三相交流电动机缺相故障的几种处理方法

对三相异步电动机常见的缺相运行故障的电磁现象和产生的危害进行了简要的分析.设计了几例缺相运行的保护电路,以确保三相异步电机的安全运行.     

双板差分冲量式谷物流量传感器设

设计了一种双板冲量式谷物流量传感器及其差分消振电路,以消除车身振动对测产精度的影响.振动试验表明,在没有谷物输入时联合收获机车身振动导致前后2个检测板产生的2个振动信号是一对共模信号,可通过电路差分的方法消除;差分后传感器的输出电压的信噪比由2.5dB提高到62dB.在零喂入量情况下,振动产生的零点误差小于0.01g/s;在联合收获机正常作业的喂入量范围内(0.5～2kg/s),实验室测量误差小于3%.田间实际测量误差不大于5%.     

激光控制平地系统激光接收器设计与试

激光接收器是激光控制平地系统的关键部分.为了更有效地检测激光信号,扩大接收范围,增加接收距离,提高稳定性和抗干扰性,设计了一种基于集成IC的新型激光接收器.其原理是以红色有机玻璃作为透光窗口,并采用干涉型滤光片来滤除背景光;以硅光电池作为光电探测器,将激光信号转换为电信号;然后采用集成运算放大器设计低噪声前置放大器和主放大器对微弱电信号进行放大;最后,脉冲整形和展宽电路实现脉冲信号到TTL数字信号的转换,以方便后续电路的处理.田间试验结果表明,激光接收器在150m范围内可实现360°全方位稳定工作,垂直工作范围为28.4cm左右,将其用于平地作业时农田的平整误差小于2cm.     

基于GC-Cascade R-CNN的梨叶病斑计数方法

为提高梨叶片病害发生程度诊断的效率和准确性,本文提出基于全局上下文级联R-CNN网络（Global context Cascade R-CNN,GC-Cascade R-CNN）的梨叶病斑计数方法。模型的主干特征提取网络嵌入全局上下文模块（Global context feature model, GC-Model）,建立有效的长距离和通道依赖,增强目标特征信息。引入特征金字塔网络（Feature pyramid network, FPN）融合浅层细节特征和深层丰富语义特征。使用ROI Align替换ROI Pooling进行区域特征聚集,增强目标特征表达。最后利用多层级联网络对目标区域进行边框回归和分类,完成病斑计数任务。在梨叶病斑图像测试中,模型的各类病斑平均精确率均值（Mean average precision, mAP）达89.4%,检测单幅图像平均耗时为0.347 s。结果表明,模型能够有效地从梨叶片病害图像中检测出多类病斑目标,尤其对叶片炭疽病斑检测效果提升显著;不同种类梨叶片病害病斑计数值与真实值回归实验决定系数R²均大于0.92,表明模型病斑计数...     

融合特征金字塔与可变形卷积的高密度群养猪计数方法

针对猪只人工计数方法消耗时间和劳动力,育肥猪较为活跃且喜好聚集,图像中存在大量的高密度区域,导致猪只之间互相粘连、遮挡等问题,基于SOLO v2实例分割算法,提出了一种自然养殖场景下融合多尺度特征金字塔与二代可变形卷积的高密度群养猪计数模型。通过优化模型结构来减少计算资源的消耗与占用。将科大讯飞给出的猪只计数的公开数据集划分为猪只分割数据集和猪只盘点测试集,利用猪只分割数据集获得较好的分割模型,然后在猪只盘点测试集中测试盘点准确率,实现猪群分割和猪只计数。实验结果表明,本文提出的高密度猪只计数模型的分割准确率达到96.7%,且模型内存占用量为256 MB,为改进前的2/3,实现了遮挡、粘连和重叠情况下的猪只个体高准确率分割。在含有500幅猪只图像计数测试集中,模型计算猪只数量误差为0时的图像数量为207幅,较改进前提高26%。模型计算猪只数量误差小于2头猪的图像数量占测试图像总数量的97.2%。模型计算猪只数量误差大于3头猪的图像数量占总体图像数量比例仅为1%。最后,对比基于YOLO v5的群养猪计数方法,本文模型具有更优的分割效果和计数准确率,验证了本文方法对群养猪只计数的有效性。因...     

基于改进YOLO v5n的猪只盘点算法

猪只盘点是规模化养殖中的重要环节,为生猪精准饲喂和资产管理提供了依据。人工盘点不仅耗时低效,而且容易出错。当前已有基于深度学习的生猪智能盘点算法,但在遮挡重叠、光照等复杂场景下盘点精度较低。为提高复杂场景下生猪盘点的精度,提出了一种基于改进YOLO v5n的猪只盘点算法。该算法从提升猪只目标检测性能出发,构建了一个多场景的生猪数据集;其次,在主干网络中引入SE-Net通道注意力模块,引导模型更加关注遮挡条件下猪只目标信息的通道特征。同时,增加了检测层进行多尺度特征融合处理,使模型更容易学习收敛并预测不同尺度的猪只对象,提升模型遮挡场景的检测性能;最后,对边界框损失函数以及非极大值抑制处理进行了改进,使模型对遮挡的目标有更好的识别效果。实验结果表明,与原YOLO v5n算法相比,改进算法的平均绝对误差(MAE)、均方根误差(RMSE)以及漏检率分别降低0.509、0.708以及3.02个百分点,平均精度(AP)提高1.62个百分点,达到99.39%,在复杂遮挡重叠场景下具有较优的精确度和鲁棒性。算法的MAE为0.173,与猪只盘点算法CClusnet、CCNN和PCN相比,分别降低0.2...     

基于改进Faster R-CNN的田间黄板害虫检测算法

针对黄板诱捕的害虫体积小、数量多和分布不均匀,难以进行害虫识别的问题,引入当前主流目标检测模型Faster R-CNN对黄板上的小菜蛾、黄曲条跳甲和烟粉虱等主要害虫进行识别与计数,提出一种基于改进Faster R-CNN的田间黄板害虫检测算法（Mobile terminal pest Faster R-CNN,MPF R-CNN）。该算法将ResNet101网络与FPN网络相结合作为特征提取网络,并在RPN网络设计多种不同尺寸锚点对特征图像进行前景和背景判断,使用ROIAlign替代ROIPooling进行特征映射,以及使用双损失函数进行算法参数控制。对2440幅样本图像的实验分析表明,在真实复杂的自然环境下,MPF R-CNN对烟粉虱、黄曲条跳甲、小菜蛾和其他大型害虫（体长大于5mm）检测的平均精度分别为87.84%、86.94%、87.42%和86.38%;在35cm×25cm黄板上不超过480只的低密度下平均精度均值为93.41%,在480~960只害虫的中等密度下平均精度均值为89.76%。同时实验显示,在中低等密度下晴天和雨天的检测精度无明显差异,本算法计数结果与害虫计数决定系数为0.9255。将该算法置入以“微信小程序+云存储服务器+算法服务器”为架构的小米7手机终端系统中进行应用测试,平均识别时间为1.7s。研究表明,该算法在精度和速度上均可支持当前便携式应用,为利用手机对蔬菜害虫进行快速监测与识别提供了技术支撑。     

电动机星一三角减压启动控制电路故障速修

1电动机星一三角减压启动控制电路的工作原理 电路原理图如图1所示。先合上电源开关QS,按下SB2启动按钮,KM2线圈、KT线圈得电,KM2动合触点闭合,使接触器KM1线圈得电,KM1和KM2主触点闭合,电动机按星形接法减压启动。随着电动机转速升高,启动电流下降,这时时间继电器KT延时动断触点断开,使KM2线圈断电,KM3线圈得电,KM3主触点闭合,电动机按三角形接法正常运行,这时时间继电器KT线圈也断电释放。     

农电实用技术系列讲座之二 常用农业生产机械控制电路剖析(二)

2.2 三相电动机的正反转控制 2.2.1 倒顺开关(K03系列)控制(电路原理图见图1)工作原理.合上电源刀开关QS→顺时针方向扳动倒顺开关手柄→倒顺开关内部1与4,2与5,3与6分别接通,电动机正向转动;扳动倒顺开关手柄至停止位置→)与4,2与5,3与6断开,电动机停止运转;逆时针方向扳动倒顺开关手柄→倒顺开关内部)与7,2与8,3与9分别接通,电动机反向转动.     

论汽车电路搭铁不良的故障及检修技巧

现代汽车采用蓄电池负极与车身的金属部分相连接的导线称为搭铁线,搭铁线在汽车电路中起着重要的作用.介绍了汽车电路搭铁线的作用、常见故障的特征、故障分析与检测技巧.