排序方式： 共有10条查询结果，搜索用时 609 毫秒
1
1.
基于SDAE-BP的联合收割机作业故障监测 总被引：1，自引：0，他引：1
为了解决联合收割机作业故障的非线性特征信号难以提取的问题,该研究提出了一种基于堆叠去噪自动编码器(Stack Denoising Auto Encoder, SDAE)和BP神经网络(Back Propagation,BP)融合的联合收割机作业故障监测及诊断的方法(SDAE-BP)。以转速传感器采集联合收割机脱粒滚筒转速、籽粒搅龙转速、喂入搅龙转速、杂余搅龙转速、风机转速、输送链耙转速、割刀频率以及逐稿器振动频率,并将采集的数据集作为系统的输入。利用SDAE提取输入信号的深层次特征,并由BP神经网络辨识收割机作业状态,实现联合收割机故障监测。在SDAE-BP模型训练过程中,去噪自动编码器(Denoising Auto Encode, DAE)依次经带有不同分布中心噪声的原始数据进行训练,然后将其堆叠,并通过误差反向传播算法对模型参数进行优化,以提升模型识别故障性能和泛化能力。试验结果表明,对于2018年联合收割机田间试验数据,模型的故障诊断准确率达到99.00%,与SDAE和BP神经网络相比,分别提高了1.5和4.5个百分点。将SDAE-BP故障诊断模型用2019年的试验数据进行更新,并用2018年和2019年试验数据进行测试,结果表明,更新后的模型对2018年试验数据的故障识别准确率为99.25%,对2019年试验数据的故障识别准确率为98.74%,更新后模型在2019试验数据集上的故障识别准确率较未更新模型提高了6.52个百分点。该文所建模型能够准确识别联合收割机的故障类型,且具有较好的鲁棒性,对旋转型机械故障监测及预警具有参考价值。 相似文献
2.
基于视觉的苗期作物和杂草的图像分割技术逐渐成熟,通过视觉技术对苗期作物进行精准识别和定位,是实现株间除草的关键技术和难点。作物的精准识别首先需要利用颜色特征将图像中的作物、杂草和土壤背景进行分割;其次利用实际识别对象的位置特征,形状特征,纹理特征,光谱特征等构造新的特征向量,结合成熟的分类算法对作物和杂草进行特征分类识别。针对棉苗和大豆苗,主要提取位置特征、形状特征,多采用支持向量机为主分类算法;针对玉米,主要提取位置特征、纹理特征,多采用人工神经网络为主的分类算法;针对部分蔬菜苗,主要提取形状特征、光谱特征,多采用算法结合的优化算法,具体实现时需要根据离线样本学习的结果来平衡苗期作物的识别准确率与实时性。在目前的算法中,主要存在三方面的问题:作物特征提取效果易受到遮挡、光照等干扰;分类算法目前还不能得到非常令人满意的准确性和实时性;目前算法一般是针对某种时段的作物,不具有通用性。这些都是后续算法研究中需要进一步解决的问题。 相似文献
3.
以茶作物为对象,提出了一种基于视觉的作物行间行走路径规划方法。对实时彩色作物图像用2G-RB算法灰度化,分离作物和背景,通过固定阈值二值化图像,采用形态运算去除干扰。以区域内作物的比例变化为判别垄间垄头依据。对于垄间,利用漫水填充算法分离出垄沟,通过最小二乘法拟合导航线,得到垄间行走时候的导航控制参数;对于垄头,先分离出转弯一侧的作物,采用圆形模型拟合垄头处轮廓,通过拟合的圆来规划出转弯时候路径。试验结果表明:该算法能准确提取导航线,处理一帧图像约为150ms左右,可满足导航的要求。 相似文献
4.
5.
针对农作物分布广泛、农业环境恶劣的特点,利用协作式多输入多输出技术具有的低能耗、高可靠特性,结合事件驱动型农业监测的无线传感器网络,提出了能量高效的基于空时分组码的多跳协作式多输入多输出传输策略。该策略建立了包括节点剩余能量、最优跳距等因素的综合多跳路由;此外,还建立了精确的能耗模型,确定了满足网络最小能耗时的协作节点个数和最优跳距。仿真结果表明,通过能耗模型求出的最优跳距和协作节点个数减少了能量消耗;同现有的无线传感器网络中具有能量效率和事件聚类的自适应路由协议相比,提出的传输策略能显著地提高能量有效性和延长网络寿命。 相似文献
7.
甘蔗收割机作业工况数据的实时监测具有重要的实际意义,设计并实现一种基于云平台的甘蔗收割机作业远程信息平台。通过PLC、CAN总线和Modbus协议完成车载端的现场作业数据实时采集,使用通信模块并采用MQTT协议将数据上传到云平台,终端用户可以通过手机App或Web访问云数据,实现移动终端对甘蔗收割机作业工况数据的实时监测。通过现场测试结果表明：在1.52 h内,实际收到甘蔗收割机实时传来数据5 465条,数据丢失7条,数据准确率为99.88%,丢失率为0.12%。该系统对甘蔗收割机数据监测参数准确,实时性高,能够实现甘蔗联合收割机作业数据的实时采集、远程传输、数据储存与分析等功能,为甘蔗联合收割机的智能化与信息化应用提供了技术支撑。 相似文献
8.
9.
基于视觉的苗期作物目标识别技术逐渐成熟,对作物进行准确识别和精准定位,是实现株间除草的技术关键和难点。本文以苗期玉米为研究对象,提出了一种苗期作物的识别与定位方法,通过作业车辆的图像采集装置来实时获取田间作物的苗期图像,基于HSV色彩空间对输入图像进行预处理,根据作物与土壤背景颜色差异,选取固定取值范围的三通道阈值,通过二值化处理去除土壤背景,再通过深度开运算来去除杂草噪声,对得到的苗期作物提取轮廓信息,经过骨架提取算法后得到作物骨架,并以此确定作物茎秆位置坐标,从而实现对作物的精准定位。作物图像中幼苗的识别率为98.3%,定位误差距离在10 mm以内的定位精准度为85.9%,基本可以满足智能除草机器人实时除草作业要求。 相似文献
10.
针对联合收割机故障精准识别机制存在的诊断速度较慢以及多种故障场景下的诊断精确度低的问题,提出一种基于CART决策树的随机森林方法完成对联合收割机的故障诊断。此方法对联合收割机主要部件的故障数据集进行特征提取,针对不同故障情景将数据分为正常—异常二分类,建立多棵CART决策树,形成随机森林诊断模型,实现联合收割机故障的快速诊断。通过基于Labview数据采集系统采集的实际故障数据,验证该方法的有效性。同时,通过对随机森林中的重要参数的对比优化设计,得出该方法模型的最优设计结构。试验结果表明,该方法达到0.965的诊断准确率,并且具有预警速度快、操作方便、鲁棒性强的优点。 相似文献
1