BP神经网络预测变振幅防堵筛分性能研究*——基于EDEM-RecurDyn仿真

朱永乐，马征，陈树人，Souleymane Nfamoussa Traore，李耀明，姜晟

(1. 江苏大学现代农业装备与技术教育部重点实验室，江苏镇江，212013；
2. 江苏大学农业工程学院，江苏镇江，212013)

振动筛是清选环节的关键部件[1]。由于喂入量变化易导致筛面堆积堵塞，影响收获作业。采用变振幅筛分原理能有效缓解筛面物料堆积堵塞，但仍需优化变振幅调节，改善筛分性能[2]。

离散元法能模拟大量颗粒喂入的筛分过程，对研究筛分机理，参数优化有重要作用[3-6]。文献[7]用离散元法优选质心偏移变振幅筛的振幅、频率。文献[8]用DEM研究变振幅等厚筛面粒群分布和透筛规律。文献[9]基于DEM分析等厚变振幅筛分机理。但是EDEM难以设置复杂可调的运动，故RecurDyn与EDEM联合仿真，调节变振幅。

BP神经网络能通过已有数据深度自学习，建立精确的预测模型。其在农业工程领域的智能控制、信息决策中应用广泛[10-12]。文献[13]基于遗传算法的BPNN对花生种子带式清选作业参数优化。文献[14]基于BPNN优化振动筛参数。文献[15]采用DEM和BPNN优化矿石筛分参数。

变振幅调节能缓解物料喂入量变化引起的筛面堆积堵塞，但缺少相应的模型调控变振幅以缓解筛面堵塞，改善筛分性能。离散元法能模拟物料筛分过程，提供建模所需的数据。基于仿真的数据，采用微分、结构等方程建立变振幅调控模型较为困难。BP神经网络能对仿真数据进行高度的自适应和自学习，这能破除微分、结构等方程建模的困难，有利于建立变振幅智能化调控模型。

因此为缓解因物料喂入量变化导致筛面堆积堵塞影响筛分性能的问题，本研究以变振幅筛分机构导向滑槽转角为变量，基于EDEM-RecurDyn仿真物料非正常喂入(增大)下的变振幅防堵筛分过程，并通过BPNN预测不同滑槽转角下的变振幅筛分效率、含杂率变化，优化变振幅筛分机构导向滑槽转角调节。这有利于缓解筛面堆积堵塞、改善筛分性能，为未来变振幅筛分防堵的调节提供依据。

改进的变振幅筛分机构及其调节原理如图1所示。如图1(a)所示，筛前端导向滑槽呈矩形，长400 mm，固定在转动轴上统一调节转角，内置滑轮与筛箱前端固定并运动；
筛箱静态倾角为4°，使用冲孔筛，孔径8 mm；
吊杆固定在筛箱后端；
连杆一端与筛箱一侧下沿的中心呈30°连接，一端与偏心轮共线连接，保证机构初始位置最低；
接料盒放在筛下150 mm处接物料。

(a) 变振幅筛分机构三维模型

导向滑槽未调节时，随偏心轮转动，带滑轮的筛箱在静态倾角4°下沿滑槽往复直线运动，筛面振幅未改变，筛箱是往复式振动筛运动形式，如图1(a)的实线所示。通过控制导向滑槽的转角实现变振幅调节，当滑槽转角增大时，筛面静态倾角不断减小并逐渐反向增大，随着偏心轮转动，滑轮在转动一定角度后的滑槽内往复运动，当滑轮在滑槽内由最低点运动到最高点过程中，筛面前端呈“上扬”运动，筛面后端下移，筛分运动形式发生变化，筛面前端振幅增大，筛面后端振幅减小，物料加速后移和分散，能有效缓解筛面物料堆积堵塞，如图1(b)的虚线所示。

2.1 EDEM-RecuDyn联合仿真

2.1.1 仿真模型

仿真试验模型如图2所示。图2(a)是RecurDyn设置的运动学模型，调节变振幅。图2(b)是离散元模型，其中颗粒工厂呈矩形，长为190 mm，宽为90 mm，距筛面300 mm。图2(c)和图2(d)是水稻籽粒、茎秆的颗粒模型。

(a) RecurDyn运动学模型 (b) EDEM仿真模型

2.1.2 参数设置

RecurDyn中变振幅筛分机构部件的约束和驱动函数如表1所示。振动频率为5 Hz，仿真时间为7.6 s，前2.6 s调节导向滑槽转角，后5 s下料筛分。

表1 RecurDyn中变振幅筛分机构的运动副及约束设置Tab. 1 Kinematic pairs and constraint settings of variable amplitude screening mechanism in RecurDyn

EDEM中颗粒运动参数设置如表2所示。颗粒喂入速率为0.5 kg/s，远超正常喂入量，水稻籽粒和茎秆的总量分别为2.375、0.125 kg。颗粒的接触模型采用Hertz-Mindlin (no-slip)。

表2 EDEM中颗粒运动仿真的全局变量参数设置Tab. 2 Global variable parameter setting of particle motion simulation in EDEM

2.1.3 试验方案

物料在非正常喂入(0.5 kg/s)下，以导向滑槽的转角为变量，试验方案如表3所示。通过EDEM统计接料盒中水稻籽粒、茎秆的质量，计算不同滑槽转角下的筛分效率和含杂率。

表3 变振幅调节试验方案Tab. 3 Test scheme of variable amplitude regulation

2.1.4 仿真过程及结果

如图3所示，是导向滑槽35°时的变振幅筛分过程。非正常喂入(0.5 kg/s)的物料不断后移，筛面前端堆积堵塞被缓解。

(a) 颗粒运动仿真0.0 s (b) 颗粒运动仿真2.6 s

物料非正常喂入下变振幅筛分效率、含杂率的结果如表4所示。由于仿真时长较短，各项指标数值较小，但不影响整体变化趋势。筛分效率和含杂率的计算公式如式(1)和式(2)所示。

(1)

(2)

式中：η——筛分效率，%；

μ——含杂率，%；

m——喂入的水稻籽粒和茎秆的质量，kg；

m1——筛下水稻籽粒和茎秆的质量，kg；

m2——筛下水稻茎秆的质量，kg。

表4 物料非正常喂入下变振幅筛分性能的试验结果Tab. 4 Test results of variable amplitude screening performance under abnormal feeding

2.2 BP神经网络

2.2.1 BP神经网络设计

基于MATLAB设计BP神经网络。以滑槽转角为输入，以筛分效率、含杂率为输出。输入层、输出层的节点数为1、2，隐藏层节点数遵循“在输入层与输出层节点数之间，输入层加输出层节点数的三分之二”的原则，最终其节点数为2。样本总量10，训练集、验证集、测试集默认为70%、15%、15%，样本量分别为6、2、2，训练数据如表4所示。Bayesian Regularization算法是贝叶斯正则化，是对Levenberg-Marquardt算法的改进，其网络泛化能力更好，降低了确定最优网络结构的难度，因此训练函数选择Bayesian Regularization算法。权值、阈值均为默认值，可自动调整。BP神经网络的结构如图4所示。

图4 基于MATLAB设计的BP神经网络结构

2.2.2 训练过程及结果

BP神经网络经过随机选择样本的多次训练，预测模型的R2均超过0.99，其中较优的训练过程及结果如图5、图6所示。

图5 BP神经网络预测模型的训练过程

Fig. 5 Training process of BPNN prediction model

如图5(a)所示，BP神经网络模型训练至82步时均方误差即收敛，训练时间短。BP神经网络模型的输出值和预测值的差值曲线如图5(b)所示，两者的误差较小，BP神经网络预测模型的拟合程度高。如图6所示，训练集、测试集、总样本的R2均超过0.999，构建的BP神经网络模型的预测值和输出值(筛分效率、含杂率)高度相关，BP神经网络预测模型可信度高，可预测其它导向滑槽转角下的筛分性能指标。

(a) 训练集

2.3 预测结果与分析

筛分性能指标仿真曲线和BP神经网络模型预测导向滑槽转角0°～45°时的筛分性能(筛分效率、含杂率)变化，如图7所示。由图7(a)可知物料在非正常喂入(0.5 kg/s)条件下的变振幅的筛分效率随着滑槽角度的增大而先增大后减小。筛分效率变化的斜率由小变大，然后筛分效率保持稳定的斜率增加或减小。滑槽转角5°～10°时变振幅的筛分效率变化较小，这对筛分性能(筛分效率)的改善效果较差。滑槽转角15°～35°时筛分效率较大且斜率较为稳定，此时的筛分性能(筛分效率)较好。滑槽转角40°～45°时变振幅的筛分效率反而减小，这是由于滑槽转角过大导致筛面前端振幅过强，筛面局部抛掷强度增大，物料快速后移至筛尾部导致部分物料来不及筛分即排出筛尾，影响变振幅的筛分性能。

(a) 筛分效率变化

由图6(b)可知，滑槽转角在5°～40°时变振幅的含杂率整体呈上升趋势，这时筛面前端振幅增大，物料加速后移，筛面较充分的利用导致透筛的水稻茎秆增多。40°～45°时含杂率攀升，说明导向滑槽转角调节过大，对变振幅调节下的筛分性能(含杂率)不利。

BP神经网络模型能够较好的预测变振幅的筛分效率、含杂率的变化趋势，这说明训练得到的BP神经网络预测模型精确度和可信度高。此外，根据BP神经网络模型的预测，由图6中对BPNN预测分析可知导向滑槽转角在37°时物料非正常喂入(0.5 kg/s)条件下的变振幅筛分效率更高，含杂率较低，两者分别为74.30%、0.20%。

因此，综合变振幅的筛分效率和含杂率可知，导向滑槽转角应控制在15°～40°之间(其中滑槽转角37°时筛分性能较优)，这有利于改善物料非正常喂入(0.5 kg/s)条件下变振幅的筛分性能(筛分效率、含杂率)。

1) 在物料非正常喂入(0.5 kg/s)下，随着导向滑槽转角的增大，变振幅筛分效率在55%～75%内先升高后下降，含杂率呈指数型增长，在0.1%～0.4%内先缓增后陡增。导向滑槽转角0°～10°时筛分效率在55%～58%内平稳上升，含杂率在0.1%～0.16%内小范围波动变化；
滑槽转角15°～40°时筛分效率在58%～75%内线性增大，含杂率在0.11%～0.19%内波动上升；
滑槽转角40°～45°时筛分效率骤然线性下降至65.8%，含杂率陡然升高至0.37%。

2) 滑槽转角15°～40°时变振幅筛分效率在58%～75%内呈线性增大，含杂率在0.11%～0.19%内稳定变化，筛分性能变化较好，其中滑槽转角37°时变振幅的筛分效率最高，含杂率较低，筛分效率和含杂率分别为74.30%、0.20%，筛分性能更优。

3) BP神经网络预测模型的R2为0.99，对仿真筛分效率和含杂率的预测程度高，预测误差集中在-0.000 41，预测误差较小，模型具有高度的精确度和可靠度。