不锈钢丝网筒体缝焊设备及工艺

在液压、机械等行业中的液体过滤通道中需要不锈钢丝网筒体过滤,不锈钢丝网筒体需要搭接缝焊制造,为此开发了不锈钢丝网筒体搭接缝的缝焊设备。针对丝网筒体缝焊的要求,设计了丝网筒体成形装置来保证丝网筒体缝焊之后的直径。实验确定了合适的缝焊工艺参数。保证稳定的缝焊热能是缝焊质量的关键。实际缝焊表明,缝焊不锈钢丝网筒体搭接缝焊缝成形良好,能够保证不锈钢丝网筒体的过滤精度。缝焊设备及工艺技术在企业运行表明,缝焊过程及缝焊质量稳定,已经形成了良好的经济效益。

基于近红外在线装置苹果糖度模型参数优化研究

糖度(SSC)是苹果内部品质主要评价指标之一,近红外光谱技术是预测苹果SSC的首选技术,优化近红外光谱采集装置的参数,可以提升模型的性能。采用本课题组自主研发的动态在线设备采集苹果的近红外光谱(350~1150 nm),研究不同参数条件下(运动速度、积分时间和光照强度)对近红外光谱预测苹果糖度模型的影响,优化动态在线装置的参数。210个红富士苹果被分为两批,第一批90个苹果样品,经过Kennard-Stone算法(K-S)算法分为建模集和预测集,用于研究不同运动速度、不同积分时间对苹果SSC含量在线预测模型的影响。在0.3和0.5 m·s^(-1)两种运动速度下,使用多元散射校正(MSC)、小波变换(WT)、标准正态变量变换(SNV)对采集到的光谱进行预处理,对不同移动速度的光谱构建糖度的偏最小二乘回归模型(PLS),结果表明:装置的运动速度为0.5 m·s^(-1)所建立的预测模型性能较优,在四种不同积分时间中,积分时间为120 ms时,经SNV预处理所建立的模型性能最优,其预测集的相关系数和均方根误差分别为0.968和0.331。第二批苹果120个,经K-S分为建模集和预测集,选择运动速度为0.5 m·s^(-1),积分时间为120 ms的装置参数进行不同光照强度对苹果SSC预测模型影响的研究,结果发现:在光照强度为4.5 A时,采集到的光谱相对其他光照强度组有较大的变化,光谱在640和800 nm处的波峰基本消失。在光照强度为6.5 A时,经SNV预处理后建立的模型性能最优。再使用竞争性自适应重加权算法(CARS)、连续投影算法(SPA)对采集的光谱数据进行波长筛选后,建立苹果SSC模型,结果表明:CARS-PLS所建立的模型性能较好,其预测集的相关系数和均方根误差分别为0.991和0.149,同时简化了模型,提高了模型的稳定性。研究表明:对动态在线设备进行参数优化,有助于提高苹果模型的预测精度,该研究有助于对苹果品质在线分选提供技术支持。

近红外在线检测装置参数对苹果糖度模型适用性的影响

【目的】近红外(Near-infrared)光谱在线检测装置的检测速度和积分时间等因素会影响所建立苹果糖度模型的性能,本文旨在分析检测速度和积分时间对模型适用性的影响,以提高在线检测的精度。【方法】近红外光谱在线检测装置检测速度和积分时间分别设置为0.3 m/s+100 ms、0.5 m/s+70 ms、0.5 m/s+100 ms、0.5 m/s+120 ms、0.5 m/s+150 ms,共5个实验组,试验所用苹果样本共180个,在350~1150 nm波长下采集5个试验组苹果的近红外光谱,应用偏最小二乘法(Partial least squares,PLS)建立苹果可溶性固形物含量(Soluble solid content,SSC)的预测模型。【结果】近红外在线检测装置积分时间对苹果糖度的检测存在阈值,当积分时间低于70 ms时,模型预测性能较差。预测模型中建模集与预测集的检测速度与积分时间相同时的预测效果优于二者不同时的。检测速度和积分时间会影响在线检测的精度,不同检测速度和积分时间下,光线在苹果内部的传输路线不同,会导致光纤探头获得的内部信息有所差异,使预测性能变差。在0.3 m/s+100 ms、0.5 m/s+100 ms、0.5 m/s+120 ms和0.5 m/s+150 ms 4个试验组中使用Kennard-Stone算法挑选出135个具有代表性的样本光谱,建立了混合检测速度和积分时间的预测模型,其预测集相关系数(R_(P))均在0.85以上,预测集均方根误差(RMSEP)均低于0.65。【结论】本研究建立的混合检测速度和积分时间的预测模型可对苹果的糖度达到更好的预测,满足不同检测装置参数下苹果糖度在线检测的要求。

苹果霉心病光谱在线检测的摆放姿态及建模方法优化研究

苹果营养丰富、口味酸甜,是深受大众喜爱的一种水果。苹果霉心病是一种真菌侵染果实病害,隐蔽性极强,一般在近成熟期果实内部发生霉变,肉眼从外观观察难以分辨,市面上大多数品种的苹果都受其影响。霉心病病果重量变轻、口感变差,严重的甚至不能食用,对经济效益的影响巨大。采用可见近红外光谱分析技术,使用微型光谱仪在线无损检测苹果霉心病,针对4种苹果在线输送时摆放姿态(竖放柄朝上、竖放柄朝下、横放柄朝输送方向和横放柄垂直输送方向)的判别效果进行了优化分析。首先使用主成分分析对600~900 nm波段的透射光谱提取主成分后分别建立线性判别分析(LDA)、马氏距离(MD)和K近邻法(KNN)模型并对校正集和预测集的判别准确率进行对比;其次对600~900 nm波段中心化预处理后建立偏最小二乘判别分析(PLS-DA)模型并给出4种摆放姿态的判别效果;最后使用两种机器学习算法极限学习机(ELM)和支持向量机(SVM)分别建立霉心病判别模型进行预测。对比上述所有6种判别模型,通过观察4种摆放姿态整体的判别效果得到最佳的建模方法为PLS-DA,其中竖放柄朝上和竖放柄朝下摆放的判别准确率都为93.75%,其他2种摆放姿态的判别准确率也都超过85%,再根据PLS-DA模型波段变量投影重要性指标得分值分布提取特征波段690~720 nm重新建立模型,对比4种摆放姿态效果最好的是竖放柄朝上摆放,其预测集的判别准确率达到93.75%,并且对病果的判别效果最佳。研究结果表明PLS-DA可以作为判别苹果霉心病一种有效方法,竖放柄朝上摆放可以作为苹果霉心病在线检测时一种有效姿态。