基于时频脊线提取与改进稀疏分量分析的RV减速器复合故障盲分离

针对农业机器人的核心传动部件旋转矢量（rotate vector，RV）减速器的故障特征提取问题，该研究提出一种基于时频图像脊线提取与改进稀疏分量分析相结合的RV减速器复合故障盲提取方法。首先利用提出的时频图像脊线提取（ridge extraction from time-frequency images，RETF）方法同步截取机械臂恒速时段的观测振动信号，然后利用提出的sinC函数改进形态滤波（sinC-morphological filtering，SMF）算法、密度峰值聚类（density peak clustering，DPC）算法和正交匹配追踪（orthogonal matching pursuit，OMP）算法相结合的盲源分离方法（SMF-DPC-OMP）实现平稳信号复合故障的分离提取。以sinC函数作为新的结构元素构造平均组合形态滤波器，对恒速时段的振动信号进行形态滤波处理，以提升信号的冲击特性以及稀疏性；利用DPC估计稀疏信号的混合矩阵，进而构建传感矩阵，并结合OMP在频域完成分离源信号重构，最后对重构的时域信号进行快速傅里叶变换完成故障识别。试验台采集的RV减速器的太阳轮和行星轮磨损复合故障信号的分析结果显示，该算法能有效实现RV减速器复合故障的盲分离。RETE算法能够在变转速工况导致时频图较为模糊的情况下，识别出RV减速器的运动状态；SMF-DPC-OMP算法能够在故障源数目未知的情况下，有效完成复合故障的盲分离。与已有方法相比，SMF-DPC-OMP方法能够节省约75%的时间成本，频谱更为简洁，能够抑制精细侧频和干扰分量，适用于关节型农业机器人RV减速器复合故障盲分离，对生产实际中的故障特征提取具有一定的参考意义。     

江苏省种植业碳排放的测算及达峰分析

在实现“碳达峰、碳中和”的目标背景下，明确农业温室气体排放现状，模拟预测峰值，为促进江苏省农业低碳减排提供科学依据。基于农业物资投入和农田土壤利用2类碳源，采用IPCC碳排放系数法和清单法综合测算江苏省1990—2020年间种植业碳排放量，运用Tapio脱钩模型对农业碳排放量与农业经济增长的脱钩关系进行分析，并根据灰色预测模型GM(1,1)对2021—2060年碳排放量进行预测。结果表明：(1)2020年江苏省种植业碳排放为1 999.53万t, 1990—2020年间呈现先增加后降低再增加然后趋于平稳的趋势；种植业碳排放主要来源于农田土壤利用，农田土壤利用碳排放占比为77.73%～86.95%,农资投入碳排放占比为13.05%～22.27%;(2)化肥是农资投入碳排放源中最主要的排放源，其占比为69.15%～79.20%,其次是农药和农膜，农机、灌溉、翻耕占比均较低；(3)水稻是农田土壤利用排放源中最主要的排放源，其占农田土壤利用碳排放的79.76%～87.23%,其次是小麦和蔬菜，大豆、玉米、棉花占比均较低；(4)脱钩关系以弱脱钩和强脱钩为主，表明随着种植业生产总值的提高，农业种植...