【摘 要】
：
针对小麦联合收获机作业过程清选损失和籽粒含杂率“双高”的问题,开展小麦联合收获机清选作业参数优化试验,探究整机清选装置作业参数对清选损失率和籽粒含杂率的影响规律,确定清选作业参数的最优组合.基于气流场籽粒运动分析,建立了风筛清选系统的试验模型;对清选筛振幅、清选筛频率、风机风速和气流方向角4个参数进行了单因素试验和响应面回归试验,结果表明:风机风速是影响籽粒含杂率的显著影响因素,振幅、频率是影响清选损失率的显著影响因素.采用响应面试验方法,应用Design-Expert建立了清选损失率和籽粒含杂率的回归数
【机 构】
：
山东理工大学农业工程与食品科学学院,山东淄博255000;山东时风(集团)有限责任公司,山东聊城252800
论文部分内容阅读
针对小麦联合收获机作业过程清选损失和籽粒含杂率“双高”的问题,开展小麦联合收获机清选作业参数优化试验,探究整机清选装置作业参数对清选损失率和籽粒含杂率的影响规律,确定清选作业参数的最优组合.基于气流场籽粒运动分析,建立了风筛清选系统的试验模型;对清选筛振幅、清选筛频率、风机风速和气流方向角4个参数进行了单因素试验和响应面回归试验,结果表明:风机风速是影响籽粒含杂率的显著影响因素,振幅、频率是影响清选损失率的显著影响因素.采用响应面试验方法,应用Design-Expert建立了清选损失率和籽粒含杂率的回归数学模型,获得了最佳工作参数如下:清选筛振幅为31 mm、清选筛频率为4 Hz、风机风速为12 m/s、气流方向角为26°.最佳参数组合的试验结果如下:籽粒含杂率为0.476％,清选损失率为0.438％,与理论计算的相对误差分别为7.8％和6.4％.
其他文献
针对长期演进LTE网络上行干扰分类模型中噪声敏感、训练时间长的问题,建立了结合堆栈降噪自编码器与极限学习机的LTE网络上行干扰分析模型.使用上行干扰原始数据无监督地预训练堆栈降噪自编码(SDAE)提取高层抽象特征,并为极限学习机(ELM)分类器提供初始参数.该模型发挥了ELM收敛快和SDAE抑制噪声的优势,同时克服了ELM参数随机赋值造成的鲁棒性不足的问题.实验结果表明,该模型提高了LTE网络上行干扰分析的效率,并具有较强的鲁棒性.
针对实际应用中缺乏统一集成的用于数控装备可靠性分析的信息物理融合系统框架和算法实现,本文提出了一种基于数字孪生的方法,研究了具体的框架搭建和算法实现.通过数据采集、数据处理、数字孪生模型训练和评估、模型调试和优化、模型在线部署、可靠性分析、预测性维护7步序列化的工作流程实现了从物理层到信息层再返回物理层的闭环控制.通过数控装备主轴回转误差预测可靠性实验验证了该信息物理融合框架的可行性和有效性,该框架和算法能够对数控装备进行可靠性分析,有助于支持更有效和科学的预测性维护.
提出了一种基于粒子群-支持向量机(PSO-SVM)及时序环节的数控刀架故障诊断方法.首先,将数控刀架划分为5个子系统,并将一个工作周期划分为4个时序环节(T1、T2、T3、T4);其次,探索了数控刀架不同时序环节振动、电机电流、油压以及接近开关等信号的特征提取方法;最后,提出了基于PSO-SVM的数控刀架故障诊断方法,并开展了不同时序环节的数控刀架故障试验.根据故障数据对支持向量机(SVM)和PSO-SVM两种故障诊断方法进行了对比验证.结果 表明:时序环节T2、T3和T4的故障诊断准确率分别提高了28％
为解决电主轴步进多应力加速退化试验针对模型参数优化设计时部分模型参数估计精度低的问题,提出了一种新的步进多应力加速退化试验方案优化设计方法.利用敏感性分析方法、应力综合重要度确定加速退化试验中加速模型的各参数权重,基于Ds准则与各参数权重提出了一种新的优化设计准则,结合遗传算法给出了优化流程.最后,以国产电主轴为例,对其加速退化试验方案进行了优化设计,将结果与现有准则进行对比,验证方法的有效性.
针对知识图谱中定义域值域约束补全问题,将其转化成链接预测问题并使用基于知识图谱嵌入模型预测缺失数据.针对定义域值域约束补全问题的结构,在两种基于翻译的知识图谱嵌入模型TransE和RotatE基础上给出了两种高效的约束补金方法DCaT-T和DCaT-R.特别地,为提升补全方法的预测性能,DCaT-T与DCaT-R方法均采用了两阶段的训练方法.实验结果表明,DCaT-T和DCaT-R优于类型预测方法SDType,DCaT-T方法优于同在TransE基础上实现的嵌入表示模型ConnectE类型预测方法,并且两
为了实现青贮饲料生产全过程信息化可追溯,研制了基于数字化农机装备的移动式物联网信息采集终端和基于ZigBee的青贮窖信息监测终端,利用多传感器采集了种植过程播种量、施肥量、施药量、植物生长量;贮制过程温湿度、氧气浓度、二氧化碳浓度、pH值,并将双终端植于青贮饲料可追溯平台底层,结合HACCP体系实现青贮饲料从种植地到青贮窖内发酵信息的全过程信息化采集与监测预警.该平台基于B/S架构开发,采用JAVA语言在.NET框架上开发,数据库采用SQL Server 2016,服务器采用的是阿里云2核4G和腾讯云2核
机床性能退化引起加工质量下降和其他问题,加工参数影响退化率.因为有多个加工参数,机床退化建模涉及多个变量,广泛使用的建模方法是回归分析.回归分析的主要缺点是精度依赖于所选平均退化函数,且不给出到退化限的时间分布.为克服上述问题,提出一个基于等效加工时间的建模方法,它将每个加工参数看作为一个“应力”,通过乘积模型组合多个加工参数成为一个“复合应力”;使用加速退化模型组合复合应力与实际加工时间成为一个等效加工时间,从而使多变量退化建模问题简化为单变量退化建模问题.最后,通过一个刀具磨损的实例例证了该方法的优越
针对齿轮箱在强噪声环境下复合故障信号微弱、故障特征难以提取等问题,本文提出了一种改进的最小熵反褶积(MED)与奇异谱分解(SSD)结合的方法.首先,构建边际功率谱峰度指数(MPSK),利用MPSK对MED进行参数优化;为弥补SSD的不足,将改进的MED作为SSD的前置滤波器;然后利用相关系数分析法选择有意义的奇异谱分量(SSC);最后对信号进行频谱分析,确定具体的故障模式.采用仿真信号与齿轮箱试验台的复合故障信号对所提方法进行了应用,验证了方法的有效性和优越性.
深度学习在故障诊断中有良好的诊断能力与泛化能力,但大部分工作是直接从卷积层面上提取信号特征图,使邻近信号点未被考虑,并且采样频率不同也会对特征提取有影响.为此,本文基于MTF以及ResNet18算法提出了M2TF-ResNet算法.本文在凯斯西储大学(CWRU)轴承数据集中进行了大量实验.通过验证得出:该算法可适应不同采样频率下信号的特征提取,避免训练过拟合,并且与其他故障诊断方式相比,该算法在诊断率上的优势更突出.
针对滚动轴承多故障诊断中特征提取困难和分类准确性低的问题,从有效特征提取和故障分类准确性两方面出发,将变分模态分解(VMD)和极限学习机(ELM)方法结合,提出了一种自适应滚动轴承多故障诊断方法.针对VMD参数需人为事先设定导致信号分解效果差的情况,提出了灰狼算法(GWO)优化VMD实现自适应地获取最佳分解参数k和α.进一步,为了克服单个ELM模型分类精度不高和分类结果不稳定的问题,提出集成极限学习机(IELM)实现多故障的分类和识别,提高故障分类的准确性和稳定性.首先,采用GWO优化VMD,自适应地获取