论文部分内容阅读
我国是世界棉花生产大国,棉花是重要经济作物,也是国民经济重要组成部分和国家战略物资。其中新疆是我国棉花重要生产基地,新疆棉花种植面积、总产量、单产量连续多年位列全国第一。棉花生产过程中,棉花的采收是最重要的环节之一。机械化采收可以提高棉花采收效率、降低人力成本,增加经济收益。但新疆采棉机在采收时由于气候、地形、种植模式的特殊性,采棉机作业过程中火情频发,导致棉焚车毁,严重损害了棉农的经济效益。因此,开发一套采棉机火情监测及灭火系统,对采棉机作业过程进行监测,如果发生火情可及时报警并灭火,对于安全生产具有重要意义。
本研究基于多传感器信息融合的思路,根据新疆机采棉的燃烧特性,提出了基于红外火焰传感器、一氧化碳传感器和烟雾传感器多信息融合的火情监测方法。并以此为基础开展采棉机火情监测及灭火系统的设计与研究。主要研究内容包括:
1.结合新疆机采棉采摘原理,分析了采棉机起火原因及部位;对棉花成分分析,并进行燃烧试验,确定CO气体和烟雾为火情判断指标。根据红外热辐射原理对棉花进行红外光谱试验,确定了红外传感器主要监测光谱波段为3~10μm。最终结合新疆棉花燃烧特性,提出了基于红外火焰传感器、一氧化碳传感器和烟雾传感器多信息融合的火情监测方法,并确定了采棉机火情监测系统的设计方案。
2.设计搭建了基于CAN总线通信的采棉机火情监测及灭火系统,包括实时火情监测预警系统和自动喷淋灭火系统。设计了CAN通信节点及总线通信结构。确定了火情监测系统与喷淋灭火系统的结合方式。
3.通过对采集的不同火情状态下的采棉机火情数据进行统计学分析,结合火情数据,选用Python编程语言分别建立了三种不同机器学习算法的采棉机火情监测预警模型,利用G语言通过LabVIEW软件实现了火情监测预警系统的集成。
4.建立了逻辑回归(LogisticRegression)、支持向量机(SVM)、BP神经网络三种机器学习算法火情判别模型,分析了不同算法的采棉机火情监测预警系统判别准确率和执行效率,结果表明BP神经网络算法的判别准确率为96%,执行时间为1.03±0.05s;LogisticRegression判别准确率为92%,执行时间为0.75±0.01s;SVM判别准确率为82%,执行时间为1.25±0.05s。综合考虑采棉机作业安全要求,本研究选用BP神经网络算法建立采棉机火情判别模型。
5.搭建试验台对采棉机火情监测预警系统进行验证试验,结果表明该系统在不同火情状态下准确报警率均在95%以上,高于单一火情特征预警率,且虚报率低于3%,漏报率低于5%;对灭火系统进行AMESim系统仿真,在工作压力为0.5MPa时,系统接收信号稳定,输出流量为2L/min,符合设计要求。
本研究基于多传感器信息融合的思路,根据新疆机采棉的燃烧特性,提出了基于红外火焰传感器、一氧化碳传感器和烟雾传感器多信息融合的火情监测方法。并以此为基础开展采棉机火情监测及灭火系统的设计与研究。主要研究内容包括:
1.结合新疆机采棉采摘原理,分析了采棉机起火原因及部位;对棉花成分分析,并进行燃烧试验,确定CO气体和烟雾为火情判断指标。根据红外热辐射原理对棉花进行红外光谱试验,确定了红外传感器主要监测光谱波段为3~10μm。最终结合新疆棉花燃烧特性,提出了基于红外火焰传感器、一氧化碳传感器和烟雾传感器多信息融合的火情监测方法,并确定了采棉机火情监测系统的设计方案。
2.设计搭建了基于CAN总线通信的采棉机火情监测及灭火系统,包括实时火情监测预警系统和自动喷淋灭火系统。设计了CAN通信节点及总线通信结构。确定了火情监测系统与喷淋灭火系统的结合方式。
3.通过对采集的不同火情状态下的采棉机火情数据进行统计学分析,结合火情数据,选用Python编程语言分别建立了三种不同机器学习算法的采棉机火情监测预警模型,利用G语言通过LabVIEW软件实现了火情监测预警系统的集成。
4.建立了逻辑回归(LogisticRegression)、支持向量机(SVM)、BP神经网络三种机器学习算法火情判别模型,分析了不同算法的采棉机火情监测预警系统判别准确率和执行效率,结果表明BP神经网络算法的判别准确率为96%,执行时间为1.03±0.05s;LogisticRegression判别准确率为92%,执行时间为0.75±0.01s;SVM判别准确率为82%,执行时间为1.25±0.05s。综合考虑采棉机作业安全要求,本研究选用BP神经网络算法建立采棉机火情判别模型。
5.搭建试验台对采棉机火情监测预警系统进行验证试验,结果表明该系统在不同火情状态下准确报警率均在95%以上,高于单一火情特征预警率,且虚报率低于3%,漏报率低于5%;对灭火系统进行AMESim系统仿真,在工作压力为0.5MPa时,系统接收信号稳定,输出流量为2L/min,符合设计要求。