林木害虫蛀干振动信号分析及特征识别

林木害虫蛀干振动信号分析及特征识别

论文摘要

林木蛀干害虫幼虫生存在树干内部,种类鉴定困难。为了迅速准确的识别天牛幼虫种类,进行生物学防治,提出了测试分析天牛幼虫蛀食树木振动信号,提取天牛幼虫的行为学特征,判断天牛种类的方法,取得以下成果:蛀干害虫在树干内会有蛀食树干,清理蛀道,自卫以及爬行等行为,这些行为均会引发一个波形类似振动波形,同时外界的强风及其他的干扰也会引发振动。蛀干害虫引发的振动信号有上升沿是一个陡的脉冲随后脉冲以近似指数包络线衰减,与外界干扰引发的振动波形上有明显的区别,蛀食振动最大相对幅值在60%以上,清理蛀道振动最大相对幅值40%-60%,自卫振动最大相对幅值20%-40%,爬行振动最大相对幅值20%以下,可以直接进行判别。在此后的研究中得到了验证。使用变分模态分解对蛀食振动信号进行降噪,通过中心频率判别法确定出模态个数,对比不同惩罚因子的运算时间以及精度,确定出惩罚因子的值。并介绍了 VMD降噪原理以及通过波形和时间熵进行噪音分量识别的方法。对重构信号进行3层小波包分解,对分解后的分量进行傅里叶变换以及计算能量比,提取蛀干振动的特征。本课题分别采集了云斑天牛(白蜡树),光肩星天牛(法国梧桐),桃红颈天牛(紫叶李,西府海棠),大量的数据。对降噪后的振动信号提取时域特征,主要包括振动波形以及振动时长上的区别。对于频域特征主要包括频率组成以及节点能量比的频域特征。不同的幼虫蛀干振动差别非常大,适于作为特征参数,判断天牛的种类。同时同宿主上的蛀木振动信号特征差别显著。证明基于振动信号分析的方法,能有效识别蛀木害虫。通过时域和频域的综合判别,从而完成蛀干害虫的识别。针对同一种树木可能存在多种天牛为害,本课题随机采集了白蜡树,法国梧桐,紫叶李以及西府海棠等树木,采集相应的信号进行分析,正确率到了 90%。剩余树检测时未发现相应的害虫,但存在其他种类的天牛。本课题证明了使用振动信号进行天牛种类识别的可行性。对早期确认蛀干害虫种类,制定科学的防治方案有重要实用价值。为以后的生物防治奠定了坚实的基础。

论文目录

  • 致谢
  • 摘要
  • ABSTRACT
  • 序言
  • 1 绪论
  •   1.1 选题背景及研究意义
  •   1.2 蛀干害虫现有的检测方法及其发展
  •     1.2.1 人工检测
  •     1.2.2 声音检测
  •     1.2.3 其它检测方法
  •   1.3 变分模态分解(VMD)
  •   1.4 小波包
  •     1.4.1 小波变换
  •     1.4.2 小波包分解
  •   1.5 三种天牛简介
  •   1.6 论文的主要内容及章节安排
  • 2 变分模态分解和小波包分解
  •   2.1 变分模态分解的基本原理及算法流程
  •     2.1.1 变分模态的基本原理
  •     2.1.2 VMD算法中重要参量的确定
  •     2.1.3 VMD与EMD的对比
  •   2.2 小波包分解
  •     2.2.1 从傅里叶变换到小波变换
  •     2.2.2 小波包变换
  •     2.2.3 小波包频段能量谱分析
  •     2.2.4 小波基函数
  •     2.2.5 小波包基函数的选取
  •   2.3 本章小结
  • 3 信号的采集以及处理流程
  •   3.1 信号采集的设备以及采集方法
  •     3.1.1 信号采集设备
  •     3.1.2 信号采集的方法
  •   3.2 时域信号筛选
  •   3.3 时频信号的降噪
  •   3.4 信号的处理流程
  •   3.5 本章小结
  • 4 天牛振动信号特征的提取
  •   4.1 信号的时域特征
  •     4.1.1 波形与振动时长特征
  •     4.1.2 时域特征的对比与分析
  •   4.2 信号的频域特征
  •     4.2.1 信号的频率组成
  •     4.2.2 信号的能量谱分析
  •     4.2.3 频域对比分析与总结
  •   4.3 本章总结
  • 5 实验验证
  •   5.1 分析结果
  •   5.2 数据处理流程
  •   5.3 本章小结
  • 6 总结与展望
  •   6.1 本文总结
  •   6.2 工作展望
  • 参考文献
  • 作者简历及攻读硕士学位期间取得的研究成果
  • 学位论文数据集
  • 文章来源

    类型: 硕士论文

    作者: 刘圣煌

    导师: 杨江天

    关键词: 变分模态分解,小波包分解,蛀干振动信号,天牛防治

    来源: 北京交通大学

    年度: 2019

    分类: 基础科学,农业科技

    专业: 力学,植物保护,林业

    单位: 北京交通大学

    基金: 北京交通大学与河南科技学院的联合项目——豫北地区主要农林害虫和天敌资源调查及开发利用

    分类号: S763.3;O32

    DOI: 10.26944/d.cnki.gbfju.2019.001135

    总页数: 96

    文件大小: 7183K

    下载量: 52

    相关论文文献

    • [1].优化递归变分模态分解及其在非线性信号处理中的应用[J]. 物理学报 2019(23)
    • [2].变分模态分解在爆破信号趋势项去除中的应用[J]. 爆炸与冲击 2020(04)
    • [3].辛几何模态分解方法及其分解能力研究[J]. 振动与冲击 2020(13)
    • [4].基于快速本征模态分解的电力系统短期负荷预测[J]. 中国电机工程学报 2013(S1)
    • [5].补充集成极值加权模态分解及其应用[J]. 噪声与振动控制 2020(03)
    • [6].基于匹配追踪和变分模态分解的电气化铁路谐波检测[J]. 济南大学学报(自然科学版) 2020(02)
    • [7].变微分模态分解罚参量选择方法与时变系统识别[J]. 西南交通大学学报 2020(03)
    • [8].基于动态模态分解的缸内流场演变及动能分析[J]. 内燃机工程 2020(05)
    • [9].改进二维变分模态分解的磁源分离[J]. 光学精密工程 2020(05)
    • [10].关于多种模态分解方法的分离效果的差别探讨[J]. 信息技术 2016(12)
    • [11].基于改进极值波延拓的极点对称模态分解端点效应抑制方法[J]. 电工技术学报 2020(S1)
    • [12].基于蝙蝠算法优化的变分模态分解的转子裂纹检测方法[J]. 振动与冲击 2020(06)
    • [13].基于改进变分模态分解的液体密度测量中超声回波去噪方法(英文)[J]. Journal of Measurement Science and Instrumentation 2020(04)
    • [14].基于变分模态分解的变形监测数据去噪方法[J]. 武汉大学学报(信息科学版) 2020(05)
    • [15].基于改进变分模态分解的滚动轴承故障诊断方法[J]. 计量学报 2020(06)
    • [16].变分模态分解在齿轮故障特征提取中的应用[J]. 东北林业大学学报 2019(08)
    • [17].基于模态分解技术的地震信号随机噪声压制方法研究[J]. 科技广场 2017(08)
    • [18].动态模态分解方法在缸内湍流场研究中的应用[J]. 内燃机学报 2016(04)
    • [19].基于变分模态分解与快速谱峭图的齿轮箱滚动轴承故障特征提取[J]. 机械传动 2020(01)
    • [20].基于改进自适应变分模态分解的滚动轴承微弱故障诊断[J]. 振动与冲击 2020(08)
    • [21].变分模态分解与深度信念网络的双转子不对中程度识别[J]. 机械科学与技术 2020(05)
    • [22].基于时延自相关与变模态分解的故障诊断方法[J]. 兰州理工大学学报 2017(04)
    • [23].变分框架下多尺度熵相关优化的模态分解在故障诊断中的应用[J]. 现代制造工程 2017(04)
    • [24].基于变分模态分解的模态参数识别研究[J]. 振动与冲击 2020(02)
    • [25].基于变分模态分解的直肠压力信号预处理研究[J]. 工业控制计算机 2020(03)
    • [26].基于变分模态分解的故障弱信息提取方法[J]. 华中科技大学学报(自然科学版) 2020(07)
    • [27].香农熵改进的变分模态分解与故障特征提取[J]. 机械科学与技术 2020(07)
    • [28].基于变分模态分解与模糊聚类的船用齿轮箱故障诊断[J]. 珠江水运 2020(16)
    • [29].基于变分模态分解时频图的轴承故障诊断[J]. 天津职业技术师范大学学报 2020(03)
    • [30].基于变分模态分解与双向长短期记忆神经网络的超短期风速预测[J]. 工业控制计算机 2020(09)

    标签:;  ;  ;  ;  

    林木害虫蛀干振动信号分析及特征识别
    下载Doc文档

    猜你喜欢