粮食产量与国民生产总值反向波动关系研究

探究粮食生产波动的原因对于提高粮食生产宏观调控水平具有较大的作用。在前人研究的基础上,文章分析了粮食产量波动与国民经济生产总值波动的关系。在收集1952年至2009年资料的基础上,利用协整分析、误差修正模型(ECM)对粮食产量与国民生产总值关系进行了深入探讨。结果发现,第二、第三产业产值波动造成了粮食产量的反向波动,其短期弹性系数是-0.24。该结论给粮食宏观调控政策提供了一个独特的视角。

基于HRFDE和GSA-PNN的旋转机械故障识别模型

采用波动散布熵只能提取故障振动信号的单一尺度特征,而多尺度反向波动散布熵(MRFDE)无法分析信号的高频特性信息,导致提取的故障特征不够全面,进而影响旋转机械故障识别准确率,针对这一问题,提出了一种基于层次反向波动散布熵(HRFDE)和引力搜索算法优化概率神经网络(GSA-PNN)的旋转机械故障诊断模型(方法)。首先,利用层次分割处理代替MRFDE中的粗粒化处理,提出了可以同时提取信号中低频段信息和高频段信息的HRFDE方法,并用于全面表征旋转机械故障特征中的低频和高频信息,从而生成了故障特征样本;然后,采用引力搜索算法(GSA)方法对概率神经网络(PNN)分类器的平滑因子进行了快速优化,建立了GSA-PNN多故障分类模型,对旋转机械的故障类型进行了识别和检测;最后,利用滚动轴承和齿轮箱两种典型的故障数据集,对基于HRFDE方法和GSA-PNN分类器的故障诊断方法的有效性和稳定性进行了实验分析,并将其与现有基于MRFDE、多尺度波动散布熵(MFDE)和层次散布熵(HDE)的故障特征提取方法进行了对比分析。研究结果表明:基于HRFDE方法和GSA-PNN分类器的故障诊断方法可以精准地识别旋转机械的不同故障类型,对两种数据集的识别准确率均达到了98%;而在牺牲部分故障识别效率的基础上,能够获得优于其他对比方法的故障识别准确率,其具有更好的综合性能。

基于RCMRFDE和ELM的滚动轴承故障检测方法

为了有效地提升滚动轴承故障诊断的可靠性和准确性,鉴于精细复合多尺度反向波动散布熵(RCMRFDE)方法在描述非线性序列复杂度和特征提取方面的优势,提出了一种结合RCMRFDE和极限学习机(ELM)的滚动轴承综合故障检测方法(该方法包括健康检测和故障分类)。首先,根据滚动轴承健康和故障振动信号复杂性具有显著性差异的特点,利用RCMRFDE预先检测了滚动轴承的健康状态,筛选出了健康轴承;然后,采用RCMRFDE提取出了剩余故障轴承的故障特征,并采用极限学习机(ELM)对故障类型进行了智能化的识别;最后,基于两种公开的滚动轴承故障实验数据,分别采用RCMRFDE+ELM方法与其他5种故障诊断方法进行了检测,并将所得结果进行了比较分析,以验证新方法的检测精度、分类准确率、效率和可靠性。研究结果表明:采用RCMRFDE+ELM方法能够准确地检测出滚动轴承是否存在故障,并且在二次实验中,对于故障轴承的平均识别准确率分别达到了99.96%和99.67%,均高于其他方法。该方法可以为建立滚动轴承的健康监测模型提供阈值设置方法和诊断思路。

基于TSMRFDE和随机森林的旋转机械故障诊断

为高效检测旋转机械的故障类型和严重程度,提出了一种具有优异泛化性的旋转机械故障诊断方法。首先,基于反向波动散布熵和时移粗粒化处理,开发了一种新的测量时间序列复杂度的方法,称为时移多尺度反向波动散布熵(TSMRFDE);其次,采用t-随机领域嵌入(t-SNE)对TSMRFDE进行流形降维,减小特征的冗余;最后,将低维故障特征输入至随机森林(RF)分类器进行故障识别。实验结果表明,TSMRFDE-t-SNE-RF在不同平台的实验中都取得了优异的故障识别结果,平均识别准确率分别达到了100%和97.9%,验证了该方法的泛化性和稳定性。

张老汉养母猪一波三折的启示潮头莫赶 波谷莫让

张老汉养母猪一波三折的启示潮头莫赶波谷莫让“猪市如潮，有涨有落，经得穷才能守得住富。”这是江苏省盐城市郊区同中乡马厂村的张金柱老汉通过多年养猪摸索出来的经验。８０年代，张老汉曾两次因赶着猪市的风潮，买母猪育仔，却又因后来仔猪市场的降温滑坡而亏本。经反...