BP神經(jīng)網(wǎng)絡(luò)預(yù)測變振幅防堵篩分性能研究*
——基于EDEM-RecurDyn仿真

朱永樂，馬征，陳樹人，Souleymane Nfamoussa Traore，李耀明，姜晟

(1. 江蘇大學(xué)現(xiàn)代農(nóng)業(yè)裝備與技術(shù)教育部重點實驗室，江蘇鎮(zhèn)江，212013；2. 江蘇大學(xué)農(nóng)業(yè)工程學(xué)院，江蘇鎮(zhèn)江，212013)

0 引言

振動篩是清選環(huán)節(jié)的關(guān)鍵部件[1]。由于喂入量變化易導(dǎo)致篩面堆積堵塞，影響收獲作業(yè)。采用變振幅篩分原理能有效緩解篩面物料堆積堵塞，但仍需優(yōu)化變振幅調(diào)節(jié)，改善篩分性能[2]。

離散元法能模擬大量顆粒喂入的篩分過程，對研究篩分機理，參數(shù)優(yōu)化有重要作用[3-6]。文獻[7]用離散元法優(yōu)選質(zhì)心偏移變振幅篩的振幅、頻率。文獻[8]用DEM研究變振幅等厚篩面粒群分布和透篩規(guī)律。文獻[9]基于DEM分析等厚變振幅篩分機理。但是EDEM難以設(shè)置復(fù)雜可調(diào)的運動，故RecurDyn與EDEM聯(lián)合仿真，調(diào)節(jié)變振幅。

BP神經(jīng)網(wǎng)絡(luò)能通過已有數(shù)據(jù)深度自學(xué)習(xí)，建立精確的預(yù)測模型。其在農(nóng)業(yè)工程領(lǐng)域的智能控制、信息決策中應(yīng)用廣泛[10-12]。文獻[13]基于遺傳算法的BPNN對花生種子帶式清選作業(yè)參數(shù)優(yōu)化。文獻[14]基于BPNN優(yōu)化振動篩參數(shù)。文獻[15]采用DEM和BPNN優(yōu)化礦石篩分參數(shù)。

變振幅調(diào)節(jié)能緩解物料喂入量變化引起的篩面堆積堵塞，但缺少相應(yīng)的模型調(diào)控變振幅以緩解篩面堵塞，改善篩分性能。離散元法能模擬物料篩分過程，提供建模所需的數(shù)據(jù)?；诜抡娴臄?shù)據(jù)，采用微分、結(jié)構(gòu)等方程建立變振幅調(diào)控模型較為困難。BP神經(jīng)網(wǎng)絡(luò)能對仿真數(shù)據(jù)進行高度的自適應(yīng)和自學(xué)習(xí)，這能破除微分、結(jié)構(gòu)等方程建模的困難，有利于建立變振幅智能化調(diào)控模型。

因此為緩解因物料喂入量變化導(dǎo)致篩面堆積堵塞影響篩分性能的問題，本研究以變振幅篩分機構(gòu)導(dǎo)向滑槽轉(zhuǎn)角為變量，基于EDEM-RecurDyn仿真物料非正常喂入(增大)下的變振幅防堵篩分過程，并通過BPNN預(yù)測不同滑槽轉(zhuǎn)角下的變振幅篩分效率、含雜率變化，優(yōu)化變振幅篩分機構(gòu)導(dǎo)向滑槽轉(zhuǎn)角調(diào)節(jié)。這有利于緩解篩面堆積堵塞、改善篩分性能，為未來變振幅篩分防堵的調(diào)節(jié)提供依據(jù)。

1 變振幅篩分機構(gòu)

改進的變振幅篩分機構(gòu)及其調(diào)節(jié)原理如圖1所示。如圖1(a)所示，篩前端導(dǎo)向滑槽呈矩形，長400 mm，固定在轉(zhuǎn)動軸上統(tǒng)一調(diào)節(jié)轉(zhuǎn)角，內(nèi)置滑輪與篩箱前端固定并運動；篩箱靜態(tài)傾角為4°，使用沖孔篩，孔徑8 mm；吊桿固定在篩箱后端；連桿一端與篩箱一側(cè)下沿的中心呈30°連接，一端與偏心輪共線連接，保證機構(gòu)初始位置最低；接料盒放在篩下150 mm處接物料。

(a) 變振幅篩分機構(gòu)三維模型

導(dǎo)向滑槽未調(diào)節(jié)時，隨偏心輪轉(zhuǎn)動，帶滑輪的篩箱在靜態(tài)傾角4°下沿滑槽往復(fù)直線運動，篩面振幅未改變，篩箱是往復(fù)式振動篩運動形式，如圖1(a)的實線所示。通過控制導(dǎo)向滑槽的轉(zhuǎn)角實現(xiàn)變振幅調(diào)節(jié)，當(dāng)滑槽轉(zhuǎn)角增大時，篩面靜態(tài)傾角不斷減小并逐漸反向增大，隨著偏心輪轉(zhuǎn)動，滑輪在轉(zhuǎn)動一定角度后的滑槽內(nèi)往復(fù)運動，當(dāng)滑輪在滑槽內(nèi)由最低點運動到最高點過程中，篩面前端呈“上揚”運動，篩面后端下移，篩分運動形式發(fā)生變化，篩面前端振幅增大，篩面后端振幅減小，物料加速后移和分散，能有效緩解篩面物料堆積堵塞，如圖1(b)的虛線所示。

2 變振幅篩分試驗

2.1 EDEM-RecuDyn聯(lián)合仿真

2.1.1 仿真模型

仿真試驗?zāi)Ｐ腿鐖D2所示。圖2(a)是RecurDyn設(shè)置的運動學(xué)模型，調(diào)節(jié)變振幅。圖2(b)是離散元模型，其中顆粒工廠呈矩形，長為190 mm，寬為90 mm，距篩面300 mm。圖2(c)和圖2(d)是水稻籽粒、莖稈的顆粒模型。

(a) RecurDyn運動學(xué)模型 (b) EDEM仿真模型

2.1.2 參數(shù)設(shè)置

RecurDyn中變振幅篩分機構(gòu)部件的約束和驅(qū)動函數(shù)如表1所示。振動頻率為5 Hz，仿真時間為7.6 s，前2.6 s調(diào)節(jié)導(dǎo)向滑槽轉(zhuǎn)角，后5 s下料篩分。

表1 RecurDyn中變振幅篩分機構(gòu)的運動副及約束設(shè)置Tab. 1 Kinematic pairs and constraint settings of variable amplitude screening mechanism in RecurDyn

EDEM中顆粒運動參數(shù)設(shè)置如表2所示。顆粒喂入速率為0.5 kg/s，遠超正常喂入量，水稻籽粒和莖稈的總量分別為2.375、0.125 kg。顆粒的接觸模型采用Hertz-Mindlin (no-slip)。

表2 EDEM中顆粒運動仿真的全局變量參數(shù)設(shè)置Tab. 2 Global variable parameter setting of particle motion simulation in EDEM

2.1.3 試驗方案

物料在非正常喂入(0.5 kg/s)下，以導(dǎo)向滑槽的轉(zhuǎn)角為變量，試驗方案如表3所示。通過EDEM統(tǒng)計接料盒中水稻籽粒、莖稈的質(zhì)量，計算不同滑槽轉(zhuǎn)角下的篩分效率和含雜率。

表3 變振幅調(diào)節(jié)試驗方案Tab. 3 Test scheme of variable amplitude regulation

2.1.4 仿真過程及結(jié)果

如圖3所示，是導(dǎo)向滑槽35°時的變振幅篩分過程。非正常喂入(0.5 kg/s)的物料不斷后移，篩面前端堆積堵塞被緩解。

(a) 顆粒運動仿真0.0 s (b) 顆粒運動仿真2.6 s

物料非正常喂入下變振幅篩分效率、含雜率的結(jié)果如表4所示。由于仿真時長較短，各項指標(biāo)數(shù)值較小，但不影響整體變化趨勢。篩分效率和含雜率的計算公式如式(1)和式(2)所示。

(1)

(2)

式中：η——篩分效率，%；

μ——含雜率，%；

m——喂入的水稻籽粒和莖稈的質(zhì)量，kg；

m1——篩下水稻籽粒和莖稈的質(zhì)量，kg；

m2——篩下水稻莖稈的質(zhì)量，kg。

表4 物料非正常喂入下變振幅篩分性能的試驗結(jié)果Tab. 4 Test results of variable amplitude screening performance under abnormal feeding

2.2 BP神經(jīng)網(wǎng)絡(luò)

2.2.1 BP神經(jīng)網(wǎng)絡(luò)設(shè)計

基于MATLAB設(shè)計BP神經(jīng)網(wǎng)絡(luò)。以滑槽轉(zhuǎn)角為輸入，以篩分效率、含雜率為輸出。輸入層、輸出層的節(jié)點數(shù)為1、2，隱藏層節(jié)點數(shù)遵循“在輸入層與輸出層節(jié)點數(shù)之間，輸入層加輸出層節(jié)點數(shù)的三分之二”的原則，最終其節(jié)點數(shù)為2。樣本總量10，訓(xùn)練集、驗證集、測試集默認為70%、15%、15%，樣本量分別為6、2、2，訓(xùn)練數(shù)據(jù)如表4所示。Bayesian Regularization算法是貝葉斯正則化，是對Levenberg-Marquardt算法的改進，其網(wǎng)絡(luò)泛化能力更好，降低了確定最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)的難度，因此訓(xùn)練函數(shù)選擇Bayesian Regularization算法。權(quán)值、閾值均為默認值，可自動調(diào)整。BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖4所示。

圖4 基于MATLAB設(shè)計的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2.2.2 訓(xùn)練過程及結(jié)果

BP神經(jīng)網(wǎng)絡(luò)經(jīng)過隨機選擇樣本的多次訓(xùn)練，預(yù)測模型的R2均超過0.99，其中較優(yōu)的訓(xùn)練過程及結(jié)果如圖5、圖6所示。

圖5 BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的訓(xùn)練過程

Fig. 5 Training process of BPNN prediction model

如圖5(a)所示，BP神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練至82步時均方誤差即收斂，訓(xùn)練時間短。BP神經(jīng)網(wǎng)絡(luò)模型的輸出值和預(yù)測值的差值曲線如圖5(b)所示，兩者的誤差較小，BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的擬合程度高。如圖6所示，訓(xùn)練集、測試集、總樣本的R2均超過0.999，構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測值和輸出值(篩分效率、含雜率)高度相關(guān)，BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型可信度高，可預(yù)測其它導(dǎo)向滑槽轉(zhuǎn)角下的篩分性能指標(biāo)。

(a) 訓(xùn)練集

2.3 預(yù)測結(jié)果與分析

篩分性能指標(biāo)仿真曲線和BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測導(dǎo)向滑槽轉(zhuǎn)角0°～45°時的篩分性能(篩分效率、含雜率)變化，如圖7所示。由圖7(a)可知物料在非正常喂入(0.5 kg/s)條件下的變振幅的篩分效率隨著滑槽角度的增大而先增大后減小。篩分效率變化的斜率由小變大，然后篩分效率保持穩(wěn)定的斜率增加或減小?；坜D(zhuǎn)角5°～10°時變振幅的篩分效率變化較小，這對篩分性能(篩分效率)的改善效果較差。滑槽轉(zhuǎn)角15°～35°時篩分效率較大且斜率較為穩(wěn)定，此時的篩分性能(篩分效率)較好?；坜D(zhuǎn)角40°～45°時變振幅的篩分效率反而減小，這是由于滑槽轉(zhuǎn)角過大導(dǎo)致篩面前端振幅過強，篩面局部拋擲強度增大，物料快速后移至篩尾部導(dǎo)致部分物料來不及篩分即排出篩尾，影響變振幅的篩分性能。

(a) 篩分效率變化

由圖6(b)可知，滑槽轉(zhuǎn)角在5°～40°時變振幅的含雜率整體呈上升趨勢，這時篩面前端振幅增大，物料加速后移，篩面較充分的利用導(dǎo)致透篩的水稻莖稈增多。40°～45°時含雜率攀升，說明導(dǎo)向滑槽轉(zhuǎn)角調(diào)節(jié)過大，對變振幅調(diào)節(jié)下的篩分性能(含雜率)不利。

BP神經(jīng)網(wǎng)絡(luò)模型能夠較好的預(yù)測變振幅的篩分效率、含雜率的變化趨勢，這說明訓(xùn)練得到的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型精確度和可信度高。此外，根據(jù)BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測，由圖6中對BPNN預(yù)測分析可知導(dǎo)向滑槽轉(zhuǎn)角在37°時物料非正常喂入(0.5 kg/s)條件下的變振幅篩分效率更高，含雜率較低，兩者分別為74.30%、0.20%。

因此，綜合變振幅的篩分效率和含雜率可知，導(dǎo)向滑槽轉(zhuǎn)角應(yīng)控制在15°～40°之間(其中滑槽轉(zhuǎn)角37°時篩分性能較優(yōu))，這有利于改善物料非正常喂入(0.5 kg/s)條件下變振幅的篩分性能(篩分效率、含雜率)。

3 結(jié)論

1) 在物料非正常喂入(0.5 kg/s)下，隨著導(dǎo)向滑槽轉(zhuǎn)角的增大，變振幅篩分效率在55%～75%內(nèi)先升高后下降，含雜率呈指數(shù)型增長，在0.1%～0.4%內(nèi)先緩增后陡增。導(dǎo)向滑槽轉(zhuǎn)角0°～10°時篩分效率在55%～58%內(nèi)平穩(wěn)上升，含雜率在0.1%～0.16%內(nèi)小范圍波動變化；滑槽轉(zhuǎn)角15°～40°時篩分效率在58%～75%內(nèi)線性增大，含雜率在0.11%～0.19%內(nèi)波動上升；滑槽轉(zhuǎn)角40°～45°時篩分效率驟然線性下降至65.8%，含雜率陡然升高至0.37%。

2) 滑槽轉(zhuǎn)角15°～40°時變振幅篩分效率在58%～75%內(nèi)呈線性增大，含雜率在0.11%～0.19%內(nèi)穩(wěn)定變化，篩分性能變化較好，其中滑槽轉(zhuǎn)角37°時變振幅的篩分效率最高，含雜率較低，篩分效率和含雜率分別為74.30%、0.20%，篩分性能更優(yōu)。

3) BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的R2為0.99，對仿真篩分效率和含雜率的預(yù)測程度高，預(yù)測誤差集中在-0.000 41，預(yù)測誤差較小，模型具有高度的精確度和可靠度。