液电混合直线驱动系统位置控制特性研究

提出了一种采用电-机械直线执行器和液压缸的液电混合直线驱动系统。为消除电-机械直线执行器和液压缸之间的耦合影响,液压泵和比例阀协同控制液压缸输出力和运行方向,满足系统负载力需求,电-机械直线执行器用于运动控制,并补偿液压缸输出力波动和外部干扰力。为实现上述目标,设计了基于扩张状态观测器的电-机械直线执行器自适应滑模控制方法,以估计的负载力调节泵压力和比例阀开度,对液压缸输出力进行调控。比例阀在系统运行中主要用于控制液压缸运动方向,阀开度较大,可显著降低节流损失。通过仿真和试验分析了系统的运行特性和能效特性。结果表明,该系统具有良好的位置控制特性,能量效率高,较传统阀控系统能耗减少51%。     

基于快速卷积神经网络的果园果实检测试验研究

近年来,基于数字图像处理和机器学习算法的果实自动识别检测研究已经越来越成熟。针对传统检测方法检测过程中难以满足实时性要求的缺点,采用了基于Faster-RCNN的果实快速检测模型。模型由卷积神经网络(CNN)和区域提议网络(RPN)组成,首先由CNN进行卷积和池化操作提取特征,然后由RPN选取候选区域,通过网络全连接层参数共享,由目标识别分类器和边界框预测回归器得到多个可能包含目标的预测框,最后通过非极大值抑制挑选出精度最高的预测框完成目标检测。分别对桃子、苹果和橙子的三种果实进行检测,采用迁移学习方法,使用已经预训练好的两种深度神经网络模型ZFnet和VGG16,通过数据集的训练对Dropout及候选区域数量进行参数调整完成网络调优。检测并分析果实不同布局形态下模型的检测效果。试验结果表明,当Dropout取值为0.5或0.6,候选区域数量为300时网络模型最佳,ZFnet网络中,苹果平均精确度为92.70%,桃子为90.00%,而橙子为89.72%。VGG16网络中,苹果平均精度为94.17%,桃子为91.46%,橙子为90.22%。且ZFnet和VGG16的图像处理速度分别达到17 fps和7 fps,能够达到果实实时检测的目的。     

新型果园宽幅联合仿形修剪机设计与研究

针对目前修剪机修剪形状单一,适应性差,修剪机械通用性能低的问题,通过理论分析、三维模型设计、性能试验相结合的方法,设计针对新型果园的宽幅联合仿形修剪机。主要对该整机的机架结构、切割装置、传动系统、液压系统进行了设计,并分别对机架结构和切割装置的机构进行运动分析。试验结果表明:该修剪机切割高度范围为500～4 000 mm,向左最大移动幅度为1 530 mm,向右最大移动幅度为740 mm,左右最大摆角幅度为±25°,最大切割直径为60 mm,修剪漏割率为7.3%,修剪合格率为90.9%,切割断面质量和修剪形状符合农艺学的要求。该机适应性强,通用性能高,能满足多种修剪树形的需要。     

甘肃省玉米生产全程机械化实践与探索

通过对玉米生产全程机械化技术的研究及推广应用,探索性地提出其主要技术模式和配套机械方案等。     

RFID技术在茶叶物流追溯系统中的应用

我国居民对茶叶产品的消费需求日益提高。应当建立科学完善的茶叶物流追溯系统,让消费者充分了解茶品物流信息,保障消费者消费权益。这对消费者与茶叶物流企业都是非常有利的事情。本文分析了RFID技术在茶叶物流追溯系统中的应用所存在的优势及问题,提出了拓展RFID技术应用于茶叶物流追溯系统的相关建议。     

农村电网配电台区智能化改造及系统建设

强调了加强农村电网配电台区智能化改造及系统建设的重要性，阐述了农村电网配电台区的构成情况。重点以某农村地区为例，提出并实施了相应改造措施，评价了改造效果。      

经济林产业发展现状及对策建议

经济林产业的发展对促进我国林业产业发展有重大作用,对我国农业经济现代化建设有着巨大意义。针对现代经济林产业发展状况及存在问题进行了分析,并针对问题提出合理化的对策建议,希望提高经济林产业机械化程度,深化经济林产业结构调整,促进经济林产业进一步发展。     

基于双向准Z源逆变器的无刷直流电机驱动系统研究

针对农用电动运输车直流电源电压降落而导致的动力降低,以及车辆行驶工况复杂多变等问题,设计一种基于双向准Z源逆变器的无刷直流电机驱动系统。以STM32F103C8T6为控制器,完成驱动系统的硬件电路设计。通过直流母线方波升压和SVPWM控制策略,使无刷直流电机驱动系统具有ON-PWM斩波、准Z源方波升压、准Z源SVPWM三种驱动模式。最后搭建驱动系统的试验平台,取直流电源电压U_(dc)=24 V,直通占空比D_0=0.2,准Z源方波升压和准Z源SVPWM都将逆变桥的直流母线电压提升至40 V以上,有效解决直流电源电压降落的问题。驱动系统根据加速、爬坡、重载等具体工况快速、准确地切换工作模式,满足车辆的动力需求,提高车辆行驶的安全性和可靠性。     

基于PCA-Attention-LSTM网络的土壤氮含量监测

土壤作为农作物生长的主要营养来源,氮是植物生长的重要元素,有效评价土壤氮素含量可以促进配方施肥的发展。提出主成分分析、注意力机制和长短时记忆神经网络相结合的模型(PCA-Attention-LSTM)来监测土壤的氮素含量。采用PCA(主成分分析)对数据进行处理,提取影响土壤氮含量的关键影响因子,降低模型向量输入的维数,利用注意机制突出预测中的关键输入特征。在Keras深度学习框架的基础上搭建PCA-Attention-LSTM的网络模型,实现对未来2 h土壤氮含量的精监测。最后,以黑龙江省依安甜菜养植基地的数据对土壤氮含量进行训练和验证。结果表明,与RNN等其它网络模型相比,该模型的效果更好,基于PCA-Attenlion-LSTM网络模型的平均绝对误差,均方根误差和平均绝对百分误差分别为0.119、0.020、0.156。该模型预测精度高,泛化能力强,可以应用于土壤氮含量的监测。