螺旋式布料機(jī)輸送量的精確預(yù)測

蔡安江，劉亞東，劉俊強(qiáng)，龐秋生

自動化與智能化技術(shù)

螺旋式布料機(jī)輸送量的精確預(yù)測

蔡安江1，劉亞東1，劉俊強(qiáng)1，龐秋生2

（1.西安建筑科技大學(xué) 機(jī)電工程學(xué)院，西安 710055； 2.德州海天機(jī)電科技有限公司，山東 德州 253000）

針對預(yù)制構(gòu)件所需布料機(jī)輸送的混凝土質(zhì)量問題，以螺旋輸送量預(yù)測為目標(biāo)，構(gòu)建一種以工藝因素和結(jié)構(gòu)因素為輸入量的改進(jìn)灰狼算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的輸送量預(yù)測模型。通過EDEM對布料機(jī)輸送過程進(jìn)行仿真模擬，把輸送速率和平均質(zhì)量流率作為正交實(shí)驗(yàn)的2種評價標(biāo)準(zhǔn)，并用極差法和矩陣分析法求出螺旋布料機(jī)各因素對兩標(biāo)準(zhǔn)的影響順序，并通過混沌種群初始化、步長更新公式及自適應(yīng)收斂因子的方法改進(jìn)灰狼算法收斂速度慢和限于局部最優(yōu)解的問題。通過改進(jìn)灰狼算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，優(yōu)化后的輸送量預(yù)測結(jié)果的平均絕對百分誤差為8%、決定系數(shù)為0.95，比其他實(shí)驗(yàn)對比組的輸送量模型預(yù)測值誤差更小。研究可為預(yù)制構(gòu)件的定量布料提供混凝土設(shè)定目標(biāo)值。

螺旋式布料機(jī)；輸送量；正交實(shí)驗(yàn)；預(yù)測；BP神經(jīng)網(wǎng)絡(luò)；改進(jìn)灰狼算法

螺旋式布料機(jī)是整個預(yù)制構(gòu)件生產(chǎn)線上的一個主要裝備。布料機(jī)在布料過程中通過控制8個螺桿轉(zhuǎn)速及其對應(yīng)的出料口，將料斗內(nèi)的混凝土輸送到底模盤的范圍內(nèi)，因此，混凝土輸送量對產(chǎn)品質(zhì)量和生產(chǎn)線有著舉足輕重的效用。合理而精確的混凝土輸送量預(yù)測可以縮短布料時間，減少物力、物料的浪費(fèi)及企業(yè)的運(yùn)行成本，且輸送量精準(zhǔn)預(yù)測是實(shí)現(xiàn)預(yù)制構(gòu)件的混凝土布料自動化和布料數(shù)字化的基本保證和重要任務(wù)[1]。

Justin等[2]基于離散元方法選擇不同螺桿直徑對顆粒質(zhì)量流量、功率消耗等的影響來預(yù)測水平螺旋給料系統(tǒng)中的顆粒輸送；Davide等[3]以一階加死區(qū)時間的雙螺桿輸送機(jī)動力學(xué)機(jī)理模型的方法，通過選擇不同螺旋轉(zhuǎn)速用于預(yù)測質(zhì)量流量，然后用非線性模型來控制以保持準(zhǔn)確質(zhì)量流量；Dheeraj等[4]建立了螺旋輸送機(jī)的理論模型，通過多種方法研究了輸送機(jī)各性能參數(shù)對物料的輸送量、功率需求和混合性能的影響；周鵬等[5]基于混凝土輸送機(jī)機(jī)理，建立了基于BP神經(jīng)網(wǎng)絡(luò)的輸送量預(yù)測模型，取得了一定的輸送量預(yù)測結(jié)果；王友勝等[6]針對螺旋給料機(jī)的堵料問題，以工藝參數(shù)為設(shè)計變量，螺旋體質(zhì)量和效率為目標(biāo)，運(yùn)用遺傳算法和Ansys得到其結(jié)構(gòu)合理性。王震民等[7]針對小麥粉螺旋喂料器流量誤差降低設(shè)計準(zhǔn)確性的問題，通過粒子群算法，以修正后的小麥粉流量和螺旋體質(zhì)量為目標(biāo)、各種影響參數(shù)為變量，對結(jié)構(gòu)參數(shù)進(jìn)行了尋優(yōu)。

上述研究對螺旋輸送量進(jìn)行了機(jī)理建模研究，驗(yàn)證了對螺旋輸送機(jī)輸送量的主要影響因素，但是對影響輸送量預(yù)測的各影響因素概括不夠全面，輸送量預(yù)測模型對影響參數(shù)的非線性行為響應(yīng)不當(dāng)導(dǎo)致預(yù)測精度不夠準(zhǔn)確。為此，構(gòu)建一種優(yōu)化BP神經(jīng)網(wǎng)絡(luò)螺旋布料機(jī)輸送量預(yù)測模型，以避免混凝土物料或布料機(jī)參數(shù)發(fā)生變化時導(dǎo)致混凝土輸送量預(yù)測失效，可為布料機(jī)準(zhǔn)確控制混凝土輸送量提供依據(jù)，并為包裝工程的螺旋裝置提供螺旋輸送的依據(jù)。

1 螺旋輸送工作原理及其模型的建立

1.1 螺旋布料機(jī)結(jié)構(gòu)及工作原理

混凝土螺旋布料機(jī)的內(nèi)部示意圖和整體結(jié)構(gòu)如圖1所示。

整個布料系統(tǒng)包括鋼結(jié)構(gòu)支架、大車裝置和小車裝置。大車裝置主要在沿支架梁方向行走布料，小車裝置在垂直于支架梁的桁架上轉(zhuǎn)向。螺旋布料機(jī)內(nèi)部的螺旋桿由步進(jìn)電機(jī)控制，并采用螺旋推動出料的方式在預(yù)制構(gòu)件的模具中進(jìn)行混凝土的布料工作。大車、小車行走裝置在各自軌道上運(yùn)動，將料斗里的混凝土輸送到預(yù)制構(gòu)件模具里。

1.步進(jìn)電機(jī)；2.布料機(jī)料斗；3.打散棒； 4.螺桿；5.出料口。

1.2 螺旋輸送仿真模型建立

由文獻(xiàn)[8]可知，計算螺旋輸送速率的公式見式（1）。

質(zhì)量流率計算式見式（2）[9]。

為了描述混凝土螺旋布料機(jī)在布料過程中的螺旋輸送效果，參考某混凝土螺旋布料機(jī)參數(shù)，通過Soliworks建立模型，利用石、砂和水泥顆粒模擬預(yù)制構(gòu)件所需混凝土的配比。在EDEM軟件中分別建立顆粒直徑分別為10、25、35 mm，顆粒數(shù)分別為9 000、7 500、4 500顆的水泥、砂和石的顆粒模型。水泥、砂、石與鋼的材料屬性參數(shù)見文獻(xiàn)[10]。采用離散元法中的Hertz–Mindlin模擬混凝土的物理狀態(tài)，然后利用2個評價指標(biāo)來評價布料機(jī)螺旋輸送性能。

2 螺旋輸送方案設(shè)計及輸送結(jié)果分析

2.1 螺旋輸送方案設(shè)計

混凝土螺旋布料機(jī)的轉(zhuǎn)速（工藝因素）、螺距（結(jié)構(gòu)因素）、螺旋葉片直徑（結(jié)構(gòu)因素）影響其輸送性能。布料機(jī)在布料工作中轉(zhuǎn)速太大，易輸出太多的混凝土物料造成浪費(fèi)。若螺旋布料機(jī)在布料工作中轉(zhuǎn)速過小，則容易造成布料時混凝土物料的阻塞，不利于螺旋布料機(jī)的布料工作。螺旋布料機(jī)螺距和螺旋葉片也不宜過小，否則會造成堵塞現(xiàn)象從而影響布料機(jī)對混凝土的輸送結(jié)果。

故將輸送速率和平均質(zhì)量流率作為三水平三因素的正交試驗(yàn)的指標(biāo)，并通過9種方案來研究混凝土螺旋布料機(jī)各因素對輸送性能的影響。同時，將螺距（A因素）設(shè)置為35、48、60，代號為1、2、3；螺旋葉片直徑（B因素）為60、70、80，代號為1、2、3；轉(zhuǎn)速（C因素）為25、30、35，代號為1、2、3。

2.2 螺旋輸送結(jié)果分析

利用建立的三維布料機(jī)模型和EDEM軟件模擬仿真9組試驗(yàn)方案的混凝土輸送過程，并由圖2描述0～9 s時間內(nèi)統(tǒng)計區(qū)總顆粒質(zhì)量。

圖2 統(tǒng)計區(qū)總顆粒質(zhì)量變化趨勢

圖2顯示了EDEM軟件進(jìn)行模擬仿真9 s后的統(tǒng)計區(qū)混凝土總顆粒質(zhì)量變化。由圖2可知，布料機(jī)中的混凝土顆粒分別在8個螺旋葉片的助推下在預(yù)制構(gòu)件的模具中布料。由于每個方案的輸送速度、螺距和螺旋葉片直徑不同，在一定的時間范圍內(nèi)，顆粒質(zhì)量是與輸送時間呈正相關(guān)的關(guān)系，在EDEM軟件的混凝土顆粒的質(zhì)量和輸送速率也各不相同，如表1所示。

當(dāng)混凝土顆粒落入料槽時，由于沒有顆粒間的摩擦及堆積，使得輸送的流率加大；隨著時間的推移顆粒全部落入到模具里，會有顆粒摩擦、顆粒與料槽及葉片的摩擦及輸送速度等因素會使顆粒受到阻力作用，隨著螺旋葉片的勻速移動，各阻力作用逐漸減小，使得顆粒全部被輸送到統(tǒng)計區(qū)；針對不同的預(yù)制構(gòu)件板件需要布料，輸送過程中平均質(zhì)量流率會有先大后小，甚至為0的結(jié)果。又因?yàn)檎辉囼?yàn)中的布料機(jī)參數(shù)的區(qū)別，最終結(jié)果為0的時刻也不同。

因?yàn)樽顑?yōu)方案在2個不同指標(biāo)下結(jié)果不同，須建立兩指標(biāo)和三因素的權(quán)重矩陣，并由權(quán)重大小確定輸送性能因素的主次因素。表2是通過極差法和矩陣分析法對正交實(shí)驗(yàn)的直觀分析結(jié)果[11]。

因此由表2可以確定正交試驗(yàn)的最優(yōu)布料機(jī)幾何參數(shù)組合：3、3、1的權(quán)重較大，同時通過對各因素各水平對應(yīng)的權(quán)重求和可以得出對平均輸送量流率和輸送速率2個指標(biāo)綜合影響的主次順序?yàn)槁菥唷⑥D(zhuǎn)速、螺旋葉片直徑，也即影響布料機(jī)輸送量的因素參數(shù)為螺距、轉(zhuǎn)速、螺旋葉片直徑。

3 螺旋布料機(jī)輸送量預(yù)測實(shí)驗(yàn)與分析

鑒于常規(guī)的布料機(jī)輸送量機(jī)理公式所求得混凝土輸送量有一定的缺陷或不足，因此建立改進(jìn)灰狼算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的輸送量預(yù)測模型，并把布料機(jī)螺距、轉(zhuǎn)速、螺旋葉片直徑作為預(yù)測模型的輸入量，對混凝土輸送量進(jìn)行預(yù)測。

表1 9組方案仿真結(jié)果

Tab.1 Simulation results of 9 schemes

表2 極差法和矩陣分析法下的正交試驗(yàn)直觀分析結(jié)果

Tab.2 Visual analysis results of orthogonal experiments under range method and matrix analysis method

3.1 改進(jìn)的灰狼算法（EGWO）

為了提升灰狼算法的搜索效率，用混沌映射代替隨機(jī)數(shù)初始化的方法，可以確保群體的多樣性，讓種群具有較好的遍歷性和不重復(fù)性[12]。

SkewTent映射產(chǎn)生混沌序列的數(shù)學(xué)模型見式（3）。

通過改進(jìn)步長更新公式來解決原位置方程權(quán)重系數(shù)保持穩(wěn)定的問題，來克服灰狼算法的局部收斂和收斂速度慢問題[13]。

本文通過采用線性遞減權(quán)重的方法來更新灰狼的位置公式，從而使得傳統(tǒng)的標(biāo)準(zhǔn)灰狼算法具有全局搜索的能力。

通過改變收斂因子參數(shù)的線性行為，找到一個平衡探索和開發(fā)的方法[14]。

3.2 構(gòu)建改進(jìn)灰狼算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)（EGWO–BP）模型

2）建立BP神經(jīng)網(wǎng)絡(luò)。對BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行選擇，也對網(wǎng)絡(luò)中間層的節(jié)點(diǎn)數(shù)進(jìn)行規(guī)定。

4）當(dāng)達(dá)到規(guī)定誤差值或最多迭代次數(shù)后，滿足條件，灰狼算法輸出2個最優(yōu)值，將最優(yōu)值賦予BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，輸出最終預(yù)測結(jié)果。上述流程見圖3。

圖3 預(yù)測模型程序流程

3.3 樣本數(shù)據(jù)獲取及實(shí)例分析

由文獻(xiàn)[5]可知，可取螺距、螺桿轉(zhuǎn)速、螺旋葉片直徑以及常用4種預(yù)制構(gòu)件混凝土配比。從上述因素的隨機(jī)排列組合中取30組作為樣本數(shù)據(jù)，23組作為訓(xùn)練數(shù)據(jù)，7組作為驗(yàn)證數(shù)據(jù)。將獲取的實(shí)驗(yàn)樣本數(shù)據(jù)分別輸入本文構(gòu)建的模型進(jìn)行混凝土輸送量的預(yù)測。

在圖4中，基于EGWO–BP神經(jīng)網(wǎng)絡(luò)模型的混凝土輸送量預(yù)測輸出相較于BP神經(jīng)網(wǎng)絡(luò)模型和GWO–BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測輸出相對精確，與實(shí)際輸送量值趨于一致。圖5a中基于GWO–BP神經(jīng)網(wǎng)絡(luò)模型的混凝土輸送量預(yù)測結(jié)果與實(shí)際值有大致的走向趨勢，會隨著時間的推移，誤差會隨之增加，圖5b基于BP神經(jīng)網(wǎng)絡(luò)模型的混凝土輸送量預(yù)測結(jié)果不能滿足實(shí)際的變化趨勢，也不能很好地擬合期望輸出。

使用3個預(yù)測模型的平均絕對百分比誤差（MAPE）和決定系數(shù)（2）獨(dú)立運(yùn)行15次，并評估3個模型的預(yù)測效率[15]。由表3可知，GWO–BP神經(jīng)網(wǎng)絡(luò)模型和BP神經(jīng)網(wǎng)絡(luò)模型的混凝土輸送量預(yù)測誤差較EGWO–BP神經(jīng)網(wǎng)絡(luò)模型的誤差大，體現(xiàn)了EGWO–BP神經(jīng)網(wǎng)絡(luò)模型在混凝土輸送量預(yù)測上的精度相對較好。從絕對系數(shù)達(dá)到0.95也可看出，EGWO–BP神經(jīng)網(wǎng)絡(luò)模型的混凝土輸送量預(yù)測較另外2個預(yù)測模型有很高的預(yù)測精度。

圖4 基于EGWO–BP的混凝土預(yù)測對比

圖5 基于GWO–BP和BP的混凝土輸送量預(yù)測對比

表3 3種預(yù)測模型的性能評價

Tab.3 Evaluation on performance of 3 prediction models

4 結(jié)語

為確定混凝土螺旋布料機(jī)輸送性能的影響參數(shù)，通過離散元方法進(jìn)行仿真模擬，并把輸送速率和平均質(zhì)量流率作為評價指標(biāo)。運(yùn)用極差法和矩陣分析法分析正交方案，得出影響輸送量的因素主次順序?yàn)槁菥唷⑥D(zhuǎn)速、螺旋葉片直徑。

針對預(yù)制構(gòu)件所需的混凝土輸送量問題，建立基于改進(jìn)灰狼算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)混凝土輸送量預(yù)測模型，提高了影響輸送量的結(jié)構(gòu)因素及工藝因素線性模型的非線性響應(yīng)問題，EGWO–BP神經(jīng)網(wǎng)絡(luò)模型的混凝土輸送量預(yù)測結(jié)果的平均絕對百分誤差為8%，絕對系數(shù)也達(dá)到0.95，預(yù)測結(jié)果可用于混凝土質(zhì)量控制系統(tǒng)設(shè)定重量目標(biāo)參考值，并為預(yù)制構(gòu)件的生產(chǎn)自動化奠定基礎(chǔ)。

本文通過離散元方法、正交實(shí)驗(yàn)、極差法和矩陣分析法確定了影響輸送量的因素，并通過改進(jìn)灰狼算法對輸送量預(yù)測。可為包裝裝備的螺旋輸送確定影響輸送量的因素，同時也可為包裝工程中有關(guān)輸送量的預(yù)測提供方法。

[1] 鄒德芳, 周鵬, 孫健, 等. 大型智能PC外墻板混合生產(chǎn)線工藝及成套設(shè)備介紹[J]. 混凝土與水泥制品, 2017(4): 37-41.

ZOU De-fang, ZHOU Peng, SUN Jian, et al. Introduction of Technology and Complete Sets of Equipment for Large-Scale Intelligent PC External Wall Panel Mixing Production Line[J]. China Concrete and Cement Products, 2017(4): 37-41.

[2] JUSTIN W F, PAUL W C, WILLIAM M. Effect of Screw Design on Hopper Drawdown Of Spherical Particles in A Horizontal Screw Feeder[J]. Chemical Engineering Science, 2011, 66(22): 5585-5601.

[3] DAVIDE B, FEDERICO G, NILAY S, et al. Modelling and Nonlinear Model Predictive Control of a Twin Screw Feeder[J]. IFAC PapersOnLine, 2019, 52(18): 156-161.

[4] DHEERAJ M, ABHISHEK S, HARSH P et al.A Review of Granular Flow in Screw Feeders and Conveyors[J]. Powder Technology, 2020, 366: 369-381.

[5] 周鵬, 郭菁菁, 李冬, 等. 基于神經(jīng)網(wǎng)絡(luò)的布料機(jī)輸送預(yù)報與仿真研究[J]. 計算機(jī)仿真, 2021, 38(3): 476-481.

ZHOU Peng, GUO Jing-jing, LI Dong, et al. Research on Prediction and Simulation of Distributor Conveying Based on Neural Network[J]. Computer Simulation, 2021, 38(3): 476-481.

[6] 王友勝, 許煥敏, 高騰, 等. 螺旋給料機(jī)結(jié)構(gòu)優(yōu)化設(shè)計[J]. 機(jī)械設(shè)計與制造, 2021, 366(8): 185-187.

WANG You-sheng, XU Huan-min, GAO Teng, et al. Optimization Design of Screw Feeder Structure[J]. Machinery Design & Manufacture, 2021, 366(8): 185-187.

[7] 王震民, 李永祥, 徐雪萌. 粉體密實(shí)變螺距螺桿結(jié)構(gòu)設(shè)計與仿真分析[J]. 包裝工程, 2020, 41(23): 172-178.

WANG Zhen-min, LI Yong-xiang, XU Xue-meng. Structural Design and Simulation Analysis of Powder Compact Pitch Screw[J]. Packaging Engineering, 2020, 41(23): 172-178.

[8] 中國農(nóng)業(yè)機(jī)械化科學(xué)研究院. 實(shí)用機(jī)械設(shè)計手冊[M]. 北京: 中國農(nóng)業(yè)機(jī)械出版社, 1985: 524-532.

China Agricultural Machinery Science and Technology Research Institute. Practical Mechanical Design Manual[M]. Beijing: China Agricultural Machinery Press, 1985: 524-532.

[9] 耿娑. 鍋爐煤粉質(zhì)量流量檢測裝置研究與設(shè)計[D]. 石家莊: 石家莊鐵道大學(xué), 2018: 64-65.

GENG Suo. Research and Design of Quality Flow Measurement Device for Boiler Coal[D]. Shijiazhuang: Shijiazhuang Tiedao University, 2018: 64-65.

[10] 劉軍, 歐可活. 基于EDEM的行星式混凝土攪拌設(shè)備的攪拌仿真分析[J]. 建筑機(jī)械, 2020(11): 62-65.

LIU Jun, OU Ke-huo. Simulation Analysis of Planetary Concrete Mixing Equipment Based on EDEM[J]. Construction Machinery, 2020(11): 62-65.

[11] 陳思楊, 管幸生, 吳正仲. 基于正交實(shí)驗(yàn)的快遞包裝循環(huán)利用的優(yōu)化分析[J]. 包裝工程, 2022, 43(4): 279-285.

CHEN Si-yang, GUAN Xing-sheng, WU Zheng-zhong. Optimization Analysis of Express Package Recycling Based on Orthogonal Experiment[J]. Packaging Engineering, 2022, 43(4): 279-285.

[12] SEYEDALI M, IBRAHIM A, MAJDI M, et al. Grey Wolf Optimizer: Theory, Literature Review, and Application in Omputational Fluid Dynamics Problems[J]. Advances in Engineering Software, 2014, 69: 46-61.

[13] LONG Wen, JIAO Jian-jun, LIANG Xi-ming, et al. An Exploration-Enhanced Grey Wolf Optimizer to Solve High-Dimensional Numerical Optimization[J]. Engineering Applications of Artificial Intelligence (the International Journal of Intelligent Real-Time Automation), 2018: 63-80.

[14] 張文勝, 郝孜奇, 朱冀軍, 等. 基于改進(jìn)灰狼算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短時交通流預(yù)測模型[J]. 交通運(yùn)輸系統(tǒng)工程與信息, 2020, 20(2): 196-203.

ZHANG Wen-sheng, HAO Zi-qi, ZHU Ji-jun, et al. BP Neural Network Model for Short-Time Traffic Flow Forecasting Based on Transformed Grey Wolf Optimizer Algorithm[J]. Journal of Transportation Systems Engineering and Information Technology, 2020, 20(2): 196-203.

[15] EMADALDIN M G, ALI B, MEHRDAD A. Predicting The Compressive Strength of Normal and High-Performance Concretes Using ANN and ANFIS Hybridized with Grey Wolf Optimizer[J]. Construction and Building Materials, 2020, 232: 117-266.

Accurate Prediction of Conveying Volume of Spiral Distributor

CAI An-jiang1, LIU Ya-dong1, LIU Jun-qiang1, PANG Qiu-sheng2

(1. Xi'an University of Architecture and Technology, Xi'an 710055, China; 2. Dezhou Haitian Electromechanical Technology Limited Company, Shandong Dezhou 253000, China)

The work aims to take prediction of screw conveying volume as the target, and propose an improved gray wolf algorithm to optimize the conveying volume prediction model of BP neural network with process factors and structural factors as input, to solve quality issue of concrete conveyed by the distributor required for prefabricated components. The conveying process of the distributor was simulated by EDEM, and the conveying rate and the average mass flow rate were used as two evaluation standards of orthogonal experiment. The range method and matrix analysis method were used to obtain the effect order of various distributor factors on the two standards. The methods of chaotic population initialization, step size update formula and adaptive convergence factor were used to improve the slow convergence speed of gray wolf algorithm and the limitation to local optimal solution. The weights and thresholds of BP neural network were optimized through the improved algorithm. For the optimized conveying volume prediction, the average absolute percentage error was 8%, and the coefficient of determination is 0.95, which was smaller than the predicted value error of the conveying volume model of other experimental comparison groups. The study can provide concrete setting target values for the quantitative distribution of prefabricated components.

spiral distributor; conveying volume; orthogonal experiment; prediction; BP neural network; improved gray wolf algorithm

TU69；TP183

A

1001-3563(2023)13-0175-06

10.19554/j.cnki.1001-3563.2023.13.021

2022?05?22

教育部科技發(fā)展中心產(chǎn)學(xué)研創(chuàng)新基金（2021DZ022）

蔡安江（1965—），男，教授，博導(dǎo)，主要研究方向?yàn)閿?shù)字化與智能化制造技術(shù)等。

責(zé)任編輯：曾鈺嬋