基于神经网络遗传算法的木薯秸秆切割优化设计

张 庆　邢文雅　王 涛

(1. 海南师范大学数学与统计学院， 海口 571158； 2. 海南大学信息科学技术学院， 海口 570228；3. 海南大学机械与电气工程学院， 海口 570228)



基于神经网络遗传算法的木薯秸秆切割优化设计

张 庆1邢文雅2王 涛3

(1. 海南师范大学数学与统计学院， 海口 571158； 2. 海南大学信息科学技术学院， 海口 570228；3. 海南大学机械与电气工程学院， 海口 570228)

摘要：选取木薯秸秆切割试验中的切割角度、切割速度、切割部位、木薯直径等控制变量及相关响应变量，通过非线性回归模型和BP神经网络模型进行拟合，分别研究响应变量与控制变量之间的作用机理；对模型进行对比，优化响应变量的作用机理。

关键词：BP神经网络； 遗传算法； 优化设计； 木薯秸秆

1问题的提出

木薯作为一种生产原材料，可以从中提取燃料乙醇，被称为可再生的环保型“绿色汽油”。此外，木薯具有解暑消肿的作用，常用于治疗疮癣等疾病，其叶片还可以用于制作某些饲料[1-4],木薯秸秆在饲料、化工、环保等领域也有广泛应用[5-9]。

木薯的作用越来越受到业界重视，种植面积和产业规模不断扩大。为了提高木薯产能和深加工能力，需要加快木薯加工机械化设备的研制。闫梅等人对木薯块根的压缩力学、木薯块根的切割力学、木薯秸秆力学特性等进行了研究[10-12]；李梦林等人对木薯秸秆的冲击韧性进行了研究[13]；方赛拼等人对甘蔗根切割力学特性进行了研究[14]。上述研究工作为木薯收割机的研制提供了力学原理基础，但是均未给出其力学作用机理。

本次研究拟选取切割角度、切割速度、切割部位、木薯杆直径等4个控制变量，利用神经网络模型研究木薯秸秆切断时的切割力、应力、功率等响应变量与上述控制变量的作用关系，然后采用遗传算法对学习后的BP神经网络预测数据进行优化，最后确定木薯切割问题的最优设计参数。

2优化设计

选取切割机的切割角度、切割速度、切割部位以及木薯杆直径作为主要影响因素，根据考察的因素水平选用L36(4×310)正交表，安排1个四水平因素和3个三水平因素做正交试验。利用电子式万能试验机、干燥箱以及自制的刀头和角度调节装置进行试验，收集到试验过程中的切割角度x1(取值1、2、3、4，分别对应30°、45°、60°、90°水平)，切割速度x2(取值1、2、3，分别对应50、100、250 mmmin水平)，切割部位x3(取值1、2、3，分别对应梢部、中部、根部)，木薯杆直径x4以及切割力z1、应力z3、功率z3等变量的数据，样本数据按列组成矩阵结构R36×7。

2.1基于BP神经网络模型的建立

选取4个控制变量，其中切割部位为分类变量。为便于解释和讨论，将其分为x31、x32并赋值:x31=0,x32=0,代表梢部;x31=0,x32=1,代表中部; x31=1,x32=1,代表根部[15]。于是有5个输入变量x1、x2、x31、x32、x4，此外选取3个变量z1、z2、z3作为输出变量，分别建立3个网络，网络结构均采用5-6-1格式。由于样本数36比较小，为了提高学习能力，采用重复抽样方式扩充样本大小到360，然后分别利用上述网络结构进行学习。

BP神经网络预测前首先要利用学习样本进行学习[16]，具体步骤如下：

(1)初始化网络。根据输入和输出样本(X,Y),确定神经网络的输入层节点数n,隐含层节点数l,输出层节点数m,初始化连接权值wij、ωjk，以及隐含层阈值aj,输出层阈值bk，并给定学习速率η和神经元激励函数f。

(2)隐含层输出计算。利用输入样本数据及隐含层输出公式计算输出值：

(3)输出层输出计算。根据隐含层输出结果Hj,连接权值和阈值可计算预测输出值Ok：

(4)误差计算。根据网络预测输出Ok和期望输出Y，计算网络预测误差：

ek=yk-Ok, k=1,2,3,…,m

(5)权值更新。根据预测误差e更新连接权值wij,ωjk：

i=1,2,3,…,n, j=1,2,3,…,l

j=1,2,3,…,l， k=1,2,3,…,m

(6)阈值更新。根据预测误差更新网络节点阈值：

j=1,2,3,…,l, k=1,2,3,…,m

(7)判断学习是否结束。给定学习结束条件，若算法满足结束条件则结束学习过程，否则返回步骤(2)继续学习。

学习结束后，根据预测误差对神经网络模型进行检验。

2.2遗传算法的参数优化

在经过样本数据对神经网络进行训练后，将训练后的BP神经网络预测结果作为个体适应度值，通过选择、交叉和变异操作，寻找函数的全局最优解及对应输入值。

遗传算法优化BP神经网络，是指通过遗传算法来优化BP神经网络的初始权值和阈值，使优化后的BP神经网络能够更好地预测函数输出。遗传算法优化BP神经网络的要素包括种群初始化、适应度函数、选择操作、交叉操作和变异操作，步骤如下[17]：

(1)种群初始化。每个个体均编为一个实数串，由输入层与隐含层连接权值、隐含层阈值、隐含层与输出层连接权值、输出层阈值4部分组成。个体包含了神经网络全部权值和阈值，在网络结构已知的情况下，就可以构成一个结构、权值、阈值确定的神经网络。

(2)适应度函数。根据个体得到BP神经网络的初始权值和阈值，经过训练后用BP神经网络预测系统输出，计算个体适应度，一般根据预测值与期望值之间的误差来确定。

(3)选择操作。在此使用轮盘选择法进行个体选择。

(4)交叉操作。由于个体采用实数编码，所以交叉操作采用实数交叉法。

(5)变异操作。利用预先设定的概率分布选取第i个个体的第j个基因进行变异。

遗传算法中的个体采用实数编码，目标函数有5个输入参数，个体长度为50，个体适应度值为BP神经网络预测值，适应度值越小，个体越优。按照上述算法，交叉概率为0.4 ，变异概率为0.2。木薯秸秆切割机制研究中给定木薯秸秆直径时，需要选择最优切割策略或者最优切割参数。表1所示为3 种木薯秸秆直径的遗传算法优化结果。

表1　3种木薯秸秆直径的遗传算法优化结果

当木薯秸秆直径为“粗”水平时，从切割力角度来看，x1=1.974，x2=2.164 4，x31=0.219 4，x32=0.762 2。最优切割策略应当是，以约45°切割角的中等速度对木薯秸秆中部进行切割，可以获得最优切割效果。BP网络学习后的预测平均误差为0.000 1，已达到实用的精度需求。同样可以用类似方法，对木薯秸秆在其他情况下的最优切割策略进行选择。

3结语

本次研究通过正交设计方法收集了木薯秸秆切割试验中4个控制变量和3个指标变量的样本数据，通过BP神经网络建模对3个指标变量进行预测，最后利用遗传算法对3个指标变量与控制变量的关系进行优化计算，分别找出在木薯秸秆3种直径水平下的最优切割参数。在木薯切割机的后续研发过程中，其他优化算法的影响、木薯秸秆直径自动评估等问题仍需再作深入研究。

参考文献

[1] 高超.木薯叶营养成分及其膨化食品的研究[D].开封：河南工业大学,2011:1-10.

[2] 付海天,卢赛清,罗燕春,等.木薯的综合利用价值[J].现代农业科技,2010(8):116-118.

[3] 张芬芬,杨海明,江栋材,等.木薯的营养价值及其在家禽生产中的应用[J].饲料研究,2013(9):38-42.

[4] 郝静,刘钢,左福元.木薯渣的饲用价值及应用[J].饲料研究,2007(11):64-66.

[5] 李秋菊.广西秸秆综合利用研究[D].南宁：广西大学,2013：2-20.

[6] 罗菊香,王仁章,崔国星,等.木薯秸秆木质纤维素的预处理研究[J].化学与生物工程,2011(1):12-14.

[7] 陈汉东.木薯秸秆综合利用技术应用浅析[J].广西农业机械化,2011(5):26-28.

[8] 莫蔚明,唐庆松,李旺,等.改性木薯秸秆对硝酸根的动态吸附及脱附[J].环境化学,2013(9):1668-1673.

[9] 袁纳新,张新昌,余斌,等.木薯秸秆化学成分与应用分析[J].林产工业,2015(2):32-34.

[10] 闫梅,王涛,李梦林,等.木薯块根压缩力学特性试验研究[J].食品与机械,2013(3):194-196.

[11] 闫梅,王涛,李梦林,等.木薯秸秆力学特性测试仪设计与试验[J].中国农机化学报,2013(4):78-82.

[12] 闫梅,王涛,李梦林,等.木薯块根切割力学特性研究[J].食品与机械,2013(4):88-91.

[13] 李梦林,王涛,黄志刚,等.木薯秸秆冲击韧性研究[J].食品与机械,2015(1):90-92.

[14] 方赛拼,王涛,李丽萍,等.甘蔗根切割力学特性研究[J].食品与机械,2014(4):116-118.

[15] 吕爱清,杜国平,卞新民,等.中国粮食产量虚拟变量模型研究[J].安徽农业科学,2005(11):2136-2137.

[16] 方柏山,陈宏文,谢晓兰,等.基于神经网络和遗传算法的木糖醇发酵培养基优化研究[J].生物工程学报,2000(5):648-650.

[17] 彭超,陈军,封锋,等.基于神经网络遗传算法的推进剂药柱应力释放槽优化设计[J].固体火箭技术,2014(2):198-203.

Optimization Design of Cassava Straw Cutting Based on Neural Network and Genetic Algorithm

ZHANGQing1XINGWenya2WANGTao3

(1. School of Mathematics and Statistics, Hainan Normal University, Haikou 571158, China;2. College of Information Science and Technology, Hainan University, Haikou 570228, China;3. College of Mechanical and Electrical Engineering, Haikou 570228, China)

Abstract:Based on the data of controlled variables including the cutting angle, cutting speed, cutting position, object diameter and response variables, this paper studied the mechanism of action between the response variable and those controlled variables respectively by using of nonlinear regression and BP neural network model. It also gives optimal action mechanism of optimizing response variable by comparing the effects of two models.

Key words:BP neural network; genetic algorithm; optimization design; cassava stalk

收稿日期：2015-11-23

基金项目：海南省教育厅科研项目“小波方法在泛函型数据分析中的应用”(HJKJ2012-16)；海南省教育厅教改项目“概率统计微课课程资源建设与实践”(HNJG2015-20)

作者简介：张庆(1978 — )，男，壮族，云南文山人，硕士，讲师，研究方向为应用统计。

中图分类号：TP391

文献标识码：A

文章编号：1673-1980(2016)02-0114-03