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CNN的FDM型3D打印故障诊断方法

热熔堆积(FDM)型3D打印时易受外部环境和参数设置的影响而发生故障,造成打印件的失败.为避免成型过程失败后继续打印,造成材料和时间的浪费,提出热熔堆积型3D打印故障自动诊断方法.该系统基于卷积神经网络(Convolutional Neural Network,CNN)的图像识别技术,通过监视、分析打印成型中零部件表面...     

水轮发电机组故障诊断技术

文章主要从水电站的实际情况出发,对水电站机电设备状态监测和故障诊断的意义、定义和特点进行了描述,并对现有的设备故障诊断技术的研究及应用现状进行了分析,同时指出了未来水电机组故障诊断技术中应研究的重点方向.     

基于分类框架结构的汽车故障诊断专家系统

介绍了在Ｗｉｎｄｏｗｓ环境下开发的具有人工智能及多媒体技术的汽车诊断专家系统。重点介绍了在建立该系统时,基于分类框架结构的知识表示,知识获取和推理方法。通过多次试用,证明采用分类框架结构来表示汽车的功能性故障具有层次分明,推理过程简单等优点。     

变速箱故障模糊诊断的研究

变速箱是机械设备的重要组成部分.由于机械设备的特殊运行条件和运行环境使得变速箱中齿轮副、轴、轴承等常发生故障.因而随着科学技术的发展,对变速箱实施故障诊断,显得尤为重要.而故障诊断的前提是对于故障特征信号的提取.近年来,模糊故障诊断技术在故障诊断和特征提取方面的应用也越来越多.为此,利用故障模糊诊断技术,通过对齿轮在运转时产生的振动信号进行特性分析,诊断齿轮系统的故障.     

计算机视觉技术在苹果叶片营养诊断上的应用

植物营养诊断方法很多,但是无论何种方法,由于复杂的检测技术条件,在实际应用中均存在着一定困难,人们希望获得更快更简捷的检测方法和工具.随着计算机视觉技术的专业化与计算机硬件成本的降低和速度的提高,其在农产品诊断领域应用计算机视觉已变得越来越具有吸引力.苹果叶片营养状态诊断是进行合理施肥的前提,因此具有非常重要的意义.     

基于茎秆直径微变化的拔节期玉米水分亏缺诊断指标研究

为了探索利用茎秆直径微变化诊断玉米水分亏缺状况的最优指标,采用桶栽的方法,开展了不同水分处理条件下拔节期夏玉米茎秆直径微变化中的日最大收缩量(MDS)、日增长量(DI)和当日恢复时间(RT)3个指标的变化规律及其与土壤相对含水率之间相关关系方面的试验研究。结果表明,(1)不同处理间的MDS和DI受水分亏缺影响差异较为明显,RT对土壤相对含水率的响应较为一致;(2)玉米日最大收缩量MDS和日增长量DI受到环境因素的影响较大,与土壤相对含水率θ的相关系数较小;(3)恢复时间RT与土壤相对含水率θ的相关系数最高,且受水分亏缺处理的影响较小,可以作为诊断玉米水分亏缺状况的较好指标。综上可知,与MDS和DI相比,RT更适合诊断夏玉米水分亏缺状况。     

基于改进级联神经网络的大豆叶部病害诊断模型

针对大豆叶部病害性状特征与病种之间的模糊性和不确定性,将数字图像处理技术与神经网络智能推理技术相结合,充分挖掘大豆受病害胁迫后表现性状与病种之间的潜在规律,提出了基于改进级联神经网络的大豆病害诊断模型。首先利用自制载物模板无损采集大田大豆叶部病害数字图像,计算病斑区域的形状特征、颜色特征及纹理特征14维度特征参数;为突显各方面特征对于不同病害种类决定作用的差异性,构建各子神经网络并联的第1级网络,第2级网络的输入为第1级网络的输出,利用多维特征各自优势来自动取得病种模式推理规则,建立了用于大豆叶部病害自动诊断的两级级联神经网络模型,仿真实验准确率为97.67%;同时应用量子遗传计算优化级联神经网络参数,平均迭代次数为743,平均网络误差为0.000 995 445,提高了学习效率,实现了大豆叶部病害的高效自动诊断和精确测报,为大田农作物全面系统地开展作物病害监测、智能施药及自动防治提供了理论依据。     

基于Lucid多途径检索的油茶害虫诊断APP开发与实现

油茶是亚热带地区重要的木本油料作物,近年来随着种植面积的不断扩大和集约化经营,病虫害问题日益严重,对油茶的产量和品质造成不同程度的影响。本研究通过野外调查、文献查阅、种类鉴定等工作,整理了21种油茶主要害虫的形态特征、生物学习性、为害特点、防治措施等信息,并拍摄相应害虫及为害状的高清照片1 600张。采用Lucid智能诊断系统,构建Fact Sheet Fusion基础信息数据库,并针对多途径检索方式提取害虫"为害方式"、"为害部位"、"为害高峰期"、"形态特征"等4个1级特征组,以及10个2级特征和18个3级特征,共组成102个特征状态,构建了油茶害虫的快速诊断系统。在此基础上,转换得到基于Android系统的手机应用APP,为林农和森防一线工作者对油茶害虫快速识别和防治提供便捷服务,从而促进油茶产业持续健康发展。     

Seasonal distribution of phytoplasmas in Australian grapevines

The distribution and persistence of phytoplasmas were determined in Australian grapevines. Phytoplasmas could be detected using the polymerase chain reaction (PCR) from shoots, cordons, trunks and roots throughout the year, and phytoplasmas appear to persistently infect Australian grapevines from year to year. Phytoplasmas were not always detected in samples from the same sampling area from one sampling period to the next. Phytoplasma detection by PCR was improved by sampling from shoots, cordons and trunks, especially during October (early spring). The diseases expressed by the 20 grapevines used in the distribution and persistence studies were monitored. Australian grapevine yellows disease (AGY) was expressed by 17/20 grapevines at some time during the study, whilst only 4/20 and 15/20 grapevines expressed restricted growth disease (RG) and late season leaf curl disease (LSLC), respectively. All grapevines with RG and LSLC also had AGY. The three diseases were persistently expressed in some grapevines and remission of disease was observed in others. The results of PCR detection in the same grapevines indicated that phytoplasmas were more frequently detected in AGY-affected grapevines that also expressed RG and LSLC compared with grapevines expressing AGY alone. Phytoplasmas were detected in symptomless plant material but less frequently compared with AGY-affected material.