機采棉清雜運動規律模型預測

張洪洲，劉媛杰，王憲磊，李 勇，周 丹

(塔里木大學 機械電氣化工程學院，新疆 阿拉爾 843300)

機采棉清雜運動規律模型預測

張洪洲，劉媛杰，王憲磊，李 勇，周 丹

(塔里木大學 機械電氣化工程學院，新疆 阿拉爾 843300)

針對機采棉中殘地膜與棉花分離容易受到殘地膜質量、機采棉飛入速度及強靜電場電壓等因素的影響，提出一種機采棉清雜過程中棉花與殘地膜運動規律的預測方法。以南疆機采棉新陸早26號為研究對象，利用棉花與殘地膜之間的分離率來表征運動規律。利用殘地膜質量級別(1、2、3、4級)、荷電后的機采棉飛入速度(9、10、11、12m/s)、強靜電場電壓(30、40、50、60kV)3個因素作為BP神經網絡模型的輸入量，再利用改進的遺傳算法訓練所設計的網絡的權值和閾值，建立能表征機采棉運動規律的分離率的預測模型。試驗結果表明：利用改進遺傳算法結合BP神經網絡得到的機采棉與殘地膜分離率預測模型能夠很好地反應新陸早26號機采棉與殘地膜分離應力與主要控制因素之間的非線性關系，預測結果與實測結果之間的平均絕對百分比誤差為0.82，測試的樣本實測值與理想值之間的相關系數為0.917 51，所得到的預測模型效果良好，可為機采棉清雜提供參考。

機采棉；清雜；運動規律；模型；預測

0 引言

一直以來，新疆作為我國長絨棉主要生產基地，其棉花的鋪膜種植方式和采棉機采摘棉桃方式致使棉花中含有大量的雜質[1-15]。目前，機采棉清雜都是以機械鼓風為主，生產效率低、生產成本較高，且因為作用于機采棉的風力強度不易控制，清雜時棉絨的斷裂程度較高[16-30]。隨著棉花產量的增長和棉花產品多樣化的需求，機采棉清雜工序的自動化和產業化加工勢在必行。基于以上因素，國內外眾多學者長期致力于機采棉清雜技術的研究及研發高效率的機采棉清雜設備。在一定的試驗研究基礎上，一些學者利用有限元理論分析了機采棉清雜過程中，棉花和雜質的受力分析，得到了鼓風作用于棉花和雜質的優化方向和作用力。國外研究人員以機械鼓風試驗為研究基礎，分析了機采棉含水率對機采棉清雜率的影響。研究結果表明：機采棉的含水量增加時，機采棉中雜質與棉絨的附著力增加，致使機采棉的清雜率下降。

本文在機采棉靜電清雜的基礎上，從影響機采棉與殘地膜分離率的殘地膜質量、機采棉飛入速度及強靜電場電壓等3個因素入手，用分離率來表征機采棉清雜運動規律。殘地膜質量、機采棉飛入速度、強靜電場電壓這3個因素與機采棉與殘地膜分離率之間呈非線性關系。在非線性關系數據分析處理方面，BP神經網絡模型方法具有獨特的優勢，該方法理論分析上能夠很好地反應非線性關系的輸入與輸出之間的相關性；但是，在實際程序運行中BP神經網絡容易陷入局部收斂，且收斂速度較慢，致使全局搜索能力下降，得不到全局最優解。應用改進的遺傳算法進行迭代優化BP神經網絡模型的權值，克服其陷入局部收斂并且提高權值訓練速度，實現智能優化控制。

本文利用新疆南部地區產的新陸早26號機采棉為原料，在自行設計的靜電清雜試驗臺上進行清雜試驗的基礎上，從影響機采棉與殘地膜分離率的殘地膜質量、機采棉飛入速度及強靜電場電壓3個因素入手，利用改進的遺傳算法結合BP神經網絡預測機采棉分離運動規律模型，確定機采棉運動規律模型，為實際生產中進一步研究剔除機采棉中殘地膜提供理論依據。

1 材料與方法

1.1 材料與裝置

原料為利用采棉機在南疆地區采摘的新陸早26號機采棉。機采棉殘地膜靜電分離裝置系統框圖如圖1所示。該裝置主要由電極板、高速傳送帶、棉花收集箱、殘地膜收集箱、荷電控制器、速度控制器及顯示裝置等組成。正負電極板采用銅板，利用步進電機帶動利用絕緣材料制成的傳送帶。上極板接高壓靜電的負極，下極板接高壓靜電的正極。清雜試驗時，機采棉均勻鋪在傳送帶上，通過荷電控制器控制荷電裝置使機采棉在荷電區進行荷電；荷電完畢后，傳送帶在電機的帶動下運行，當帶有正電荷的機采棉脫離傳送帶時以一定的線速度打入電場區域，此時機采棉受到重力和電場力的作用，在電場區域內做類平拋運動。由于棉花和殘地膜的質能差異性，棉花和殘地膜的平拋運動軌跡不同，分別落入不同的收集箱內。

圖1 機采棉殘地膜電磁分離系統框圖Fig.1 Block diagram of static electricity separation system for plastic film of cotton

1.2 系統軟件設計

機采棉殘地膜靜電分離系統軟件部分包括機采棉線速度調控、電極板電壓控制及鍵盤顯示等模塊，軟件流程圖如圖2所示。

圖2 分離系統軟件流程圖Fig.2 Separation system software flow chart

以下為系統軟件設計的部分匯編語言代碼：

ORG 2000H

DC BIT P1.0

speed equ 20h

jmp dc_MOTOR

ORG 2100H

dc_MOTOR: mov a,p1

mov speed,a

lcall del

mov a,p1

cjne a,speed,dc_MOTOR

JB P3.3,JUD_SPD5

MOV SPEED,#6

JMP PWM

JUD_SPD5: JB P3.2,JUD_SPD4

MOV SPEED,#5

JMP PWM

JUD_SPD4: JB P3.1,JUD_SPD3

MOV SPEED,#04

JMP PWM

JUD_SPD3: JB P3.0,JUD_SPD2

MOV SPEED,#03

JMP PWM

JUD_SPD2: JB P3.5,JUD_SPD1

MOV SPEED,#02

JMP PWM

JUD_SPD1: JB P3.6,JUD_SPD0

MOV SPEED,#01

JMP PWM

JUD_SPD0: MOV SPEED,#00

PWM: MOV R6,SPEED

MOV A,#06

CLR C

SUBB A,SPEED

MOV R5,A

CLR DC

WAIT1: LCALL DEL

DJNZ R6,WAIT1

SETB DC

WAIT2: LCALL DEL

DJNZ R5,WAIT2

JMP DC_MOTOR

Del: mov r7,#0ffh

djnz r7,$

Ret

END

1.3 機采棉調濕

試驗采用的棉花為新陸早26號，含水率為16%～18%。將采收的機采棉放入恒溫箱內，烘干至5%～8%。

1.4 試驗方法

取10kg機采棉，從中隨機取樣1kg，將機采棉中殘地膜人工挑出，測定每塊殘地膜的質量級別，1級為0.12g，2級為0.11g，3級為0.1g，4級為0.09g，再將殘地膜均勻混入原機采棉。

將處理過的機采棉在靜電分離裝置上進行分離試驗，測定清雜率。試驗所用的機采棉殘地膜質量級別、荷電后的機采棉飛入速度及強靜電場電壓3個參數的詳細指標如表1所示。

表1 主要參數指標

2 BP模型設計

機采棉靜電清雜過程中清雜率的主控因素是殘地膜的質量級別、機采棉的飛入速度和強電場的電壓，以此3個因素作為BP的輸入量，即輸入層的節點數3。根據BP神經網絡輸入層與隱層關系可知：當輸入層節點數為n時，隱層節點數為2n+1，此時BP神經網絡效果最佳。在此設計中，隱層節點數為7，神經網絡模型層數為3，因此BP模型結構為3-7-1。

選取殘地膜的質量級別、機采棉的飛入速度和強電場的電壓3個關鍵因素作為BP網絡的輸入量，選取機采棉清雜率為BP網絡模型的輸出量，將3個主控因素做歸一化處理后，進行網絡訓練。

3 改進的GA-BP設計

遺傳算法(GA)的優勢在于其并行計算且全局搜索能力強，而BP神經網絡模型善于局部搜索且局部搜索能力強。因此，在GA并行計算過程中，在其每一條計算流上嫁接BP，利用BP進行每一次計算；GA和BP融合后，取BP的并行計算和全局搜索能力，BP的局部搜索能力，既克服了局部收斂的缺陷，同時保留了原有的收斂速度[8]。

利用遺傳算法計算，收斂后得到的優化子代作為BP神經網絡的初始權值，通過給定樣本數據，進行BP神經網絡訓練，最后得到最優解。

4 結果分析

按照3個主控因素依次進行試驗，相同指標下試驗做10次，取10次試驗的平均值作為樣本數據，在3個因素4個水平下組合試驗。每次試驗測定機采棉的清雜率，得到64組試驗數據，如表2所示。

表2 機采棉清雜率樣本數據

續表2

由表2可知：以殘地膜的質量級別、機采棉的飛入速度和強電場的電壓為輸入因子，以機采棉清雜率為輸出因子，隨機抽取出48組數據作為BP訓練樣本，其余的16組數據作為測試樣本數據，進一步驗證BP網絡。經網絡學習、收斂后得到最優解。

GA對BP網絡的權值和閾值進行優化，再利用BP進行局部搜素，尋求最優。GA算法的種群規模為10，迭代次數為50，交叉率為0.1，變異率為0.01。融合BP模型后，利用MatLab7.0編程，得到BP網絡各層的權值和閾值，如表3所示。

表3 GA-BP各參數的系數

利用MatLab7.0仿真可知：個體進化至25代時已經收斂。統計兩種算法得到的預測值，并和實測值進行對比，通過對兩種模型的評價，得到GA-BP要優于BP，如表4所示。經回歸分析得到GA-BP的預測值和實測值相關系數為0.917 51。

表4 兩種模型結果評價

5 結論

建立了一個用于測定機采棉清雜率的GA-BP網絡模型，驗證了其有效性。通過組合試驗，實現了機采棉殘地膜靜電分離規律模型預測，為機采棉清雜提供了參考。

[1] 郭淑霞,坎 雜,張若宇,等.機采籽棉殘膜靜電分離裝置分離試驗[J].農業工程學報,2011,27(S2):6-11.

[2] 王吉奎，付威，王衛兵，等．SMS-1500 型秸稈粉碎與殘膜回收機的設計[J]．農業工程學報，2011，27(7)：168-172．

[3] 張學軍，吳成武，王旭東，等．殘膜分離篩機構的運動仿真與分析[J]．農業工程學報，2007，23(7)：113-116．

[4] 郟東耀，丁天懷． 棉花中異性纖維的多光譜檢測[J]． 清華大學學報：自然科學版，2005，45(2)：193-196．

[5] 瞿鑫，丁天懷．皮棉中異性纖維骨架快速提取算法[J]．農業機械學報，2010，41(6)：177-181．

[6] 張馨，李道亮，楊文柱，等．高分辨率棉花異性纖維彩色圖像的快速分割方法[J]．農業機械學報，2011，42(1)：159-164．

[7] 郭俊先，應義斌，成芳，等．皮棉表面多類異性纖維的高光譜圖像檢測[J]．農業工程學報，2010，26(10)：355-360．

[8] 張宏，馬巖，李勇,等．基于遺傳BP神經網絡的核桃破裂功預測模型[J]．農業工程學報，2014，18(30)：78-84．

[9] 趙旎，張華鵬．基于機器視覺的皮棉異性剔除系統設計[J]．農機化研究，2008(8)：90-93．

[10] 石庚堯．一種新型的異性纖維檢測清除系統[J]．北京紡織，2001，22(6)：51-52．

[11] 張海榮．棉花異性纖維挑揀技術研究[D]．合肥：合肥工業大學，2006．

[12] 鄭文秀．棉花異性纖維的動態識別技術研究[D]．泰安：山東農業大學，2009．

[13] 劉向新，周亞立，趙巖．棉花異性纖維清理機械發展的現狀及展望[J]．江蘇農業科學，2011，9(2)：505-506．

[14] 管世鋒，李紅軍，邢偉峰，等．新型異性纖維清理設備[J]．中國棉花加工，2009(1)：10-11．

[15] 王澤武．籽棉異纖清理機的開發[J]．中國棉花加工，2009(3)：6-7．

[16] 坎雜，郭文松，張若宇．網狀滾筒式機采籽棉殘膜分離機的設計[J]．農業工程學報，2011，27(6)：95-99．

[17] 張洪洲.南疆機采棉除雜現狀分析及發展趨勢探究[J].農機化研究, 2015,37(1):242-245.

[18] 張洪洲,張風旗,張亞江,等.機采棉荷電系統優化控制[J].江蘇農業科學, 2014,42(7):409-410.

[19] 張洪洲,張亞江,張風旗,等.基于單片機的機采棉除雜系統優化喂料控制[J].江蘇農業科學, 2014,42(6):387-388.

[20] 張洪洲,白建國,張風旗,等.機采棉除雜機的穩壓電源設計與試驗[J].江蘇農業科學, 2014,42(12):448-449.

[21] 李碧丹,丁天懷,郟東耀.皮棉異性纖維剔除系統設計[J].農業機械學報,2006,37(1):107-110.

[22] 趙海軍,史建新.殘膜回收工藝探討[J].中國農機化,2004(6):68-71.

[23] 汪海濤,朱邦太,李勛.基于機器視覺技術的棉紡異性清除系統[J].河南科技大學學報:自然科學版,2009,3(1):14-17.

[24] 周功明,周陳琛.基于AT89S51 單片機的數控電源設計[J].綿陽師范學院學報,2012,31(5):18-23.

[25] 朱貴憲.基于單片機的數控穩壓電源設計[J].自動化與儀表,2011(6):50-53.

[26] 祝敏.直流數控可調穩壓電源的設計[J].電子元器件應用,2008,10(4):62-64.

[27] 許艷惠.一種智能化高精度數控直流電源的設計與實現[J].微計算機信息,2007(32):136-138.

[28] 鄧堅,楊燕翔,齊剛.數控直流穩壓電源設計[J].計算機測量與控制,2007(12):1991-1993.

[29] 赫建國,鄭燕,薛延霞.單片機在電子電路設計中的應用[M].北京:清華大學出版社,2006.

[30] 蔡振江.單片機原理及應用[M].北京：電子工業出版社, 2011.

Prediction Model for the Separation Regular Pattern of Cleaning of Machine-harvested Cotton

Zhang Hongzhou, Liu Yuanjie, Wang Xianlei, Li Yong, Zhou Dan

(College of Mechanic and Electrical Engineering ,Tarim University, Alar 843300,China)

For cotton and cotton to plastic film separation by plastic film quality, cotton picker machine speed, flying into the strong static electric field voltage influence factors such as machine mining, prediction method of cleaning process of cotton and plastic film movement presents a cotton picker machine. The southern machine picked cotton Xinluzao 26 as the research object, to characterize the rate of movement by the separation between cotton and plastic film. The use of plastic film quality level (level 1, level 2, level 3, level 4), electric charge after the cotton picking machine fly into speed (9, 10, 11, 12m/s), the strong static electric field voltage (30, 40, 50, 60kV) three factors as the input of BP neural network model. The weights and thresholds of the left transmission algorithm training network design improvement. A prediction model for the separation rate of the movement law of cotton picking is established. The experiment results show that the improved genetic algorithm combined with cotton and plastic film separation rate prediction model can reflect the nonlinear relationship between Xinluzao 26 cotton picker machine and plastic film separation stress and main controlling factors of the BP neural network by machine, the mean absolute percentage error between predicted and measured results for 0.82 the measured sample test, the correlation coefficient and the ideal value is 0.91751, the effect of prediction model are good, the results of this study can provide a reference for cleaning for cotton picker.

machine-harvested cotton; cleaning; movement law; model;prediction

2016-10-16

國家自然科學基金項目(61534005，11242012)

張洪洲(1982-)，男，長春人，副教授，碩士，(E-mail)309011160@qq.com。

劉媛杰(1982-)，女，陜西府谷人，副教授，碩士,(E-mail)49948298@qq.com。

S225.91+1

A

1003-188X(2017)12-0146-05