深度学习框架下融合注意机制的机床运动精度劣化预示

数控机床运动精度衰退是一个动态的演化过程。为尽早发现数控机床潜在的失效风险,挖掘蕴含在各类监测数据序列中的运动精度演化特征,在深度门控循环网络（Gated recurrent unit,GRU）框架下,提出了一种融合注意机制的数控机床运动精度劣化预示方法。为了克服传统深度卷积神经网络不能学习时序特征的缺陷,采用深度编码器-解码器框架,提出基于深度GRU的运动精度深度学习建模方法,以数据驱动,自动挖掘运动精度与振动、温度、电流等状态信号时间序列的时空特征,预测运动精度,根据预测曲线对机床劣化趋势进行预示。为了增强主要状态信号和关键时间点的信息表达,提高精度劣化预测的准确性,提出一种在深度学习框架中融合注意机制的方法,建立状态参量的注意网络,计算振动、温度等状态信号与机床精度间关联程度,自动调整各信号的权值;进一步,建立时序注意网络自主选取精度劣化历史信息关键时间点,以提升较长时间段预示的准确性。实验结果表明,基于深度学习网络与注意机制的预示模型可以很好地追踪数控机床运动精度的劣化趋势和规律,有较高的预测精度,优于传统方法。     

两支链三平移并联机构动力学分析与性能优化

对前期提出的三平移并联机构2P4R(Pa)-PR(Pa)R进行了动力学分析及其性能优化。首先,基于该机构的符号式位置正解,直接求得其各杆件（角）速度和（角）加速度;然后,采用基于虚功原理的序单开链法,对该机构进行动力学建模,并通过比较3个驱动力的理论计算值与仿真结果,验证了动力学建模的正确性;进一步,以杆件长度和质量参数作为设计变量,以可达工作空间和能量传递效率两种性能指标为目标函数,对该机构进行运动学和动力学性能的二级递进优化,得到机构在上述两种性能指标下的最优解,使机构可达工作空间性能指标提高56.2%,全局能量传通效率性能指标提高63.6%,为机构设计与样机研制奠定了基础。     

蔬菜自动移栽机对置秧盘交替自动取投苗机构研究

针对现有蔬菜自动移栽机茎秆夹持式和钵体顶出式取苗方式的缺点,基于顶出-夹取结合式取苗方式,设计了一种适用于对称布置可弯曲秧盘的交替式取投苗机构。阐述了该机构工作原理、关键点运动轨迹和结构组成。分析了关键因素对秧苗夹持点运动轨迹的影响方式并优选了取值：驱动曲柄转速10r/min,取投苗摇杆长度为 309mm,驱动气缸伸出速度25mm/s,0.8s内完成拔苗,伸出时刻为提前0.4s。该参数组合下秧苗夹持点在拔苗阶段最大横向位移9.6mm,累计横向位移0mm,理论提升高度44mm,满足取投苗作业理论要求。以苗龄45d的辣椒秧苗为作业对象,进行了栽植频率70~120株/(min·行)的取投苗性能试验,试验结果表明,该交替取投苗机构在栽植频率100株/(min·行)时可实现取苗成功率93%,投苗成功率95%,总体成功率88%,满足取投苗作业要求,验证了该取投苗机构的可行性。     

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ResNet18模型的饲料原料种类识别方法

为了解决饲料生产过程中入仓原料种类采用人工取样感官识别所存在的问题,实现原料种类自动识别,以玉米、麸皮、小麦、豆粕、鱼粉等大宗饲料原料为研究对象,自主设计搭建了多通道入仓原料种类自动识别装置,采集饲料原料图像数据集,并使用数据增强的方法增加样本多样性。基于ResNet18网络模型加入通道注意力机制、增加Dropout函数,并嵌入余弦退火法的Adam优化器,引入迁移学习机制训练模型,构建适用于饲料原料种类识别的CAM-ResNet18网络模型。CAM-ResNet18网络模型的原料种类验证准确率达99.1%,识别时间为2.58ms。与ResNet18、ResNet34、AlexNet、VGG16等网络模型相比,模型验证集准确率分别提升0.6、0.2、3.7、1.1个百分点。针对混淆矩阵结果分析,测试集识别平均准确率达99.4%,具有较高的精确度和召回率。结果表明,构建的CAM-ResNet18网络模型在饲料原料种类识别方面具有较高的识别精度和较快检测速度,自主研发的多通道入仓原料种类自动识别装置具有实际应用价值。     

牧草干燥太阳能聚焦吸收器机理分析与优化

目前太阳能干燥设备是以非聚焦板式空气集热器为关键工作部件,其干燥效率和生产率均较低。为此,研究了太阳能聚焦吸收器的黑腔功能,利用该功能减少聚焦光线对外二次辐射和能量损失。设计4种结构类型的太阳能聚焦吸收器,进行了性能机理研究和对比分析,其中三角形聚焦吸收器呈现出良好的黑腔效果。进一步对三角形聚焦吸收装置进行优化,得出吸收器内腔深度在4 cm左右时性能最佳。对4种吸收器进行了试验测试,结果表明,三角形优于圆弧形,圆弧形优于方形,性能最差的是半圆形。吸收器开口宽度为5 cm时的黑腔效果低于开口宽度为3 cm时的效果。盖板形状对吸收器性能产生影响,平板优于圆形,V形最差。     

基于注意力机制的时空卷积数控机床热误差模型研究

为了提高数控机床热误差模型的精度与泛化性,提出了基于注意力机制的长短时记忆卷积神经网络(Long short term memory convolutional neural network based on attention mechanism, AM-CNN-LSTM)热误差模型。利用卷积神经网络提取高维数据空间状态特征的能力和长短时记忆网络提取长时间序列状态特征的能力,构建具有2个支路的热误差模型,分别提取特征后输入到注意力机制中进行特征重要性重构,建立原始数据与热误差的特征映射,最后通过全连接层进行热误差预测。采用G460L型数控机床进行实验数据采集,将不同季节采集到的温度数据和热误差作为模型输入,采用循环学习率与正则化优化方法对模型进行训练。与LSTM、ConvLSTM和CNN-LSTM热误差模型对比,结果表明,AM-CNN-LSTM模型对特征还原能力最强,残差波动范围最小,其残差范围较最大值下降62.09%,模型预测精度在2.4μm以内。     

基于多变异分组遗传算法的多机协同作业静态任务分配

为解决农业机械（简称农机）多机协同作业前的任务分配问题,提出了基于多变异分组遗传算法的同种农机多机协同作业静态任务分配方法。首先,根据农机合作社实际作业模式,基于农机性能参数和任务参数,综合考虑机群的作业时间、作业油耗和路程代价等因素,建立了多机协同代价函数;根据多机协同作业特点,构建了多变异分组遗传算法,设计了两段式编码、分组交叉算子和多种变异算子,并建立了农机多机协同作业静态任务分配模型;通过仿真试验对比分析了算法的性能,并采用不同的代价权重进行了任务分配仿真试验;最后,采用不同的权重对实际深松作业进行任务分配试验,对本文提出算法进行了验证。结果表明：在不同权重下,基于多变异分组遗传算法的多机协同静态任务分配的机群代价比实际作业代价降低了29.48%~55.00%,选取合理权重的静态任务分配具有较高的分配效率和分配性能,能够满足实际多机协同作业中任务分配的要求。     

气吸式玉米精量排种器双侧清种装置设计与试验

为解决气吸式玉米精量排种器清种装置设计不合理而造成漏清、过清,导致排种性能下降的问题,提出采用双侧清种装置进行清种作业的方法,并设计了双侧清种装置。对该装置清种过程进行分析,明确了造成重吸的原因,阐明了清种过程的运动机理,建立了清种过程数学模型,确定了上下侧清种机构关键参数的设计方法。选取第1级清种弧线顶部半径、第2级清种弧线顶部半径和工作转速为主要因素进行了全因素试验,对试验结果进行显著性分析,建立了因素与指标的回归方程,以漏清率和过清率最小为寻优条件,获得较优清种强度下的最佳参数组合为：第1级清种弧线顶部半径80.70mm、第2级清种弧线顶部半径81.42mm,并在最佳参数组合下进行了验证试验。试验表明,在较优清种强度参数组合下,当工作转速为26.67~37.33r/min时,漏清率均不大于1.10%,过清率均不大于1.03%,与理论优化结果基本一致。对比试验表明,工作转速为26.67r/min时,采用双侧清种装置漏清率降低6.70个百分点,过清率基本不变,排种器合格率提高7.04个百分点;工作转速为32.00r/min时,采用双侧清种装置漏清率降低4.63个百分点,过清率基本不变,排种器合格率提高5.07个百分点;工作转速为37.33r/min时,采用双侧清种装置漏清率降低7.41个百分点,过清率降低0.24个百分点,排种器合格率提高7.26个百分点。采用双侧清种装置有效降低了漏清率,在高速情况下对过清率也有所改善。     

基于卷积注意力的无人机多光谱遥感影像地膜农田识别

监测地膜覆盖农田的分布对准确评估由其导致的区域气候和生态环境变化有着重要作用,基于DeepLabv3+网络,通过学习面向地膜语义分割的通道注意力和空间注意力特征,提出一种适用于判断农田是否覆膜的改进深度语义分割模型,实现对无人机多光谱遥感影像中地膜农田的有效分割。以内蒙古自治区河套灌区西部解放闸灌区中沙壕渠灌域2018—2019年4块实验田的无人机多光谱遥感影像为研究数据,与可见光遥感影像的识别结果进行对比,同时考虑不同年份地膜农田表观的变化,设计了2组实验方案,分别用于验证模型的泛化性能和增强模型的分类精度。结果表明,改进的DeepLabv3+语义分割模型对多光谱遥感影像的识别效果比可见光高7.1个百分点。同时考虑地膜农田表观变化的深度语义分割模型具有更高的分类精度,其平均像素精度超出未考虑地膜农田表观变化时7.7个百分点,表明训练数据的多样性有助于提高地膜农田的识别精度。其次,改进的DeepLabv3+语义分割模型能够自适应学习地膜注意力,在2组实验中,分类精度均优于原始的DeepLabv3+模型,表明注意力机制能够增加深度语义分割模型的自适应性,从而提升分类精度。本文提出的方法能够从复杂的场景中精准识别地膜农田。