排序方式: 共有17条查询结果,搜索用时 15 毫秒
1.
氮源对香料烟生理特性的影响 总被引:3,自引:0,他引:3
采用盆栽试验,研究了不同配比的氮素来源对香料烟生理特性的影响.研究结果表明,香料烟酸性转化酶的变化动态呈单峰曲线,高峰期出现在移栽后65d前后,碳代谢变化规律与光合性能的变化动态及氮代谢的变化动态规律基本一致,呈单峰曲线;硝酸还原酶的高峰期出现在移栽后50d前后,叶内的游离氨基酸总量变化动态呈前期高,旺长期最低,此后逐渐上升又下降的趋势.上部叶的碳氮代谢能力大于中部叶.不同配比的氮源影响烟株的代谢平衡,75%有机肥+25%无机肥的肥料配比有利于烟株的碳氮代谢平衡. 相似文献
2.
针对单一源域信息有限、域自适应对齐粒度不足导致滚动轴承剩余寿命( remain useful life, RUL)预测精度低的问题,
提出了一种多源域子域自适应(multi-source subdomain adaption network, MS_SAN)的滚动轴承剩余寿命预测方法。 首先,将采
集的原始振动信号进行快速傅里叶变换得到频域信号作为模型的输入。 其次,利用一维卷积将多个源域与目标域数据映射到
一个公共的特征空间,采用局部最大均值差异将每个源域与目标域的退化阶段在独立的特征空间进行领域自适应,缩小多个源
域与目标域之间的分布差异。 最后,通过综合各领域 RUL 预测模块的输出得到最终轴承剩余寿命预测结果。 在 PHM2012 数
据集上的测试结果表明该方法的预测准确率高于对比方法,能够对滚动轴承剩余寿命进行有效的预测。 相似文献
3.
为探讨江西紫色土交换性钙、镁含量及对烟叶钙、镁含量分布的影响,于2009年在江西紫色土烟区点对点采集土样和烟样进行了化验分析。结果表明,江西紫色土交换性钙含量丰富但变异较大,交换性镁含量偏低且交换性钙、镁比值较大,导致烟叶含钙量变异较大且烟叶含镁量较低;烟叶含镁量为中性紫色土>酸性紫色土>碱性紫色土;中性紫色土烤烟不同叶位烟叶含钙、镁量差异不大,但碱性与酸性紫色土烤烟均为上部烟叶含钙、镁量高于中下部叶;土壤交换性钙、镁之间呈极显著正相关,交换性钙、镁与土壤pH、有机质和氮、磷、钾、硫之间具有一定的相关性,但交换性钙与微量元素呈极显著负相关。 相似文献
4.
针对分布式场景下单节点样本有限、多节点间工况分布不平衡等导致的深度学习故障诊断精度低的问题,提出一种多小波系数增强动态聚合联邦深度网络用于分布式小样本下的多工况机械故障诊断。提出多小波系数增强动态聚合联邦深度网络的诊断框架,单终端节点从本地样本中提取小波系数特征,提出多小波系数深度网络融合的特征增强方法,局部模型从多样性小波系数集合中提取更具判别性故障特征;聚合节点通过对多终端节点局部模型的聚合以构建全局联邦深度网络模型,并用于多工况故障诊断;为降低多节点间数据非独立同分布的影响,提出平衡模型贡献度的联邦动态加权聚合算法。轴承振动数据分析结果表明,所提方法能在分布式小样本条件下实现高精度的多工况故障诊断。 相似文献
5.
风电机组传动系统振动监测研究进展 总被引:1,自引:0,他引:1
振动监测是当前风电机组传动系统状态监测的主要手段。首先,分析了风电机组传动系统振动监测策略和各部件振动特征提取流程,重点介绍了边频带能量因子、阶次谱边频带能量比等振动特征趋势指标;然后,分析指出解决现役风电机组因传动系统故障导致巨大经济损失的关键是进行风电机组传动系统早期故障预示,重点介绍了泛化流形学习的风电机组传动系统早期故障预示方法;最后,从系统架构、数据采集配置及监测分析方法等方面分析了现有的风电机组传动系统振动监测系统的功能与特点,指出了基于多源信息融合的大数据预测分析与智能维护将是风电机组健康管理的重要发展趋势。 相似文献
6.
工业物联网络6TiSCH通过对时隙跳频模式和IPv6协议的引入,在支持海量节点接入、确定性可靠传输以及低功耗运行方面优势明显。虽然6TiSCH操作子层的定义为用户自定义调度策略提供了规范化的调度执行过程,但在实际应用中仍面临不同应用场景的上层调度函数(即决策实体)个性化设计的问题。本文将控制理论引入确定性工业无线网络的资源调度应用中,将分布式节点间通信资源调控抽象为闭环控制问题,结合经典比例积分微分(proportional-integral-derivative, PID)控制算法,阐述基于PID控制理念的6TiSCH网络资源调度原理,设计面向突发流量场景的6TiSCH网络分布式PID调度算法,构建突发流量友好的上层调度函数。基于OpenMote-B的6TiSCH网络平台实验表明,所提方法支持流量需求动态变化的节点间通信资源的自适应调度,尤其对多种类型突发流量可以快速响应。 相似文献
7.
8.
9.
10.
针对行星齿轮箱振动信号频率成分复杂和时变性强的问题,提出了基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法。首先,采用小波包分解将原始振动信号分解到频带和时间两个维度作为输入数据;然后,使用卷积神经网络融合数据的频带特征,使用双向门控循环单元融合时序特征;接着采用注意力结构对不同时间点的特征自适应地进行动态加权融合;最后通过分类器进行识别,实现行星齿轮箱的端对端故障诊断。实验表明,该方法对比现有的深度学习故障诊断模型具有更高准确率,能够对行星齿轮箱多种健康状态进行准确地诊断。 相似文献