近日，马征课题组在Computers and Electronics in Agriculture 发表论文Recognition methods of threshing load conditions based on machine learning algorithms。论文针对联合收获脱粒环节的防堵诊断问题研究了不同负荷下脱分装置外部敏感点振动信号分析方法，提出了基于ELM-KPCA的脱分装置负荷状态识别模型。
江苏大学为该论文的第一单位，马征为第一作者和通讯作者。
脱粒分离装置是联合收割机关键部件，实际作业中喂入量不稳定导致联合收割机脱粒分离装置工作负荷波动过大，进而产生较大的堵塞风险。一旦负载波动超过脱分装置负载极限而发生堵塞故障，不仅显著降低作业效率，而且对机器结构和传动系统造成破坏。本文提取了多个特征指标分别形成时/频域及总域短时特征集，基于PCA和KPCA分别对各短时特征集降维，并采用SVM和ELM等方法对降维数据集进行负荷状态训练和识别，优选脱分装置负荷状态识别模型。
本工作得到了省部共建现代农业装备与技术协同创新中心项目和江苏高校优势学科建设工程项目等的支持。
收获装备研究院（大田收获装备研究所）
