花生色選機工作參數優化與試驗

張德高+謝煥雄+胡志超+嚴偉

摘要：針對花生色選機作業存在色選精度低、帶出比小等問題，采用Box-Behnken中心組合試驗方法理論對花生色選機工作參數作優化研究。以花生色選機為研究對象，以供料量、吹氣時間、靈敏度等工作參數為影響因素，以色選精度、帶出比為目標函數，建立兩者之間的多元數學回歸模型進行優化分析，探索各因素之間的影響規律及最佳水平組合。利用Design-Expert 8.0.6軟件的回歸分析法和響應面分析法對模型進行優化，得到花生色選機的最優工作參數。性能試驗結果表明，色選精度影響因素顯著順序從大到小依次為吹氣時間、靈敏度、供料量；帶出比影響因素顯著順序從大到小依次為供料量、靈敏度、吹氣時間；最優工作參數組合為供料量36，吹氣時間為3 ms，靈敏度76，對應的色選精度為9754%、帶出比為14.66，且各性能指標與理論優化值相對誤差均小于2%。研究結果可為優化花生色選機的工作參數提供參考。

關鍵詞：花生色選機；Box-Behnken中心組合試驗；工作參數；回歸分析法；響應面分析法

中圖分類號： S226.5 文獻標志碼： A 文章編號：1002-1302（2017）18-0218-04

收稿日期：2016-04-20

基金項目：農業部現代農業花生產業技術體系產后加工機械崗位專項（編號：CARS-14-產后加工機械）；中國農業科學院創新工程“農產品產后分級與貯藏裝備”。

作者簡介：張德高（1991—），男，河南洛陽人，碩士研究生，主要從事農業機械裝備研究。 E-mail：37475036@qq.com。

通信作者：謝煥雄，碩士，研究員，碩士生導師，主要從事農業機械裝備研究。Tel：（025）58619510；E-mail：764086434@qq.com。 花生富含蛋白質、脂肪，各種營養成分比較全面且相對均衡，是目前較為理想的高蛋白、高脂肪營養性食物來源[1-3]。花生在收獲、儲藏、初加工等過程中，不可避免的出現紅衣殘缺、霉變、雜質等不良品，這些不良品影響了花生的品質和商品價值，使花生及其制品的可食性和安全性難以保障[4-5]。早期分選花生大多依靠手眼配合的人工分選，勞動力費用高、生產效率低、精確度低且容易受主觀因素的干擾，無法對不良品進行有效分選。色選技術是當前發達國家應用最為廣泛的花生不良品分選技術，也是中國花生初加工的發展方向[6-11]。色選機是根據物料光學特性的差異，利用光電探測技術將顆粒物料中的異色顆粒自動分揀出來的設備。色選機使用的光電分選技術克服了手工分選的劣勢，具有無破壞性、自動化程度高、勞動強度低、生產費低和排除人為主觀因素影響等優點[12-14]。

本研究以花生色選機為對象，以帶出比和色選精度為控制目標，采用中心組合試驗設計方法對影響色選效率的工作參數進行試驗研究，以期獲得花生色選機的優化工作參數，為進一步研究花生色選技術提供理論依據與參考。

1 花生色選機工作原理

在篩選框架上裝有設備的控制面板。待分花生仁被投入到供料系統中，通過供料系統，物料分離成單個個體被送往滑槽，物料經過滑槽下滑形成一個相對勻速的物料流。當經過檢測系統的CCD高速攝像頭檢測區域時，CCD傳感器對其進行掃描檢測，將圖像數據發送到主控芯片進行相應的圖像處理，最后通過控制執行機構的高速氣閥將不良品剔除[15-16]。

2 材料與方法

2.1 試驗材料

本研究選取魯花11號花生仁作為試驗材料。試驗時間為2016年3月，試驗地點為農業部南京農業機械化研究所智能裝備重點實驗室。

2.2 試驗裝置與儀器

試驗裝置包括美亞光電6SXZ-180F色選機（整機質量940 kg，3個進料通道，180個執行單元，功率1.8 kW）、安慶佰聯公司WW-3.0/10型無油空氣壓縮機（3.0 m3/min）、05 m3儲氣罐。試驗主要儀器包括常熟TC10KB電子秤（量程10 kg，精度1 g）、日本TRH-DM3溫濕度記錄儀（溫度精度±0.6 ℃，濕度精度±1%）。

2.3 試驗參數與方法

試驗分別測定花生色選機不同工作參數下色選精度Y1、帶出比Y2等參數作為花生色選機的性能評價指標，且只使用第1通道對花生仁進行分選。

在單因素試驗研究的基礎上，選用3因素3水平二次回歸正交試驗設計方案，依據中心組合設計理論[17-18]，以色選精度Y1、帶出比Y2等參數作為評價指標，對供料量X1、吹氣時間X2、靈敏度X3等因素開展響應面研究。試驗因素與水平如表1所示。

供料量與色選機進料裝置中的振動器工作參數設置有關。色選機的控制系統供料量的調節范圍為0～100，數值越大，振動器振動頻率越高，供料速度越快；吹氣時間的調節范圍為0～10 ms；靈敏度的調節范圍為0～200，數值越大，剔除的不良品越多，靈敏度為200時，所有物料都被剔除。

色選精度是指含有異色顆粒的被選物料經過色選后，其正常物料顆粒的含量，%。花生色選機工作完成后，從成品收集口接料，記錄花生仁正品質量和成品物料總質量，按式（1）計算其色選精度，重復3次取均值作為試驗數據。

式中：q為色選精度；m1為花生仁正品質量，g；m2為成品物料總質量，g。

色選帶出比是指物料經色選后，其剔除物中的異色顆粒數量與帶出的正品物料顆粒數量之比。花生色選機工作完成后，從廢料口接料，記錄花生仁不良品和正品數目，按式（2）計算其帶出比，重復3次取均值作為試驗數據。

p=Nn。

式中：p為帶出比；N為花生仁不良品數目；n為花生仁正品數目。為了方便計算，本研究所計算使用帶出比的比值（a ∶ 1）用單個數值a表示。

2.4 數據分析與處理

試驗數據采用Design-Expert 8.0.6軟件（Stat-Ease Inc.，USA）進行帶出比與色選精度二次多項式回歸分析，并利用響應面分析法對各因素相關性和交互效應的影響規律進行分析研究。endprint

3 結果與分析

3.1 試驗結果

依據Box-Behnken試驗原理設計3因素3水平分析試驗，共17個試驗點，其中包括5個零點。試驗方案與結果如表2所示。

3.2 回歸模型建立與顯著性分析

針對表2中的樣本數據，使用Design-Expert 8.0.6試驗設計軟件開展多元回歸擬合分析，建立色選精度Y1、帶出比Y2對供料量X1、吹氣時間X2、靈敏度X3等3個自變量的二次多項式響應面回歸模型，如式（3）、（4）所示，并對回歸方程進行方差分析，結果如表3所示。

式中：X1為供料量；X2為吹氣時間，ms；X3為靈敏度；Y1為色選精度，%；Y2為帶出比。

通過表3分析結果可知，色選精度Y1、帶出比Y2的響應面模型的P值均小于0.01，表明2個模型顯著性極好；其失擬項的P值分別為0.061 0、0.056 3， 均大于0.05，表明3個

模型在試驗參數范圍內，擬合程度高；其確定系數R2值分別為0.995 9、0.956 9，表明95%以上的響應值均可以由這2個模型解釋。因此，該模型可以預測與分析花生色選機工作參數。

同時，色選精度Y1響應面模型中的X1、X2、X3、X1X2、X22、X32對模型影響極顯著，X12對模型影響顯著；帶出比Y2響應面模型中的X2對模型影響極顯著，X3、X12、X32對模型影響顯著。在保證模型P0.05的基礎上，提出對模型影響不顯著的其他回歸項，對回歸模型進行優化，如式（5）、（6）所示。

3.3 各單因素對帶出比的影響效應分析

各單因素對模型Y的重要性可通過貢獻率K值進行比較，貢獻率K值的計算如式（7）、（8）所示，各因素對色選精度貢獻率大小順序為吹氣時間X2>靈敏度X3>供料量X1；各因素對帶出比貢獻率大小順序為供料量X1>靈敏度X3>吹氣時間X2，分析結果如表4所示。

式中：F為回歸方程中各回歸項的F值；δ值為回歸項對F值的考核值；K值為各回歸項貢獻率。

3.4 交互因素對性能影響規律分析

根據回歸方程分析結果，考察供料量X1、吹氣時間X2、靈敏度X3交互因素對色選精度Y1、帶出比Y2性能指標的影響，并利用Design-Expert 8.0.6軟件繪制響應面圖。

3.4.1 交互因素對色選精度影響規律分析 圖1-a為靈敏

度X3位于中心水平（70）時，供料量X1與吹氣時間X2對色選精度Y1交互作用的響應面圖，從圖1-a可以看出，延長吹氣時間和減少供料量有利于提高色選精度；圖1-b為吹氣時間X2位于中心水平（2.5 ms）時，供料量X1與靈敏度X3對色選精度交互作用的響應面圖，從圖1-b可以看出，減少供料量和提高靈敏度有利于提高色選精度；圖1-c為供料量X1位于中心水平（70）時，吹氣時間X2與靈敏度X3對色選精度交互作用的響應面圖，從圖1-c可以看出，延長吹氣時間和提高靈敏度有利于提高色選精度。

此外在圖1中可以得知，響應面變化規律與表3分析計算結果及模型（5）吻合，總體的影響趨勢為供料量越少、吹氣時間越長、靈敏度越大，則色選精度越高。其主要原因為：當供料量減少時，花生在滑槽形成的物料流均勻度提高了，最終提高色選精度；當吹氣時間延長時，在合適的吹氣時間范圍內產生足夠大的空氣壓力將花生不良品準確地吹出，提高色選精度；當靈敏度越大時，色選算法對花生不良品的識別越精確，則色選精度越高。

3.4.2 交互因素對帶出比影響規律分析 圖2-a為靈敏度X3位于中心水平（70）時，供料量X1與吹氣時間X2對帶出比Y2交互作用的響應面圖，從圖2-a可以看出，減小供料量和延長吹氣時間有利于增大帶出比；圖2-b為吹氣時間X2位于中心水平（2.5 ms）時，供料量X1與靈敏度X3對帶出比交互作用的響應面圖，從圖2-b可以看出，減少供料量和提高靈敏度有利于增大帶出比；圖2-c為供料量X1位于中心水平（40）時，吹氣時間X2與靈敏度X3對帶出比交互作用的響應面圖，從圖2-c可以看出，延長吹氣時間和提高靈敏度有利于增大帶出比。

此外在圖2中可以得知，響應面變化規律與表3分析計算結果及模型（6）吻合，總體的影響趨勢為供料量越少、吹氣

時間越長、靈敏度越高，則帶出比越大。其主要原因為當供料量減少時，減少了對正常花生的誤選，增大帶出比；當吹氣時間延長時，色選算法識別出的花生不良品被吹出的精準度提高，從而增大帶出比；當靈敏度越高時，色選精度越高，帶出比越大。

4 參數優化與驗證試驗

4.1 參數優化

為了達到較好的色選效果及經濟效益，就必須要求色選精度高、帶出比大。通過響應面分析目標參數可知，要得到較高的色選精度，就必須要求吹氣時間長、靈敏度高；要達到較大的帶出比，就必須要求供料量少，靈敏度高。由于各因素對目標參數影響不一致，因此必須綜合考慮。

本研究針對色選精度高、帶出比大的色選作業要求，進行花生色選機工作參數優化。其目標函數為：Y1→Y1max，Y2→Y2max；約束條件為：Yj>0，-1≤Xj≤1，其中j=1，2，3。采用Design-Expert 8.0.6軟件對各參數進行優化求解，得到各因素最優工作參數，當供料量為-0.367（36.33）、吹氣時間為+1（3 ms）、靈敏度為+0.556（75.56）時，色選精度為9805%、帶出比為14.92。

4.2 試驗驗證

為了驗證模型的可靠性，采用上述參數進行試驗（圖3）。

考慮試驗的可行性，將供料量修正為36，吹氣時間仍為 3 ms，靈敏度修正為76，在此優化方案下進行試驗，重復3次，結果如表5所示。

由表5可知，各性能指標試驗值與理論優化值均比較吻合，相對誤差均小于2%，因此參數優化模型可靠。在花生色選機作業時，采用該優化組合參數，即供料量36，吹氣時間為3 ms，靈敏度76。endprint

5 結論

采用Design-Expert 8.0.6軟件對供料量、吹氣時間、靈敏度對色選精度、帶出比的影響進行分析，建立優化模型，并通過試驗對模型和優化結果進行準確性驗證，其相對誤差均小于6%，表明模型可靠性高。

花生色選機各因素對色選精度影響顯著，從大到小的順序依次為吹氣時間、靈敏度、供料量；各因素對帶出比影響顯著，從大到小的順序依次為供料量、靈敏度、吹氣時間。

花生色選機最優工作參數組合為供料量36，吹氣時間為3 ms，靈敏度76。性能試驗結果為：色選精度97.54%、帶出比14.66。

試驗對象僅為魯花11號花生仁，可在不同花生瓶中條件下對色選性能作深入探討。本試驗可為花生色選技術的進一步研究提供理論基礎與科學依據，并可為完善花生色選機的工作參數優化提供參考。

參考文獻：

[1]花生的營養價值與產業前景[J]. 食品工業科技，2005（1）：16-17.

[2]張 峰，李魁英，王學清，等. 不同品種花生秧營養價值分析[J]. 河北農業科學，2010，14（7）：72-73.

[3]華 娣，秦 劍，史 呂. 花生水解蛋白營養價值的研究[J]. 中國油脂，2010，35（11）：28-32.

[4]李雅麗，孫 靜，劉 陽. 花生霉變程度判定指標研究[J]. 食品科技，2013，38（9）：309-313.

[5]王葉群，楊增玲，張紹英，等. 用于污染黃曲霉毒素花生分選的熒光信號研究[J]. 農業工程學報，2016，32（1）：187-192.

[6]丁 勇，廖萬有. 茶葉色選機的技術特性與應用[J]. 茶葉，2009，35（1）：33-36.

[7]韓仲志，劉 竟，楊錦忠. 花生籽仁感官品質鑒定中的計算機色選機制研究[J]. 花生學報，2009，38（2）：15-19.

[8]王志健，王勤海. 關于色選機性能與質量的評價[J]. 西部糧油科技，2003，28（2）：12-14.

[9]余淑華，劉艷麗，王世璞，等. 脫絨棉種色選機雙CCD檢測系統設計與仿真分析[J]. 農業機械學報，2015，46（9）：55-61.

[10]孫小麗，坎 雜，李景彬，等. 5XS系列脫絨棉種色選機參數優化試驗[J]. 農業工程學報，2010，26（增刊1）：42-45.

[11]諶 東. 大米色選機視覺系統實驗研究[D].哈爾濱：哈爾濱工程大學，2008.

[12]姚惠源，方 輝. 色選技術在糧食和農產品精加工領域的應用及發展趨勢[J]. 糧食與食品工業，2011，18（2）：4-6.

[13]陳 紅，丁幼春，熊利榮.無損檢測技術在花生品質檢測中的應用[J]. 糧油加工與食品機械，2005（2）：53-55.

[14]李雅麗，劉 陽. 霉變花生光電分選技術應用現狀及發展趨勢[J]. 農業機械，2012（12）：50-53.

[15]王 杭. 大米色選機及色選工藝的發展[J]. 糧食與飼料工業，2011（8）：1-2，6.

[16]喬艷芳，李 馨，孫 鵬. 食品光電色選技術裝備設計及應用[J]. 農機化研究，2005（2）：118-119.

[17]丁素明，薛新宇，方金豹，等. 手持式風送授粉機工作參數優化與試驗[J]. 農業工程學報，2015，31（8）：68-75.

[18]丁素明，薛新宇，蔡 晨，等. 梨樹枝條切割裝置刀片參數優化與試驗[J]. 農業工程學報，2015，31（增刊2）：75-82.王紅君，徐 軍，趙 輝，等. 基于勢場蟻群算法的溫室機器人路徑規劃[J]. 江蘇農業科學，2017，45（18）：222-225.endprint