谷物联合收获机脱粒系统研究现状

针对我国联合收获机脱粒系统作业效率和质量不高的问题,从脱粒系统总体结构、关键零部件设计、脱粒系统功耗、脱粒过程理论分析等方面论述谷物联合收获机脱粒系统的研究现状。目前采用轴流式脱粒系统的联合收获机较多,研究主要在提高脱粒系统作业参数可调整性、设计柔性脱粒零部件、脱粒系统工作过程理论分析及智能化脱粒等方面,据此对脱粒系统发展趋势进行分析,未来柔性脱粒系统以及脱粒强度可调的脱粒系统的研究将使脱粒系统作业损失率进一步降低、作业效率进一步提高。对不同作物专用脱粒零部件的研究将进一步深入,脱粒系统对作物的适应性会进一步提高。脱粒系统智能化水平会继续提高,脱粒系统的作业信息感知能力和智能控制水平会进一步提升。     

谷物联合收获机清选系统智能化技术研究进展

清选系统作为谷物联合收获机的核心部件,直接影响着收获机的作业效率和清选效果。目前我国谷物联合收获机清选系统的智能化程度普遍较低,如何实现清选装置高效智能化技术发展和提高清选系统工作性能是谷物联合收获机研究的难点。从清选系统基本结构、损失监测传感器、信号处理电路以及自适应控制系统研究等方面综述分析国内外谷物联合收获机清选损失监测、自适应调控等技术研究进展,探究提高谷物联合收获机清选系统损失监测精度以及清选装置自适应调节效果,以期为实现谷物联合收获机整机智能化和信息化提供理论依据。     

谷物联合收获机自适应控制方式与技术分析

随着我国农业机械化进程的不断加快,谷物联合收获机使用率越来越高,通过谷物联合收获机的发展现状,分析谷物联合收获机自适应控制方式,并探究谷物联合收获机自适应控制的关键技术,为进一步实现谷物联合收获机的机械化与智能化应用提供参考。     

ZKB-5型谷物联合收获机改装青贮玉米收获机

介绍了用ZKB-5型谷物联合收获机改装青贮玉米收获机改装要点,使用效果表明改装后收贮玉米,生产率达0.3-0.4hm2/h,切碎长度1.5～3.0cm,改装投入仅需2.5万元/台,作业二年即可收回投入。     

谷物联合收获机工作的调整

该文论述谷物联合收获机工作调整，提高谷物联合收获机的工作效率和质量。主要对联合收获机的主要部件切割器、拨禾轮、脱粒装置等进行工作前的调整。指出做好收获前准备工作的方法。     

国内谷物联合收获机割台智能化现状与发展研究

我国农业机械化技术不断进步,谷物联合收获机使用率不断提高,割台作为收获机重要装置对收获质量有显著影响,但国内传统收获机在收获作业中对割台智能化控制存在明显缺陷,导致实际工作中产生较高割台损失,严重限制高效低损收获机的发展,因此提高割台智能化水平以降低割台损失成为研究重点。结合割台结构及工作原理,通过对割台仿形和高度智能化控制、关键部件和割台整体运动参数智能控制研究分类评述。对于减小割台收获姿态造成的割台损失,提高割台仿形和高度控制响应速度及控制实时性,重点对比分析不同控制方式、测量方法、算法和控制方法的优点与不足。对于降低关键部件运动状态造成的割台损失,分类归纳割台关键部件及整体控制系统的部分组成与发展。同时,总结目前国内割台智能化研究的不足,阐述联合收获机自适应割台研究发展趋势,以期为优化割台结构,减少割台损失,提高谷物联合收获机智能化水平提供参考。     

联合收获机谷物损失实时监测系统研究

为了实现联合收获机工作过程中谷物损失量的实时监测,设计了谷物损失实时监测系统。该系统以PVDF压电薄膜作为敏感元件,通过电压放大器、带通滤波器、精密全波整流、包络检波等构成信号调制电路来检测谷物冲击信号,为了减小联合收获机的振动干扰,设计了一种双层隔振结构。在1.1~2.6m/s范围内进行谷物冲击性能试验。结果表明,谷物冲击信号的电压峰值为2~4V,且电压峰值随冲击速度的增大而增加。以AT89C52单片机为核心开发了二次显示仪表,实时采集传感器输出的谷物冲击信号。田间试验表明,该系统能够有效获取谷粒冲击信号,实时显示联合收获机谷物夹带、清选损失率,具有预报警功能,且测量结果可以通讯输出。     

谷物收获机典型故障研究与分析

我国是粮食生产大国,粮食收获离不开谷物收获机,谷物收获机主要包括小麦和玉米收获机。农机作业要求时效性强,可靠性高,需要收获机在麦收、秋收时节能够保证农作物高效、及时收获。收获机及发动机出现故障时,需要在短时间内排查和解决故障,为保证收获机在农忙时节顺利完成收获作业,介绍了收获机及发动机在作业过程中容易出现的典型故障以及如何使用正确的方法排查和解决故障,为收获机使用和维修提供参考。     

自走轮式谷物联合收获机市场走势分析

介绍了2019年1-4月自走轮式谷物联合收获机市场销售情况,分析了市场格局,并对下一步市场走势提出预测。     

小型背负式谷物摘穗联合收获机的研究

运用摘穗收获方式，研制了应用在小型联合收获机上的摘穗台，并对影响摘穗台损失的因素进行了研究与分析，在此基础上，开发了小四轮拖拉机配套的背负式谷物摘穗联合收获机，其喂入量达１．９４ｋｇ／ｓ，总损失率２．３７％，具有生产率高，功耗少，结构简单等特点。     

谷物联合收获机的使用与调整

对机器正确的调整有利于提高收获效果,延长机器的使用寿命。本文主要论述切割器、输送带和传动带、扶禾器、升降操纵机构几个部件的调整。     

谷物联合收获机脱粒滚筒功耗模型研究

以脱粒滚筒为研究对象,对脱粒滚筒的工作过程进行分析,得知脱粒滚筒脱粒阻力矩如何形成,从而得出脱粒功率表达式;分析谷物湿度变化对脱粒阻力矩的影响,得出谷物湿度与脱粒功率之间的关系,建立了脱粒滚筒的功耗模型。随着谷物湿度增加,脱粒功率先增加后减小。     

基于占空比测量的谷物联合收获机产量监测系统研究

针对谷物联合收获机产量监测系统成本高、结构复杂和稳定性较低的问题,设计了基于占空比测量的谷物联合收获机产量监测系统,由对射式光电传感器、GPS模块、数据处理单元、数据存储单元和可视化单元组成。系统工作时,通过对射式光电传感器监测刮板上谷物遮挡与不遮挡两种电压信号,通过软件系统处理信号中高度对应的占空比,利用占空比与产量计量模型的关系获得产量数据,并连同系统的绝对时间、GPS数据存储到系统中。通过EDEM仿真和理论模型分析,推导了占空比测量值与谷物质量的正比例关系。利用台架试验对占空比测量值与谷物质量进行了全局模型和局部模型拟合,决定系数R²均不小于0.988。随后通过台架试验对全局模型和局部模型进行模型分析,台架试验结果表明,虽然局部模型可能对固定转速下的测量数据更优,但全局模型更具有通用性。随着系统测量数据的增加,相对误差逐步减小。田间试验中对系统测量的异常信号进行了统计和分析,为了减少异常信号对测产误差的影响,对系统测量值与实际产量进行了标定。田间试验结果表明,产量监测系统测产最大相对误差为3.83%,平均相对误差为0.40%,系统整体误差和误差波动均较小。     

谷物联合收获机清选装置疲劳寿命分析

以等强度设计思想为指导,以提高联合收获机清选装置疲劳寿命、延长使用功效为目标,运用刚柔耦合动力学分析、疲劳寿命分析、装配尺寸公差分析等方法,通过建立清选筛动力学模型,对影响联合收获机清选系统疲劳寿命的因素进行研究,获得影响清选装置主要零部件疲劳寿命的关键因素。提出一种清选系统疲劳寿命分析方法和优化设计方法,并通过试验验证了该分析方法的准确性,仿真与试验应力偏差在20%以内。     

谷物联合收获机筛分系统现状及发展趋势

谷物联合收获机是农业生产机械的重要组成部分,筛分系统是影响谷物收获效率的主要因素。但是,目前谷物联合收获机作业时,谷物籽粒、茎秆等含水率较高,在进行筛分时容易出现湿料堵塞筛孔、造成机械流动性较差,进而影响谷物收获机整体工作效率,严重时还会引起整机故障。针对以上问题,详细阐述目前国内外谷物联合收获机筛分系统的主要类型及应用特点,基于我国现代化农业智能化发展,本研究提出未来我国谷物联合收获机筛分系统主要发展趋势及研究重点,研究结果旨在为提升我国谷物联合收获机筛分系统工作性能提供理论参考。     

谷物收获机改装油菜收获机技巧

自2002年以来,青海省互助县农机推广站对约。翰·迪尔佳联3070型收获机进行了改装,使该机能够满足联合收获油菜籽的要求。经过几年的试验和应用,取得了良好的效果,为油菜联合收获开辟了一条新路,现已在全省推广应用。     

微小型谷物联合收获机设计与试验

针对南方丘陵山区的小田块地形及当前小型谷物联合收获机存在的问题,阐述了微小型谷物联合收获机的设计思路和关键零部件设计,并进行田间试验测试。试验结果表明,该机具有“轻、小、简、廉”特点,适应小田块作业。      

浅谈谷物联合收获机的在线测产技术

在农业发展的整体进程中,机械化的发展无疑为农业发展提供了巨大动力.谷物联合收获机的在线测产技术在实际使用过程中,既能够获取到谷物产量信息,又能检测到谷物实际产量.实践证明,该技术的研究可以进一步推动中国智慧农业的发展,助力乡村振兴.笔者分析了谷物联合收获机在线测产技术,并提出从改革现有农业生产模式、强化测产传感器技术、...     

浅析谷物联合收获机的喂入量

喂入量是谷物联合收获机的主参数,其对机器的作业性能、整机可靠性以及经济性有着深刻的影响。按照标准规定的方法进行测试是验证谷物联合收获机实际喂入量大小的唯一途径,喂入量的大小也直接影响着补贴额度的大小。     

谷物联合收获机喂入量神经网络模型建立

考虑物料的物理特性,对喂入量理论方程进行分析,利用正交试验获得喂入量的主要影响因素,建立了喂入量BP神经网络模型。该模型输入参数为物料湿度、油压力、谷草比,输出参数为喂入量。仿真试验结果表明:训练样本、确证样本和测试样本网络输出与网络目标的误差较小,相关系数可达0.999 5,模型可以准确地反映喂入量。用未参加训练的10组样本进行喂入量测定,网络模型的误差平方和为0.769 2,远小于回归方程的误差平方和2.656 2,可见网络模型优于回归方程。