基于卷积神经网络的拖拉机工况识别

农机工况识别在细化农机作业状态和帮助掌握区域污染物排放趋势方面有着重要的研究价值。基于拖拉机不同运行状态下的行驶速度、发动机转速以及实时油耗等时间序列,首次提出将图像识别方法引入到拖拉机工况识别中的思路,并分别应用参数优化的支持向量机与卷积神经网络对实际作业拖拉机工况进行研究。结果表明:(1)基于参数优化的支持向量机可以较好地实现样本点的工况识别且识别准确度达到99.851 9%,但无法实现农机工况的连续性识别,同时无法对农机工况转换阶段进行有效识别。(2)以拖拉机运行速度与发动机转速等信息构建样本图像来描述农机工况变化的数据表达,并在此基础上应用卷积神经网络可以有效实现农机工况的连续性识别,且识别准确率可以达到93.3%。本研究在农机工况识别方面具有一定参考价值,并为后续农机不同工况下区域污染物排放研究提供技术支持。     

数值模型结构不确定性对模拟结果的影响分析

以内蒙古鄂托克旗为例,基于GMS中的MODFLOW模块构建了地下水流数值模拟模型,分析了模型结构(含水层厚度、参数分区)与模型参数不确定性因素对模拟结果的影响.研究结果表明:含水层不确定情景(含水层下边界概化为隔水底板平均值870 m)与实际情况水头差值绝对值的累计和最大为701 m,对模拟结果起了主控作用;当含水层下边界概化为910,940 m时,累计和分别增加为1 013,1 593 m;与仅考虑单个不确定性因素相比,同时考虑模型参数与含水层不确定情景累计和最大为738 m,同时考虑参数分区与含水层不确定情景累计和最大为791 m.因此,在构建地下水流数值模拟模型时,应优先考虑含水层空间结构概化的合理程度,同时考虑多个不确定性因素对模拟结果的综合影响,使地下水数值模拟模型能更精确地反映真实的地下水流状况.     

基于BP神经网络的柴油发动机特性建模

建立连续的发动机燃油特性和调速特性数学模型作为液压机械无级变速器虚拟试验平台的动力源。根据虚拟平台对不同特性区域的精度需求对柴油发动机不同特性区域的试验数据进行不同的密度选取、乱序和归一化处理,采用单隐层BP神经网络对试验数据进行训练,对比不同隐层节点数网络的训练误差和测试误差,选取误差最小的网络,求解出网络的数学表达式。通过该方法以ISLe310柴油发动机为例建立燃油特性和调速特性的连续数学模型,这两个简单的数学表达式准确反映了发动机万有特性和外特性,连续模型避免了虚拟试验中出现信号的突变和奇异点。通过和经典的最小二乘法拟合得到的最优特性模型进行对比,其具有更小的误差、更强的泛化能力,能够更好地反映柴油发动机的相关特性。     

拖拉机室内台架试验技术现状与展望

作为拖拉机研发的重要验证手段，拖拉机室内台架试验可方便高效地为拖拉机模拟各种工况下的性能表现。首先探究动力总成控制技术、负载模拟技术、试验数据处理技术和试验结果评价技术4种拖拉机室内台架试验关键技术，结合试验技术的最新研究进展，对4种技术进行详细的阐述和分析。接着从动力总成控制算法、负载模拟算法、试验数据处理方法、试验结果评价指标体系4个方面对拖拉机室内台架试验技术进行讨论与展望。最后得出对动力总成算法进行优化、提高动态负载模拟精度、保持试验数据处理方法的前沿性、对试验结果综合客观评价是拖拉机室内台架试验技术的发展趋势，以期为我国拖拉机室内台架试验技术的发展提供参考。     

园艺景观型香蕉树立式切片机设计与试验

提出一种香蕉树干回收利用预处理模式，并以此模式研发了一种香蕉树机械化切片、切散的预处理装置，该装置切片方案是由多把圆盘锯齿刀背刀交错布置于2条动力轴上，2条动力轴放置同一水平面且成一定夹角、相向转动，以此带动切片刀具相向转动切割。先利用CAD软件建立虚拟样机、仿真出几种典型的切片组合方案，再搭建切片物理样机，最后选取动力轴夹角、传送喂料速度、香蕉树干直径和切片刀具动力轴转速为试验因素，探究样机切片功率与各试验因素之间的影响规律。样机切片试验结果表明，该切片机构方案设计可行，影响因素试验结果可用，可为进一步香蕉树回收再利用的机具研发提供参考依据。      

不同送风和载物方式作用下冲击式速冻设备中虾仁冻结过程的比较

以明虾虾仁为研究对象,利用数值模拟结合实验验证的方法,研究两种送风方式(单侧送风和双侧送风)和两种载物方式(板带载物和网带载物)对虾仁冻结过程的影响,找到使虾仁冻结时间最短的送风和载物方式。研究发现:对于虾仁冻结来说,采用双侧送风+网带载物可以使虾仁表面流场流速更大,有利于提高换热效率,减少虾仁冻结时间,相对于其他送风方式和载物方式来说可缩短虾仁冻结时间的14%～25%;双侧送风有助于低速侧形成提高虾仁下表面流速的涡流,而网带载物可以避免在虾仁下侧面与网带交界处以及虾仁头部形成射流"真空区",上述均有助于提高虾仁表面风速,缩短虾仁冻结时长;但是冻结速度越快,虾仁冻结均匀性则越差。在本次实验中,虾仁内外最大温差出现在实验组D(双侧送风+网带载物),最大温差可达13.02℃。     

基于声振信号对称极坐标图像的苹果霉心病早期检测

为实现苹果早期霉心病较高精度的检测，该研究采用对称极坐标法（Symmetrized Dot Pattern，SDP）将苹果声振信号变换为雪花图，然后采用AlexNet、VGG16和ResNet50卷积神经网络以迁移学习方式深度挖掘SDP雪花图像的特征信息，将其输入到支持向量机（Support Vector Machine，SVM）分类器，对霉心程度≤7%的苹果进行检测。研究结果表明，当时间间隔系数为25和角度放大因子为50°时，健康果与早期霉心果声振信号的SDP图形状特征差异最大，在此条件下获取的SDP图经卷积神经网络AlexNet、VGG16和ResNet50提取特征并构建了不同核函数的SVM霉心果检测模型，在各类SVM模型中，ResNet50-SVM-gaus（高斯基）模型用相对较少的训练时间和参数量可取得训练集霉心果较高分类准确率，经超参数优化训练该模型对健康果和早期霉心果测试集不平衡样本（10∶1）的总体分类准确率达到96.97%，平均查准率、平均查全率、平均加权调和均值、Kappa系数和马修斯相关系数值分别为80.19%、90.36%、86.21%，82.54%和82.68%，该模型不仅对多数类的健康果保持较高分类准确率，而且对少数类的早期霉心果也具有较高判别能力。这些研究结果为声振法应用于果蔬内部病害的早期在线检测系统研发提供了技术支撑。     

基于卷积神经网络马铃薯叶片病害识别和病斑检测*

针对自然环境下马铃薯叶片病害识别率低和晚疫病斑定位难的问题,基于大田环境中采集的马铃薯叶片图像,首先对马铃薯叶片病害进行识别,对比AlexNet、VGG16、InceptionV3、ResNet50、MobileNet五种神经网络模型,结果表明InceptionV3模型的识别效果准确率最高,可达98.00%。其次对马铃薯叶片的晚疫病斑进行检测,提出一种改进型的CenterNet-SPP模型,该模型通过特征提取网络获取对象的中心点,再通过中心点回归获得中心点偏移量、目标大小等图像信息,训练后的模型在验证集下的mAP可达90.03%,以F₁为评价值分析对比其它目标检测模型,CenterNet-SPP模型的效果最好,准确率为94.93%,召回率为90.34%,F₁值为92.58%,平均检测一张图像耗时0.10 s。为自然环境下马铃薯叶片病害识别和检测提供较为全面的深度学习算法和模型研究基础。     

隔板长度对紧凑型高速磁力泵水力特性及叶轮径向力的影响

为探究蜗壳内隔板长度对紧凑型高速磁力泵外特性与叶轮径向力的影响,根据蜗壳型式及隔板长度的不同提出6种蜗壳方案.设单蜗壳为方案一,其余双蜗壳方案根据隔板长度从小到大依次设为方案二至方案六.采用ANSYS-CFX软件对不同工况下(0.8Q_d,1.0Q_d,1.2Q_d)各蜗壳方案泵内流场进行数值模拟,得到不同蜗壳方案的泵中心面静压分布云图,并进行径向力分析.采用方案四蜗壳作为泵实型样机进行试验,将试验值与计算结果进行对比.研究结果表明:相较于无隔板的单蜗壳泵,采用有隔板的双蜗壳泵有利于平衡叶轮径向力,在额定流量下单蜗壳在x,y方向的径向力最大分量分别为151.2,149.7 N,是双蜗壳方案四的1.5倍;随着隔板长度的增大,泵的扬程与效率均逐渐提高,叶轮径向力不断减小,3种工况下扬程的模拟值与试验值偏差均小于3.0%;试验表明数值计算结果具有可信性,研究结果可为紧凑型高速磁力泵在提高水力性能以及平衡叶轮径向力方面提供一定参考.     

基于卷积神经网络的玉米病害识别方法研究

为解决传统的玉米病害识别方法中特征提取主观性强及误识率高的问题,提出利用卷积神经网络对玉米病害进行识别。以玉米病害图像和健康图像共5种类别的玉米图像为研究对象,并采用LeNet模型进行试验。首先,按照8∶2的比例为每种玉米病害图像选择训练集和测试集。然后,通过试验组合和对比分析的方法比较不同卷积神经网络结构设置对准确率的影响,选出最佳参数。另外,选用Adam算法代替SGD算法来优化模型,通过指数衰减法调整学习率,将L2正则项添加到交叉熵函数中,并选择Dropout策略和ReLU激励函数。最后,确定了一个10层CNN网络结构。试验结果显示,玉米花叶病、灰斑病、锈病、叶斑病和玉米健康识别率分别为95.83%、90.57%、100%、93.75%、100%,平均识别率达96%,平均计算时间为0.15 s。经试验结果比较,该模型识别效果明显高于传统方法,为玉米病害的防治提供技术支持。