聯(lián)合收獲機(jī)慣性分離室工藝參數(shù)的優(yōu)化—基于改進(jìn)遺傳神經(jīng)網(wǎng)絡(luò)

朱會(huì)霞,王吉權(quán),王福林,馬 巍,王輝暖

(1.遼寧工業(yè)大學(xué) 管理學(xué)院,遼寧 錦州 121001,2.東北農(nóng)業(yè)大學(xué) 工程學(xué)院,哈爾濱 150030;3.錦州醫(yī)科大學(xué) 畜牧獸醫(yī)學(xué)院,遼寧 錦州 121001)

0 引言

氣吸式割前摘脫聯(lián)合收獲機(jī)慣性分離室工作性能存在體積過大、氣流分布不均勻、個(gè)別區(qū)域存在湍流現(xiàn)象,以及能量消耗較大等問題。其性能一般受籽粒的物性、籽粒質(zhì)量流量、慣性分離室內(nèi)隔板長度、慣性分離室內(nèi)隔板安裝高度、慣性分離室后壁傾角、慣性分離室長度、慣性分離室長度與開度,以及導(dǎo)流體形狀等因素的影響[1-2]。為了尋找影響氣吸式割前摘脫聯(lián)合收獲機(jī)慣性分離室性能的最優(yōu)參數(shù),通常采用實(shí)驗(yàn)設(shè)計(jì)與回歸分析的方法建立模型,預(yù)測(cè)更好的因素水平。但這種方法可能存在函數(shù)方程模型選擇不準(zhǔn)確等問題,導(dǎo)致擬合時(shí)可能存在較大估計(jì)誤差,影響擬合精度。針對(duì)此問題,本文采用改進(jìn)的遺傳神經(jīng)網(wǎng)絡(luò)對(duì)氣吸式割前摘脫聯(lián)合收獲機(jī)慣性分離室入口氣體速度、慣性分離室隔板長度、慣性分離室高度和慣性分離室長度4個(gè)主要參數(shù)進(jìn)行最優(yōu)組合,其結(jié)果可為此類型慣性分離室的設(shè)計(jì)和優(yōu)化提供理論依據(jù),為研究解決“黑箱”優(yōu)化問題提供一種新的思路和方法,可減少處理“黑箱”問題的實(shí)驗(yàn)次數(shù),降低實(shí)驗(yàn)成本。

1 遺傳神經(jīng)網(wǎng)絡(luò)算法設(shè)計(jì)原理

BP算法的主要思想是把學(xué)習(xí)過程分為4個(gè)階段：“模式順傳播”過程、“誤差逆?zhèn)鞑ァ边^程、由“模式順傳播”過程和“誤差逆?zhèn)鞑ァ边^程反復(fù)交替進(jìn)行的網(wǎng)絡(luò)“記憶訓(xùn)練”過程和“學(xué)習(xí)收斂”過程。三層網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示[3-4]。

圖1 BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)Fig.1 The structure of the BPNN

BP算法的誤差曲面是一個(gè)復(fù)雜的多元曲面,通過權(quán)值與閾值空間中的梯度調(diào)整使網(wǎng)絡(luò)收斂,存在易陷入局部極小點(diǎn)、學(xué)習(xí)率難以選取、收斂速度慢及接近最優(yōu)解時(shí)可能產(chǎn)生振蕩等缺陷[5]。為了克服這些缺陷,需要擺脫依賴梯度信息調(diào)整權(quán)值、閾值的方法。遺傳算法(Genetic Algorithm,GA)的搜索不依賴于梯度信息,用遺傳算法替代“誤差逆?zhèn)鞑ァ边^程,調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值,恰好可以解決BP算法由于梯度下降引起的難題。

2 改進(jìn)的遺傳神經(jīng)網(wǎng)絡(luò)算法

研究發(fā)現(xiàn)：當(dāng)神經(jīng)網(wǎng)絡(luò)算法收斂后,其權(quán)值和閾值的絕對(duì)值一般都較小,但也有一些權(quán)值和閾值是較大的,因此很難預(yù)先估計(jì)其取值范圍,而基本遺傳算法求解優(yōu)化問題時(shí),必須預(yù)先知道決策變量的取值區(qū)間。若最優(yōu)解不在給定的取值范圍內(nèi),優(yōu)化問題便求不到真正的最優(yōu)解,只能求得一個(gè)指定區(qū)間內(nèi)的較優(yōu)解[6-7]。為了克服基本遺傳算法這一缺陷,提高GA的收斂速度和尋優(yōu)率,筆者提出用區(qū)間自適應(yīng)遺傳算法(Interval Adaptive Genetic Algorithm,IAGA)替代“誤差逆?zhèn)鞑ァ边^程,自適應(yīng)動(dòng)態(tài)調(diào)整BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值。區(qū)間自適應(yīng)遺傳算法是以模式定理和積木塊假設(shè)為理論依據(jù),在沒有最優(yōu)解區(qū)間先驗(yàn)信息的情況下,從任意初始搜索區(qū)間出發(fā),進(jìn)化到一定代數(shù)后,以當(dāng)前種群的信息為依據(jù),自適應(yīng)調(diào)整權(quán)值和閾值搜索區(qū)間,向最優(yōu)解所在區(qū)間靠攏,從而使算法搜索到整個(gè)可行域范圍,提高對(duì)解空間的遍歷性,并最終找到全局最優(yōu)解。用IAGA自適應(yīng)動(dòng)態(tài)調(diào)整權(quán)值和閾值區(qū)間,將IAGA與BP算法的優(yōu)點(diǎn)有機(jī)地結(jié)合起來,充分發(fā)揮各自優(yōu)勢(shì)。仿真結(jié)果表明：該算法對(duì)調(diào)整BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值效果顯著,且提高了BP算法的精確度。

遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值,實(shí)質(zhì)是一個(gè)無約束優(yōu)化問題,基本思想是：“模式順傳播”后,得到網(wǎng)絡(luò)的實(shí)際輸出,當(dāng)實(shí)際輸出信號(hào)與給定輸出信號(hào)所有神經(jīng)元的誤差能量總和最小時(shí)即為滿足訓(xùn)練要求,求得此時(shí)最優(yōu)的連接權(quán)值和閾值。IAGA優(yōu)化BP權(quán)值閾值的算法流程圖如圖2所示。

(1)

這樣就完成了一次區(qū)間移動(dòng),形成了新的搜索區(qū)間為[a′,b′]。將原區(qū)間[a,b]中的個(gè)體,按照解碼和編碼規(guī)則,保持已獲得的基因信息,映射到新區(qū)間中。若最優(yōu)權(quán)值為ω*在區(qū)間[a′,b′]中,經(jīng)過IAGA繼續(xù)搜索,就可以找到最優(yōu)權(quán)值;若不在[a′,b′]中,則繼續(xù)進(jìn)行選擇、交叉、變異等遺傳迭代操作,按式(1)移動(dòng)搜索區(qū)間,最后移動(dòng)到最優(yōu)權(quán)值所在區(qū)間。

圖2 用IAGA優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值閾值流程圖Fig.2 The flow chart of using IAGA to optimize the weight and threshold value of neural network

(2)

根據(jù)算法的改進(jìn)思想,改進(jìn)遺傳神經(jīng)網(wǎng)絡(luò)算法的具體步驟如下：

1)初始化[8]。設(shè)定種群規(guī)模m,交叉概率pc,變異概率pm,權(quán)值閾值初始區(qū)間,網(wǎng)絡(luò)訓(xùn)練結(jié)束誤差ε。

2)產(chǎn)生無約束隨機(jī)初始種群。

3)形成父代種群。

4)計(jì)算誤差能量總和,根據(jù)誤差能量總和用基于序的線性適應(yīng)度函數(shù)計(jì)算適應(yīng)度值[9],并將個(gè)體按適應(yīng)度值降序排序,取出前k個(gè)適應(yīng)度高的個(gè)體,作為“精英個(gè)體”。

5)選擇。

6)交叉。

7)變異。

8)用k個(gè)“精英個(gè)體”剔除變異種群中適應(yīng)度值低的個(gè)體,遺傳進(jìn)化一代完成,形成新一代種群。

9)計(jì)算并判斷誤差是否達(dá)到訓(xùn)練要求,滿足條件,則終止遺傳運(yùn)算,保存調(diào)整好的權(quán)值和閾值;不滿足要求,則按式(2)自適應(yīng)移動(dòng)調(diào)整權(quán)值搜索區(qū)間,繼續(xù)進(jìn)行遺傳操作,直至搜索到滿足條件權(quán)值閾值。

3 聯(lián)合收獲機(jī)慣性分離室工藝參數(shù)優(yōu)化

3.1 實(shí)驗(yàn)數(shù)據(jù)

采用聯(lián)合收獲機(jī)慣性分離室主要因素對(duì)性能指標(biāo)影響的實(shí)驗(yàn)數(shù)據(jù)作為訓(xùn)練樣本,采用IAGA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)輸入層和隱含層之間的權(quán)值、隱含層和輸出層之間的權(quán)值、隱含層的閾值、輸出層的閾值等參數(shù),以吸運(yùn)系統(tǒng)壓力損失最小作為目標(biāo),完成氣吸式割前摘脫聯(lián)合收獲機(jī)慣性分離室參數(shù)實(shí)驗(yàn)數(shù)據(jù)的擬合。

選取慣性分離室隔板長度x2,分離室上蓋高度x3,分離室長度x4,分離室入口氣體速度x14個(gè)因素,依據(jù)四因素五水平二次正交旋轉(zhuǎn)組合試驗(yàn)設(shè)計(jì)安排實(shí)驗(yàn)。因素水平編碼如表1所示,實(shí)驗(yàn)方案與結(jié)果如表2所示[10]。

應(yīng)用二次回歸旋轉(zhuǎn)組合設(shè)計(jì)Reda軟件包,根據(jù)表2中的試驗(yàn)數(shù)據(jù),可得各因素間的回歸方程為

y=416.11+95.17x1-13.38x2-1.24x3-

(3)

表2 試驗(yàn)方案與結(jié)果Table 2 The scheme and result of experiment

3.2 實(shí)驗(yàn)數(shù)據(jù)預(yù)處理

BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練之前,應(yīng)對(duì)輸入輸出的樣本數(shù)據(jù)進(jìn)行預(yù)處理,即歸一化處理,既可以使具有不同量綱的數(shù)據(jù)進(jìn)行計(jì)算,又可避免因凈輸入的絕對(duì)值過大而使神經(jīng)元輸出飽和,使誤差不再下降。將N個(gè)數(shù)據(jù)歸一化到[a,b]區(qū)間的公式為

(4)

式中xi—樣本數(shù)據(jù);

xmax、xmin—樣本數(shù)據(jù)xi的最大值和最小值。

考慮到Sigmoid函數(shù)在接近0或1時(shí),曲線比較平緩,變化速度非常緩慢,故將樣本數(shù)據(jù)處理到區(qū)間[0.1,0.8]之間,加快網(wǎng)絡(luò)的收斂速度[11]。

誤差達(dá)到要求時(shí),為了與原始數(shù)據(jù)擬合,需反歸一化變換,公式為

(5)

3.3 實(shí)驗(yàn)數(shù)據(jù)擬合

采用MatLab R2016b仿真實(shí)現(xiàn)上述思想。BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)為4-7-1型。初始區(qū)間取值為[-5,5],種群規(guī)模均取m=40,交叉概率pc=0.75,變異概率pc=0.05,精英個(gè)體保留k=6。網(wǎng)絡(luò)訓(xùn)練結(jié)束誤差3.019e-5時(shí),經(jīng)IAGA優(yōu)化可得權(quán)值閾值的結(jié)果。

輸入層和隱含層之間的權(quán)值為

輸入層和隱含層之間的閾值為

隱含層和輸出層之間的權(quán)值為

輸出層的閾值為

θP=[-9.8447]

吸運(yùn)系統(tǒng)壓力損失擬合精度如表3所示。

表3 吸運(yùn)系統(tǒng)壓力損失擬合精度情況Table 3 The fitting accuracy situation

由表3可知：BP神經(jīng)網(wǎng)絡(luò)的擬合精度明顯優(yōu)于二次回歸的擬合精度,其平均相對(duì)誤差為0.127 3%,標(biāo)準(zhǔn)差為0.001 7,而二次回歸的平均相對(duì)誤差為2.808 9%,標(biāo)準(zhǔn)差為0.042 4。由此可以得到如下結(jié)論：用IAGA自適應(yīng)調(diào)整權(quán)值和閾值的方法,優(yōu)于梯度下降法調(diào)整權(quán)值和閾值的方法,可使網(wǎng)絡(luò)訓(xùn)練誤差的目標(biāo)值達(dá)到很高的學(xué)習(xí)精度。

3.4 聯(lián)合收獲機(jī)慣性分離室參數(shù)優(yōu)化

將上述優(yōu)化得到的權(quán)值和閾值代入神經(jīng)網(wǎng)絡(luò)正向輸出過程,以氣吸式割前摘脫聯(lián)合收獲機(jī)慣性分離室的吸運(yùn)系統(tǒng)壓力損失最小為優(yōu)化目標(biāo)函數(shù),用區(qū)間自適應(yīng)遺傳算法優(yōu)化得出氣吸式割前摘脫聯(lián)合收獲機(jī)慣性分離室參數(shù)優(yōu)化數(shù)值。當(dāng)算法連續(xù)運(yùn)行1 000代結(jié)果不變時(shí),結(jié)束優(yōu)化過程。由此得出：當(dāng)慣性分離室隔板長度x2=723mm、分離室上蓋高度x3=846mm、分離室長度x4=1 585mm、分離室入口氣體速度x1=8.79m/s時(shí),吸運(yùn)系統(tǒng)壓力損失最小,為y=151.861 4Pa。

4 結(jié)論

1)利用IAGA自適應(yīng)動(dòng)態(tài)調(diào)整區(qū)間的功能優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值閾值,有效克服了神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程中易陷入局部極小值、振蕩等缺陷,解決了無法正確估計(jì)權(quán)值和閾值最優(yōu)解所在區(qū)間的問題。

2)仿真結(jié)果表明：用IAGA優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值閾值,可以得到比二次回歸方法更精確的擬合精度,說明了用IAGA取代神經(jīng)網(wǎng)絡(luò)誤差反向調(diào)整過程的優(yōu)勢(shì)。以較高的擬合精度為基礎(chǔ),得到氣吸式割前摘脫聯(lián)合收獲機(jī)慣性分離室吸運(yùn)系統(tǒng)壓力損失的優(yōu)化數(shù)據(jù),更接近聯(lián)合收獲機(jī)慣性分離室參數(shù)的實(shí)際情況。

3)仿真結(jié)果中,IAGA優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值、閾值,可使網(wǎng)絡(luò)訓(xùn)練誤差達(dá)到3.019e-5,平均相對(duì)誤差0.127 3%,標(biāo)準(zhǔn)差0.001 7%。優(yōu)化結(jié)果表明：該方法是一種可靠有效的優(yōu)化方法,也為農(nóng)業(yè)機(jī)械中某些只能通過試驗(yàn)解決的“黑箱問題”提供了一種新的優(yōu)化方法。