稻麦联合收获机清选装置智能设计与优化系统研究

李青林 宋玉营 姚成建 李文斌 岳颖超

(江苏大学农业工程学院，镇江 212013)

0 引言

设计是产品研发的重要环节。随着计算机技术的不断发展，越来越多农机产品的设计研发过程采用了智能设计技术[1]。稻麦联合收获机是农业机械化、现代化的典型产品，应用智能设计技术可以有效解决稻麦联合收获机在研发过程中存在的设计周期长、效率低、设计可靠性差等问题。清选装置是稻麦联合收获机的重要组成部分，其结构复杂、零部件众多、设计难度大。清选效果直接影响整机的作业质量，选择合适的清选方式并设计合理的部件结构可以在很大程度上提高稻麦联合收获机的整机性能[2-3]。因此，探索稻麦联合收获机清选装置的智能设计与优化方法十分必要。

研究者在清选装置设计和优化的多个环节已进行了深入、详细的研究[4-8]，但尚未形成一套完整的智能设计与优化系统。本文采用多学科交叉的方法搭建稻麦联合收获机清选装置智能设计与优化的整体框架；以SQL Server 2012关系型数据库作为存储工具，建立清选装置知识库和相关推理机制；结合C++及KF(知识融合)两种开发语言对NX进行二次开发，建立清选装置参数化模型库；进行清选装置CFD-DEM耦合仿真的正交试验，并基于试验结果，采用PSO-SVR算法构建清选装置关键零部件参数与清选含杂率、损失率的回归模型，使用SPEA2算法实现清选含杂率、损失率的多目标优化，为清选装置的设计提供优化方案。

1 清选装置智能设计与优化框架

清选装置的主要功用是将经脱粒装置分离出来的茎秆、颖壳等杂余清选干净，其性能直接影响着整机的工作质量与效率。清选后的籽粒含杂率和损失率是衡量清选效果的主要指标[9]。清选装置结构复杂，其传统设计过程主要靠经验积累，以CAE软件为辅助进行设计；其智能化设计过程包括需求分析、零部件结构设计、三维建模、仿真与试验验证、结构优化等主要步骤。本文在传统设计和智能设计的基础上，构造了一套由用户需求模块、知识库和推理模块、参数化建模模块、智能优化模块4部分组成的稻麦联合收获机清选装置智能设计与优化系统，其总体框架结构如图1所示。

1.1 用户需求模块

用户需求模块主要用来获取用户在设计产品时的定制化需求信息。用户在系统中输入设计需求，可以指导系统有针对性地从知识库中调用相关设计知识并进行推理。清选装置智能设计与优化用户需求模块包括清选装置总体设计要求以及清选装置作业参数。其中，清选装置总体设计要求包括清选装置的关键尺寸(如清选室外形尺寸)以及结构配置(气流式、风扇筛子式、气流清选筒式)；清选装置作业参数包括总产量、作业速度在内的总体作业参数以及喂入量、谷草比等辅助作业参数[10]。

1.2 知识库和推理模块

知识库和推理模块由清选装置知识库和推理机组成，主要功能是对用户输入的需求信息进行分析、推理，输出清选装置设计所需的关键零部件参数，供用户建模参考。清选装置设计知识库主要来源于农机设计手册、国家标准、文献等，并对清选装置设计的相关知识进行整理、归纳，根据知识之间的差异将知识库分为包含规则表、公式表、参数表在内的规则库，以及包含经验知识表、整机实例表等的实例库。清选装置设计的推理机制主要采用基于实例推理和基于规则推理的混合推理机制进行推理。

1.3 参数化建模模块

参数化建模模块的主体部分是清选装置关键零部件模型库，通过Visual Studio 2012平台对NX进行二次开发，包括配置开发环境、创建工程路径、创建菜单栏、制作UI界面、编写生成模型的应用程序等流程。参数化建模过程主要采用基于程序的参数驱动方法，根据零部件的几何拓扑关系，结合知识库和推理模块得到的关键零部件设计参数，如零部件尺寸、装配结构参数、部件工作参数等，参数驱动生成清选装置关键零部件模型，然后对各零部件进行装配，生成清选装置整体模型。

1.4 智能优化模块

智能优化模块主要功能是：采用正交试验法对清选装置整体三维模型进行基于EDEM离散元和Fluent流场的耦合仿真分析，研究清选装置关键零部件参数对于清选效果(含杂率、损失率)的影响；根据试验结果建立清选含杂率、损失率的数学模型，结合多目标优化算法，对清选装置关键零部件参数进行优化，为稻麦联合收获机清选装置的设计过程提供优化方案。

2 清选装置智能设计知识库和推理机构建

以SQL Server 2012关系型数据库作为存储工具，建立稻麦联合收获机清选装置知识库。该知识库包括实例库和规则库，其中，实例库知识存储了清选装置各零部件及整机的实例类知识，如图2所示；规则库中存储了选型规则、设计规则、性能评价规则等规则类知识，如图3所示。

清选装置推理机是通过读取用户输入需求，采用基于实例的推理和基于规则的推理机制，根据设计流程和设计规则逐步确定各零部件尺寸、结构等参数。其推理流程如图4所示。

3 清选装置参数化建模方法

3.1 关键零部件设计参数

清选装置参数化建模过程的实现依托于清选装置参数化模型库以及知识库和推理模块推理得出的关键零部件设计参数。根据设计过程中的参数特征，本文将清选装置关键零部件设计参数分为3类[11]：

(1)零部件尺寸参数：清选装置中的风机整体尺寸及风机中的叶轮直径、叶轮宽、叶片数等，清选筛整体尺寸及清选筛的筛片厚度等。

(2)装配结构参数：风机安装倾角，导风板倾角，抖动板倾角，清选筛上、下筛间距，清选筛倾角，筛片倾角等参数。

(3)部件工作参数：风机转速，风机吹风方向，抖动板摆幅，清选筛摆幅，振动筛频率等。

3.2 参数化模型库及其创建流程

稻麦联合收获机清选装置主要部件包括：清选筛、抖动板、驱动装置、风机等。本文基于Visual Studio 2012开发平台，采用NX二次开发的方法创建参数化模型库。

在对NX进行二次开发时，通常需要提前在二次开发文件夹下创建子文件夹，以方便归类和整理各类文件。图5为NX二次开发文件夹及其归类简图，二次开发文件夹命名为TOOLS，在二次开发文件夹内建立4个子文件夹，其中“Application”放置KF编程文件(.dfa)、对话框相关文件(“.dlx”以及“.dlg”文件)、动态链接库文件(.dll)，Pictures文件夹用于存放图文件(.bmp)，Data文件夹用于存放相关Excel表格文件(.xlsx)，Startup文件夹存放工具条(.tbr)和菜单(.men)脚本文件[12]。

清选装置参数化模型库的开发流程包括配置开发环境、创建工程路径、创建菜单栏、制作UI界面、编写生成模型的应用程序等，如图6所示。

应用程序需结合建模需求及零部件的结构特点进行编写：编写程序读取与调用参数化设计对话框中的输入值，根据零件的几何特征，使用拉伸、布尔运算等命令创建几何模型，从而控制模型的结构尺寸与约束关系。以鱼鳞筛筛片为例，生成模型的应用程序步骤为：

(1)调用对话框里的相关值

double L1 = L->Value();

double T1 = T->Value()

⋮

(2)转换字符格式

char L2[256],W2[256],T2[256];

sprintf(L2,"%f",L1);

⋮

(3)创建直线

double a1= a->Value();

char a2[256];

sprintf(a2,"%f",a1)

(4)通过for循环计算齿数

int n;

for(int i=1; i*a1 < L1-100; i++);

{n=i;}

(5)创建齿板

UF_FEATURE_SIGN block1sign

= UF_POSITIVE;

double block1conner[3]={50.0,W1/4,0.0};

char* block1edgeleg[3]={L22,W22,T22};

tag_t block1TAG = NULL_TAG;

UF_MODL_create_block1

(block1sign,block1conner,block1edgeleg,&block1TAG)

⋮

4 清选装置智能优化方法

采用数值模拟技术与现代优化设计理论相结合的优化方法，设计CFD-DEM耦合仿真的正交试验，使用有限的试验数据建立待优化参数与清选含杂率、损失率之间的数学模型，采用多目标优化算法计算得到清选装置关键零部件结构的最优参数组合[11]。

4.1 CFD-DEM耦合仿真试验

目前，诸多试验研究表明，利用CFD-DEM耦合对稻麦联合收获机进行数值模拟是可行的，可为清选装置的优化设计提供依据[13-17]。此外，本文采用的CFD-DEM耦合仿真试验已通过台架试验对比验证，在相同优化变量下，仿真试验与台架试验结果的相对误差大部分在3%～10%之间。

稻麦联合收获机清选装置多为风扇筛子式清选装置，通过筛箱的筛选和风场的风选共同完成清选过程，而控制风场的入风口风速和进行筛选的振动频率则是影响清选效果的重要因素。因此，本文选取清选装置入风口风速、上导风板倾角、下导风板倾角和振动筛频率这4个因素作为优化变量，选取清选含杂率、损失率作为衡量清选效果的评价指标，设计四因素四水平(L16(44))的正交试验，采用CFD-DEM耦合仿真的方法对16组试验分别进行数值模拟。通过使用EDEM分析模块中的“Grid bin Group”功能，统计清选装置的含杂质量和损失籽粒的质量，从而计算出清选含杂率、损失率。所设计耦合仿真正交试验与清选含杂率、损失率如表1所示。

表1 CFD-DEM耦合仿真正交试验结果

4.2 PSO-SVR代理模型构建

4.2.1支持向量回归模型

支持向量回归(Support vector regression，SVR)是建立在支持向量机(Support vector machine，SVM)思想上的高效回归算法，具有泛化能力强、适合小样本和高维特征的优点[18]。因此，本文采用该算法构建稻麦联合收获机清选含杂率、损失率的回归模型。

设样本数据的特征向量为{(x1,y1),(x2,y2),…,(xn,yn)},xi∈Rm,yi∈R，其中，xi为m维输入向量，yi为对应的响应值。

回归模型为

f(x)=wTφ(x)+b=

其中

式中w——权重向量b——偏置量

α、α*——拉格朗日乘子

φ(x)——函数映射C——惩罚系数

K(xi,x)——核函数

为了将样本数据映射到高维线性空间，本文采用高斯核函数(Radial basis function, RBF)[19]，则

K(xi,xj)=exp(-γ‖x-xi‖2)

式中γ——高斯核函数超参数

4.2.2PSO-SVR代理模型构建过程

支持向量回归模型的回归参数决定了模型的拟合精度和泛化性能，若想得到拟合效果较好的代理模型，则需对模型参数进行优化[20]。本文选用的是RBF核函数，故待优化参数为惩罚系数C和核函数超参数γ。

粒子群优化算法(Particle swarm optimization, PSO)是一种群智能优化算法，通过计算每个粒子的适应度，将每个粒子的适应度与粒子全局所经历的最好位置相比较，不断更新粒子的最优位置，从而实现全局寻优。粒子群算法具有设计模型简单、设计参数少、运行速度快等优点[21]。因此，本文采用粒子群算法对回归模型的参数(惩罚系数C、核函数超参数γ)进行优化，且采用均方误差(MSE)来检验代理模型样本预测值与真实值之间的偏差，采用决定系数R2来检验模型的拟合效果。

稻麦联合收获机清选含杂率、损失率PSO-SVR回归模型的构建及参数优化流程如图7所示。

4.3 基于SPEA2优化算法的关键零部件优化

依据上文所述方法，构建了稻麦联合收获机清选装置含杂率、损失率的PSO-SVR代理模型。为了得到清选装置入风口风速、上导风板倾角、下导风板倾角和振动筛频率的最佳参数组合，需要对所构建的含杂率、损失率模型进行多目标优化。

Pareto强度进化算法2(SPEA2算法)是解决多目标优化问题的常用算法，具有分布性好、设置参数少、收敛速度快等优点，且在处理低维问题时，SPEA2算法具有较好的综合性能[19]。因此，本文采用SPEA2算法寻优，得出清选含杂率、损失率PSO-SVR代理模型的Pareto非劣解集，其具体流程[22-24]如图8所示。

5 案例应用

5.1 清选装置智能化设计过程

用户输入需求：从智能设计与优化系统中进入用户需求界面(图9a)，输入需求参数；单击“设计计算”按钮，平台便会根据用户需求调用知识库管理模块中的相关设计知识，并通过知识推理，生成清选装置关键零部件设计参数(图9b)。

单击“链接NX”按钮，即可进入NX建模软件。打开清选装置参数化模型库，根据设计系统中输出的参数，在NX中进行参数化建模。以鱼鳞筛为例，其建模过程为：单击“清选装置模型库”按钮，选择“鱼鳞筛”，参考图9b中的输出参数，分别完成鱼鳞筛片、上连接板、下连接板的参数化建模，最后选择“装配体”实现鱼鳞筛各零部件的整体装配，如图10所示。

清选装置模型库还包括网眼筛、风机、抖动板、驱动装置，通过清选装置参数化模型库生成的相关部件及整体装配效果如图11所示。

5.2 清选装置智能优化过程

清选装置智能优化过程所涉及算法的编译与应用均在Matlab软件中实现。以表1所设计的16组CFD-DEM耦合仿真试验作为样本数据，随机生成13组训练集和3组测试集，分别构建清选含杂率和损失率训练集的SVR回归模型，采用粒子群算法对模型参数进行优化。其中，含杂率模型惩罚系数C为100，核函数超参数γ为0.01，损失率模型惩罚系数C为724.077 3、核函数超参数γ为0.007 812 5。

而后，验证模型在训练集和测试集上的拟合精度，如图12所示。可见，清选含杂率、损失率PSO-SVR代理模型在训练集上的决定系数在0.99～1之间，在测试集上的决定系数也都在0.96～1之间，且均方误差也都处于0.05之内，可以判断清选含杂率、损失率经PSO算法优化的SVR回归模型拟合精度较高。

采用SPEA2算法对清选含杂率、损失率代理模型进行多目标优化，以获得清选装置关键零部件的最优参数组合。

输入进化种群规模为30，Pareto解集规模为30，最大迭代次数为100，在Matlab中运行SPEA2程序，得到全局寻优后的清选装置含杂率、损失率以及模型的Pareto非劣解集，如表2和图13所示。

图13为全局寻优后得到的清选装置含杂率、损失率的散点图，由图中可看出，清选含杂率和损失率大致存在反比例关系。当清选含杂率高时，相同参数组合下对应的清选损失率低；当清选含杂率较低时，相同参数组合下对应的清选损失率较高。

表2为清选含杂率、损失率PSO-SVR代理模型的30组Pareto非劣解集，这30种关键零部件参数组合所对应的含杂率和损失率均是最优的。然而，在实际作业中，尽管清选损失率的降低往往会伴随着清选含杂率的升高，但清选损失率的重要程度高于清选含杂率[25]。当检测出损失率大于国家标准时，即判定产品不合格而不会再去检查破碎率和含杂率的情况。因此，本文选取损失率最低值对应的参数组合作为该模型关键零部件参数的最优组合，即第19组数据(四舍五入)：入风口风速6 m/s、振动筛频率4.5 Hz、上导风板倾角32°、下导风板倾角18°，此时清选含杂率、损失率分别为1.077%和0.97%。最后，将优化结果反馈到参数化建模模块中，依据表3中对应参数修改相关零部件模型。

表2 清选含杂率、损失率Pareto解集

表3 优化变量与设计参数对应关系

6 结论

(1)构建了一套稻麦联合收获机清选装置智能设计与优化系统，该系统可根据用户需求推理出清选装置设计所需的关键零部件参数，进行清选装置参数化建模以及智能优化，有助于提高农机产品的研发效率。

(2)结合C++及KF(知识融合)两种开发语言对NX进行二次开发，构建了稻麦联合收获机清选装置参数化模型库，并通过实例演示了清选装置关键零部件的参数化建模过程。

(3)设计并进行清选装置CFD-DEM耦合仿真的正交试验，基于仿真结果数据，采用PSO-SVR算法构建了清选装置关键零部件参数与清选含杂率、损失率的回归模型，使用SPEA2算法实现了清选含杂率、损失率的多目标优化。结果表明，当清选装置入风口风速为6 m/s、振动筛频率为4.5 Hz、上导风板倾角为32°、下导风板倾角为18°时，对应的清选装置模型含杂率与损失率分别为1.077%和0.97%。以此为参考，可优化清选装置关键零部件模型设计参数，为稻麦联合收获机清选装置的设计提供优化方案。