BP神經網絡預測變振幅防堵篩分性能研究*
——基于EDEM-RecurDyn仿真

朱永樂，馬征，陳樹人，Souleymane Nfamoussa Traore，李耀明，姜晟

(1. 江蘇大學現代農業裝備與技術教育部重點實驗室，江蘇鎮江，212013；2. 江蘇大學農業工程學院，江蘇鎮江，212013)

0 引言

振動篩是清選環節的關鍵部件[1]。由于喂入量變化易導致篩面堆積堵塞，影響收獲作業。采用變振幅篩分原理能有效緩解篩面物料堆積堵塞，但仍需優化變振幅調節，改善篩分性能[2]。

離散元法能模擬大量顆粒喂入的篩分過程，對研究篩分機理，參數優化有重要作用[3-6]。文獻[7]用離散元法優選質心偏移變振幅篩的振幅、頻率。文獻[8]用DEM研究變振幅等厚篩面粒群分布和透篩規律。文獻[9]基于DEM分析等厚變振幅篩分機理。但是EDEM難以設置復雜可調的運動，故RecurDyn與EDEM聯合仿真，調節變振幅。

BP神經網絡能通過已有數據深度自學習，建立精確的預測模型。其在農業工程領域的智能控制、信息決策中應用廣泛[10-12]。文獻[13]基于遺傳算法的BPNN對花生種子帶式清選作業參數優化。文獻[14]基于BPNN優化振動篩參數。文獻[15]采用DEM和BPNN優化礦石篩分參數。

變振幅調節能緩解物料喂入量變化引起的篩面堆積堵塞，但缺少相應的模型調控變振幅以緩解篩面堵塞，改善篩分性能。離散元法能模擬物料篩分過程，提供建模所需的數據。基于仿真的數據，采用微分、結構等方程建立變振幅調控模型較為困難。BP神經網絡能對仿真數據進行高度的自適應和自學習，這能破除微分、結構等方程建模的困難，有利于建立變振幅智能化調控模型。

因此為緩解因物料喂入量變化導致篩面堆積堵塞影響篩分性能的問題，本研究以變振幅篩分機構導向滑槽轉角為變量，基于EDEM-RecurDyn仿真物料非正常喂入(增大)下的變振幅防堵篩分過程，并通過BPNN預測不同滑槽轉角下的變振幅篩分效率、含雜率變化，優化變振幅篩分機構導向滑槽轉角調節。這有利于緩解篩面堆積堵塞、改善篩分性能，為未來變振幅篩分防堵的調節提供依據。

1 變振幅篩分機構

改進的變振幅篩分機構及其調節原理如圖1所示。如圖1(a)所示，篩前端導向滑槽呈矩形，長400 mm，固定在轉動軸上統一調節轉角，內置滑輪與篩箱前端固定并運動；篩箱靜態傾角為4°，使用沖孔篩，孔徑8 mm；吊桿固定在篩箱后端；連桿一端與篩箱一側下沿的中心呈30°連接，一端與偏心輪共線連接，保證機構初始位置最低；接料盒放在篩下150 mm處接物料。

(a) 變振幅篩分機構三維模型

導向滑槽未調節時，隨偏心輪轉動，帶滑輪的篩箱在靜態傾角4°下沿滑槽往復直線運動，篩面振幅未改變，篩箱是往復式振動篩運動形式，如圖1(a)的實線所示。通過控制導向滑槽的轉角實現變振幅調節，當滑槽轉角增大時，篩面靜態傾角不斷減小并逐漸反向增大，隨著偏心輪轉動，滑輪在轉動一定角度后的滑槽內往復運動，當滑輪在滑槽內由最低點運動到最高點過程中，篩面前端呈“上揚”運動，篩面后端下移，篩分運動形式發生變化，篩面前端振幅增大，篩面后端振幅減小，物料加速后移和分散，能有效緩解篩面物料堆積堵塞，如圖1(b)的虛線所示。

2 變振幅篩分試驗

2.1 EDEM-RecuDyn聯合仿真

2.1.1 仿真模型

仿真試驗模型如圖2所示。圖2(a)是RecurDyn設置的運動學模型，調節變振幅。圖2(b)是離散元模型，其中顆粒工廠呈矩形，長為190 mm，寬為90 mm，距篩面300 mm。圖2(c)和圖2(d)是水稻籽粒、莖稈的顆粒模型。

(a) RecurDyn運動學模型 (b) EDEM仿真模型

2.1.2 參數設置

RecurDyn中變振幅篩分機構部件的約束和驅動函數如表1所示。振動頻率為5 Hz，仿真時間為7.6 s，前2.6 s調節導向滑槽轉角，后5 s下料篩分。

表1 RecurDyn中變振幅篩分機構的運動副及約束設置Tab. 1 Kinematic pairs and constraint settings of variable amplitude screening mechanism in RecurDyn

EDEM中顆粒運動參數設置如表2所示。顆粒喂入速率為0.5 kg/s，遠超正常喂入量，水稻籽粒和莖稈的總量分別為2.375、0.125 kg。顆粒的接觸模型采用Hertz-Mindlin (no-slip)。

表2 EDEM中顆粒運動仿真的全局變量參數設置Tab. 2 Global variable parameter setting of particle motion simulation in EDEM

2.1.3 試驗方案

物料在非正常喂入(0.5 kg/s)下，以導向滑槽的轉角為變量，試驗方案如表3所示。通過EDEM統計接料盒中水稻籽粒、莖稈的質量，計算不同滑槽轉角下的篩分效率和含雜率。

表3 變振幅調節試驗方案Tab. 3 Test scheme of variable amplitude regulation

2.1.4 仿真過程及結果

如圖3所示，是導向滑槽35°時的變振幅篩分過程。非正常喂入(0.5 kg/s)的物料不斷后移，篩面前端堆積堵塞被緩解。

(a) 顆粒運動仿真0.0 s (b) 顆粒運動仿真2.6 s

物料非正常喂入下變振幅篩分效率、含雜率的結果如表4所示。由于仿真時長較短，各項指標數值較小，但不影響整體變化趨勢。篩分效率和含雜率的計算公式如式(1)和式(2)所示。

(1)

(2)

式中：η——篩分效率，%；

μ——含雜率，%；

m——喂入的水稻籽粒和莖稈的質量，kg；

m1——篩下水稻籽粒和莖稈的質量，kg；

m2——篩下水稻莖稈的質量，kg。

表4 物料非正常喂入下變振幅篩分性能的試驗結果Tab. 4 Test results of variable amplitude screening performance under abnormal feeding

2.2 BP神經網絡

2.2.1 BP神經網絡設計

基于MATLAB設計BP神經網絡。以滑槽轉角為輸入，以篩分效率、含雜率為輸出。輸入層、輸出層的節點數為1、2，隱藏層節點數遵循“在輸入層與輸出層節點數之間，輸入層加輸出層節點數的三分之二”的原則，最終其節點數為2。樣本總量10，訓練集、驗證集、測試集默認為70%、15%、15%，樣本量分別為6、2、2，訓練數據如表4所示。Bayesian Regularization算法是貝葉斯正則化，是對Levenberg-Marquardt算法的改進，其網絡泛化能力更好，降低了確定最優網絡結構的難度，因此訓練函數選擇Bayesian Regularization算法。權值、閾值均為默認值，可自動調整。BP神經網絡的結構如圖4所示。

圖4 基于MATLAB設計的BP神經網絡結構

2.2.2 訓練過程及結果

BP神經網絡經過隨機選擇樣本的多次訓練，預測模型的R2均超過0.99，其中較優的訓練過程及結果如圖5、圖6所示。

圖5 BP神經網絡預測模型的訓練過程

Fig. 5 Training process of BPNN prediction model

如圖5(a)所示，BP神經網絡模型訓練至82步時均方誤差即收斂，訓練時間短。BP神經網絡模型的輸出值和預測值的差值曲線如圖5(b)所示，兩者的誤差較小，BP神經網絡預測模型的擬合程度高。如圖6所示，訓練集、測試集、總樣本的R2均超過0.999，構建的BP神經網絡模型的預測值和輸出值(篩分效率、含雜率)高度相關，BP神經網絡預測模型可信度高，可預測其它導向滑槽轉角下的篩分性能指標。

(a) 訓練集

2.3 預測結果與分析

篩分性能指標仿真曲線和BP神經網絡模型預測導向滑槽轉角0°～45°時的篩分性能(篩分效率、含雜率)變化，如圖7所示。由圖7(a)可知物料在非正常喂入(0.5 kg/s)條件下的變振幅的篩分效率隨著滑槽角度的增大而先增大后減小。篩分效率變化的斜率由小變大，然后篩分效率保持穩定的斜率增加或減小。滑槽轉角5°～10°時變振幅的篩分效率變化較小，這對篩分性能(篩分效率)的改善效果較差。滑槽轉角15°～35°時篩分效率較大且斜率較為穩定，此時的篩分性能(篩分效率)較好。滑槽轉角40°～45°時變振幅的篩分效率反而減小，這是由于滑槽轉角過大導致篩面前端振幅過強，篩面局部拋擲強度增大，物料快速后移至篩尾部導致部分物料來不及篩分即排出篩尾，影響變振幅的篩分性能。

(a) 篩分效率變化

由圖6(b)可知，滑槽轉角在5°～40°時變振幅的含雜率整體呈上升趨勢，這時篩面前端振幅增大，物料加速后移，篩面較充分的利用導致透篩的水稻莖稈增多。40°～45°時含雜率攀升，說明導向滑槽轉角調節過大，對變振幅調節下的篩分性能(含雜率)不利。

BP神經網絡模型能夠較好的預測變振幅的篩分效率、含雜率的變化趨勢，這說明訓練得到的BP神經網絡預測模型精確度和可信度高。此外，根據BP神經網絡模型的預測，由圖6中對BPNN預測分析可知導向滑槽轉角在37°時物料非正常喂入(0.5 kg/s)條件下的變振幅篩分效率更高，含雜率較低，兩者分別為74.30%、0.20%。

因此，綜合變振幅的篩分效率和含雜率可知，導向滑槽轉角應控制在15°～40°之間(其中滑槽轉角37°時篩分性能較優)，這有利于改善物料非正常喂入(0.5 kg/s)條件下變振幅的篩分性能(篩分效率、含雜率)。

3 結論

1) 在物料非正常喂入(0.5 kg/s)下，隨著導向滑槽轉角的增大，變振幅篩分效率在55%～75%內先升高后下降，含雜率呈指數型增長，在0.1%～0.4%內先緩增后陡增。導向滑槽轉角0°～10°時篩分效率在55%～58%內平穩上升，含雜率在0.1%～0.16%內小范圍波動變化；滑槽轉角15°～40°時篩分效率在58%～75%內線性增大，含雜率在0.11%～0.19%內波動上升；滑槽轉角40°～45°時篩分效率驟然線性下降至65.8%，含雜率陡然升高至0.37%。

2) 滑槽轉角15°～40°時變振幅篩分效率在58%～75%內呈線性增大，含雜率在0.11%～0.19%內穩定變化，篩分性能變化較好，其中滑槽轉角37°時變振幅的篩分效率最高，含雜率較低，篩分效率和含雜率分別為74.30%、0.20%，篩分性能更優。

3) BP神經網絡預測模型的R2為0.99，對仿真篩分效率和含雜率的預測程度高，預測誤差集中在-0.000 41，預測誤差較小，模型具有高度的精確度和可靠度。