基于GC-MS和电子鼻的面粉中粮虫快速检测方法

储粮害虫会降低粮食及其产品的重量、品质和营养健康指数,并且我国粮虫检测方式仍然以人工检测为主。为满足储粮害虫快速检测的需求,采用气相色谱-质谱联用仪（GC-MS）获得了赤拟谷盗（Tribolium castaneum（Herbst））的主要特定挥发性有机化合物（VOCs）,根据这些化合物的性质筛选出多个金属氧化物气敏传感器,并以传感器阵列为核心开发了储粮害虫电子鼻检测装置。该装置采集了赤拟谷盗、被赤拟谷盗侵染的面粉、被长头谷盗（Latheticus oryzae Waterhouse）侵染的面粉3种实验对象的气味信息,提取每条响应曲线的相对变化值和相对积分值作为原始特征矩阵（10×2）,使用主成分分析（PCA）和偏最小二乘回归算法（PLSR）对原始特征矩阵进行分析,并通过建立回归预测模型,实现了对面粉中赤拟谷盗和长头谷盗虫口密度的预测。优化后的传感器数量由10个减少至8个,赤拟谷盗样品的两个主成分累计的贡献率为79.4%。基于PLSR的预测模型对面粉中赤拟谷盗的数量有很好的预测效果（校正集：相关系数r=0.88,均方根误差为8.09;验证集：r=0.89,均方根误差为7.75）;该预测模型对面粉中长头谷盗的数量也有很好的预测效果（校正集：r=0.94,均方根误差为5.85;验证集：r=0.94,均方根误差为6.08）。研究结果表明：该装置能够满足判别储粮中不同虫口密度样本的基本需要,并且具有可靠的稳定性。     

基于Netty和Marshalling的青饲机工况远程监测系统研究

针对青饲机工况信息数据的采样频率、并发量不断增大时,会造成I/O速度降低和数据丢包率上升等问题,研究了车载终端与云服务的数据通信协议和长字符串编解码方法,分析了Netty框架和传统NIO框架对并发量的影响,比较分析了Java序列化、Protobuf和Marshalling等3种编解码方法,提出数据采集、数据传输、Web应用三者分开的技术方案,设计了基于CAN总线技术、Netty自定义通信协议的青饲机工况信息远程监测系统。模拟试验结果表明,在500 ms发送周期下,本系统比传统的数据采集系统在并发总量上提高了0.8倍;在200、100、50 ms发送周期下,采用Marshalling的系统性能比采用Java序列化的系统,在I/O速度上分别提高0.4、3.9、1.5倍。田间试验结果表明,系统运行平稳,具有很好的稳定性和可靠性。对青饲机主要部件的工况数据统计分析表明,数据对工况诊断具有参考性,系统基本满足对青饲机主要部件工况的监测需求。该系统能够在高频次、高并发量下提高I/O速度,保证稳定的数据接入量。     

滚筒翻抛机功耗理论分析

随着好氧堆肥的推广应用,针对包括功耗在内的性能参数进行理论研究对推动翻抛机械进一步发展具有重要意义。通过对滚筒翻抛机工作原理进行系统描述,分析得到了滚筒翻抛机的功耗影响因素,建立了滚筒翻抛机的功耗与其影响因素之间的关系。基于试验建模方法提出了建立滚筒翻抛机功耗模型的试验思路,为深入研究滚筒翻抛机的功耗提供了理论参考。      

基于气敏传感器阵列特征优化的储粮害虫赤拟谷盗检测

为实现储粮中害虫赤拟谷盗（Tribolium castaneum（Herbst））的检测，该研究使用自主开发的储粮害虫电子鼻检测装置，采集了小麦中不同虫口密度梯度的赤拟谷盗挥发性气味信息，根据10个气敏传感器采集到的响应曲线，提取了各个传感器的相对变化值（Relative Change，RC）、相对积分值（Relative Integral，RI）、平均微分值（Mean Difference，MD）作为原始特征矩阵（10×3），使用遗传算法（Genetic Algorithm，GA）作为特征选择方法，获得样本的特征信息，通过建立预测回归模型，实现了对小麦中赤拟谷盗虫口密度的预测。以识别准确率作为评价指标，对原始的特征矩阵进行了多特征优化，优化后的特征矩阵的识别准确率由原始的82.85% 提升至97.14%，优化后的特征数量由原始的30个减少为12个，特征数量减少60%，传感器数量减少至8个。最后通过采用偏最小二乘回归（Partial Least Squares Regression，PLSR）、主成分回归（Principal Components Regression，PCR）和支持向量机回归（Support Vector Machine Regression，SVR）3种回归方法进行回归预测，研究结果表明：基于偏最小二乘回归（PLSR）的预测模型达到了较好的预测效果，预测集回归模型的相关系数r和均方根误差RMSE分别为0.828和11.293。研究证明了气敏传感器阵列多特征优化方法的可行性和有效性，同时为实现粮食虫害快检测提供一种方法和参考。