响测试结果准确性与可靠性这一问题,选择辛硫磷和乙酰甲胺磷农药残留为研究对象,采用基于小波包分解与重构的气体传感阵列信号降噪方法,并借助主成分分析（PCA）和Fisher判别分析（FDA）,分别研究了信号降噪前后两种农药不同质量比的鉴别情况。结果表明：传感阵列信号降噪后两种农药的不同残留样品均能被鉴别区分。小波包降噪可有效地提高气敏传感阵列对蔬菜农药残留的鉴别效果。     

基于RSTCNN的小麦叶片病害严重度估计

以小麦叶片条锈病和白粉病为研究对象,针对同类型病害的不同严重度之间的图像颜色及纹理特征差异较小,传统方法病害严重度估计准确率不高的问题,提出一种基于循环空间变换的卷积神经网络(Recurrent spatial transformer convolutional neural network,RSTCNN)对小麦叶片病害进行严重度估计。RSTCNN包含3个尺度网络,并由区域检测子网络进行连接。每个尺度网络以VGG19作为基础网络以提取病害的特征,同时为了统一区域检测过程中前后特征图的维度,在全连接层前引入空间金字塔池化(Spatial pyramid pooling,SPP);区域检测子网络则采用空间变换（Spatial transformer,ST）有效提取尺度网络特征图中病害的注意力区域。小麦叶片病害图像通过每个尺度网络中卷积池化层得到的特征图,一方面可作为预测病害严重度类别概率的依据,另一方面通过ST进行注意力区域检测并将检测到的区域作为下一个尺度网络的输入,通过交替促进的方式对注意力区域检测和局部细粒度特征表达进行联合优化和递归学习,最后对不同尺度网络的输出特征进行融合再并入到全连接层和Softmax层进行分类,从而实现小麦叶片病害严重度的估计。本文对采集的患有条锈病和白粉病的小麦叶片图像结合数据增强方法构建病害数据集,实验验证了改进后的RSTCNN在3层尺度融合的网络对病害严重度估计准确率较佳,达到了95.8%。相较于基础分类网络模型,RSTCNN准确率提升了7~9个百分点,相较于传统的基于颜色和纹理特征的机器学习算法,RSTCNN准确率提升了9～20个百分点。结果表明,本文方法显著提高了小麦叶片病害严重度估计的准确率。     

基于ZigBee技术的棉田滴灌监测与控制系统

设计开发了基于ZigBee无线传感网络技术的棉田滴灌监测与控制系统。该系统通过无线传感网络实时采集土壤环境信息,使用自适应加权融合算法对各节点土壤湿度数据进行融合,根据融合数据发送电磁阀控制命令,完成实时监测自动灌溉;结合棉花不同生育期对需肥量和施肥浓度的要求,根据灌溉水量设置注肥比例,系统通过无线传感网络实时采集液态肥流量,实时监控施肥量,并根据施肥量发送施肥电磁阀控制命令,完成水肥一体化灌溉。工作过程中,系统可以将传感器采集的数据通过ZigBee无线网络协调器传输给上位机并实时显示和存储。通过试验验证,该系统可以按照设计要求实现灌溉和施肥的自动控制与检测。     

自适应融合气体-光谱双模态信息花生产地溯源方法

不同产地的花生质量差异明显,贴优质产地标签贩卖劣质花生的现象时有发生。本文基于电子鼻与高光谱系统的无损检测技术,提出双模态融合特征注意力（Bimodal fusion feature attention,DFFA）并设计DFFA-Net以实现花生质量辨识。首先,利用电子鼻与高光谱系统获取7个不同产地花生气体信息和光谱信息,花生自内而外的气体信息可以表征其整体宏观质量,不同化学键及官能团的光谱信息差异可以表征其整体微观质量;然后,提出DFFA以自适应融合气体-光谱双模态信息并关注影响分类性能的重要特征,并结合消融实验证明了双模态信息融合的必要性;最后,基于提出的DFFA模块,经网络结构优化得到DFFA-Net以实现不同产地花生质量的有效辨识。通过消融分析、多注意力机制分类性能对比,DFFA-Net获得了最佳分类性能：准确率为98.10％、精确率为98.15％、召回率为97.88％,验证了DFFA-Net在花生产地辨识中的有效性。提出的DFFA-Net结合电子鼻和高光谱系统实现了不同产地花生的质量辨识,为花生市场质量监督提供了有效的技术方法。     

基于深度学习的柑橘病虫害动态识别系统研发

柑橘是我国重要的经济林果之一,因种植区多在山区坡地,病虫害防治给管理带来了很大困难,在线监测与专家决策成为现代农业发展的方向。本文采用物联网技术和深度学习方法,基于尺度可变视频流信息,设计并构建了一套基于柑橘叶片的病虫害动态识别系统。该系统实现了全方位智能控制,解决了实时叶片图像变形和尺度缩放等问题,实现了柑橘图像的动态采集和智能识别。叶片检测的MAP达到87.72%,病害识别准确率达到95.46%,系统运行结果表明,该系统可有效实现柑橘智能监控的管理,为病虫害物联网监控提供参考。