小麥?zhǔn)崭顧C(jī)割臺(tái)結(jié)構(gòu)可靠性優(yōu)化設(shè)計(jì)——基于改進(jìn)粒子群算法

梁 明

(吉林工商學(xué)院，長(zhǎng)春 130507)

?

小麥?zhǔn)崭顧C(jī)割臺(tái)結(jié)構(gòu)可靠性優(yōu)化設(shè)計(jì)
——基于改進(jìn)粒子群算法

梁 明

(吉林工商學(xué)院，長(zhǎng)春 130507)

為了實(shí)現(xiàn)小麥聯(lián)合收割機(jī)割臺(tái)結(jié)構(gòu)的優(yōu)化設(shè)計(jì)，將粒子群算法引入到了可靠性計(jì)算中，并提出了一種基于改進(jìn)的粒子群算法的割臺(tái)可靠性優(yōu)化方法。針對(duì)基本粒子群算法的早熟問(wèn)題，運(yùn)用混沌優(yōu)化與粒子群優(yōu)化的搜索特性，將結(jié)構(gòu)的動(dòng)態(tài)可靠度區(qū)域收縮，提高了算法的可靠性。建立了割臺(tái)最小截面積、質(zhì)量和可靠度的計(jì)算模型，利用Pro/E軟件對(duì)模型進(jìn)行了虛擬仿真，并采用MatLab編程實(shí)現(xiàn)了改進(jìn)后的粒子群算法。由虛擬仿真和迭代計(jì)算的結(jié)果可以看出：對(duì)粒子群算法進(jìn)行改進(jìn)后，其收斂性較好，在可靠度滿足設(shè)計(jì)要求的情況下，截面積和質(zhì)量都有所下降，節(jié)約了加工材料。

小麥?zhǔn)崭顧C(jī)；粒子群算法；混沌算法；虛擬仿真

0 引言

聯(lián)合收割機(jī)能夠有效地降低勞動(dòng)強(qiáng)度，提高生產(chǎn)效率，對(duì)于農(nóng)時(shí)的把握和促進(jìn)增收增產(chǎn)具有重要作用。割臺(tái)是聯(lián)合收割機(jī)設(shè)計(jì)的技術(shù)難點(diǎn)之一，其結(jié)構(gòu)較為復(fù)雜，也是故障發(fā)生比較多的部位。基于粒子群算法的優(yōu)化設(shè)計(jì)屬于新興的智能計(jì)算方法，主要是根據(jù)鳥群尋找事物的行為提出的，具有較好的收斂性，算法本身也較為容易實(shí)現(xiàn)；但傳統(tǒng)的粒子群算法有早熟的問(wèn)題，因此需要對(duì)其進(jìn)行改進(jìn)，提高粒子群的全局搜索及算法的效率。為了實(shí)現(xiàn)小麥聯(lián)合收割機(jī)割臺(tái)的優(yōu)化，將粒子群算法引入到可靠性計(jì)算中，并對(duì)算法進(jìn)行優(yōu)化，具有重要的理論意義和應(yīng)用價(jià)值。

1 基于粒子群的收割機(jī)割臺(tái)可靠性優(yōu)化

割臺(tái)主要由括拔禾機(jī)構(gòu)、切割機(jī)構(gòu)、輸送機(jī)構(gòu)和割臺(tái)框架組成，主要功能是實(shí)現(xiàn)割禾功能，然后把割好的谷物輸送到輸送槽。割臺(tái)是半喂入聯(lián)合收割機(jī)的技術(shù)難點(diǎn)之一，其結(jié)構(gòu)較為復(fù)雜，也是故障發(fā)生比較多的部位。常見的臥式割臺(tái)如圖1所示。

這種割臺(tái)利用割刀將作物割斷，通過(guò)拔禾輪把谷物推倒到割臺(tái)上，由攪龍輸送給輸送槽。這種割臺(tái)的使用時(shí)間不長(zhǎng)，目前是全喂入類型聯(lián)合收割機(jī)的主要割臺(tái)形式，其特點(diǎn)是適應(yīng)性好，割幅無(wú)論大小都可以用，工作可靠性較高；但其結(jié)構(gòu)復(fù)雜，割臺(tái)的質(zhì)量較大。較為常用的立式割臺(tái)如圖2所示。

圖1 帶攪龍輸送器的臥式割臺(tái)

圖2 立式割臺(tái)結(jié)構(gòu)示意圖

與臥式割臺(tái)的結(jié)構(gòu)不同，立式割臺(tái)的割刀將谷物切斷后，靠機(jī)組的速度借助未割谷物的擠壓作用，使谷物在割臺(tái)上保持直立，達(dá)到輸送的目的。由于割臺(tái)割刀谷物是直立輸送，因此使割臺(tái)的尺寸有了較大程度的縮減，質(zhì)量較小，因此成為當(dāng)前收割機(jī)主要應(yīng)用的割臺(tái)。本文對(duì)立式割臺(tái)進(jìn)行了優(yōu)化設(shè)計(jì)，優(yōu)化過(guò)程使用粒子群算法，其流程如圖3所示。

圖3 粒子群算法流程圖

圖3中，首先確定隨機(jī)初始化參數(shù)，然后更新粒子群中粒子的速度和位置，計(jì)算粒子的適應(yīng)值，調(diào)整個(gè)體極限的全局極值；如果滿足設(shè)計(jì)標(biāo)準(zhǔn)，則停止迭代計(jì)算，輸出結(jié)果。為了進(jìn)一步提高粒子群優(yōu)化算法的可靠性，對(duì)粒子群進(jìn)行了改進(jìn)，其流程如圖4所示。

圖4 基于改進(jìn)粒子群算法的結(jié)構(gòu)可靠性優(yōu)化流程圖

在粒子群算法中，為了避免迭代計(jì)算的早熟，使用混沌算法將結(jié)構(gòu)搜索區(qū)域收縮，對(duì)局部結(jié)構(gòu)進(jìn)行優(yōu)化，最終對(duì)整體結(jié)構(gòu)的可靠性實(shí)現(xiàn)優(yōu)化。

2 基于改進(jìn)的粒子群結(jié)構(gòu)優(yōu)化數(shù)學(xué)模型

小麥?zhǔn)崭顧C(jī)割臺(tái)結(jié)構(gòu)的優(yōu)化是相對(duì)復(fù)雜和困難的，使用不同的算法計(jì)算的收斂性不容易判斷，因此在優(yōu)化計(jì)算之前需要選定合適的收斂準(zhǔn)則。對(duì)于收割機(jī)割臺(tái)的可靠性計(jì)算，收斂準(zhǔn)則主要包括面積優(yōu)化、可靠度優(yōu)化和質(zhì)量?jī)?yōu)化，其收斂表達(dá)式分別為

(1)

(2)

(3)

其中，Ai、βi、Mi分別表示面積優(yōu)化、可靠度優(yōu)化和質(zhì)量?jī)?yōu)化值，ε1、ε2、ε3表示小于1的規(guī)定數(shù)值。在粒子群算法中，割臺(tái)面積、可靠度和質(zhì)量?jī)?yōu)化都被抽象成沒(méi)有體積的粒子。假設(shè)粒子群粒子的個(gè)數(shù)為m，在D維空間里，第i個(gè)粒子的位置和速度矢量分別為zi=(zi1,zi2,...,zid,...,ziD)和vi=(vi1,vi2,...,vid,...viD)；每個(gè)粒子的適應(yīng)值z(mì)i由適應(yīng)函數(shù)fitness(zi)求得，從而可以衡量粒子位置的優(yōu)劣性。假設(shè)pi=(pi1,pi2,...,pid,...,piD)表示在某一迭代步粒子搜索的最佳位置，pg=(pg1,pg2,...,pgd,...,pgD)表示整個(gè)粒子群搜索的最佳位置。

在粒子群優(yōu)化計(jì)算的過(guò)程中，粒子通過(guò)隨機(jī)初始化在解析空間內(nèi)利用迭代搜索最優(yōu)解，在每一次迭代計(jì)算中，粒子可以根據(jù)以上公式對(duì)自身的位置和速度進(jìn)行更新，則

(4)

(5)

(6)

其中，yn為混沌變量；μ為控制參數(shù)；n為混沌優(yōu)化的迭代參數(shù)；k為混沌粒子群優(yōu)化迭代次數(shù)。當(dāng)μ∈[3.25,4.28]時(shí)，此Logistic方程為一個(gè)混沌系統(tǒng)。為防止某些粒子在迭代中出現(xiàn)停滯，發(fā)生早熟，使用混沌算法對(duì)粒子群算法進(jìn)行局部搜索。為了保持種群的多樣性和分散性，使用改進(jìn)后的粒子群算法保留一定的優(yōu)秀粒子，其步驟為：

1)對(duì)粒子群進(jìn)行初始化。

2)利用粒子群算法更新粒子的速度和位置，對(duì)粒子的目標(biāo)函數(shù)值進(jìn)行求解，并保留粒子群中性能較好的粒子。

3)將粒子群的最優(yōu)位置映射到Logistic方程中，在定義域[0,1]上，進(jìn)行迭代計(jì)算，公式為

(7)

(8)

將混沌序列逆映射回原空間，其公式為

(9)

通過(guò)逆映射可以得到混沌變量的可行序列為

(10)

7)對(duì)空間搜索區(qū)域進(jìn)行收縮，收縮后隨機(jī)產(chǎn)生群體中剩余80%的粒子，然后轉(zhuǎn)回步驟2)。空間搜索的收縮公式為

(11)

通過(guò)以上步驟，便可以利用改進(jìn)后的粒子群算法，通過(guò)計(jì)算得到優(yōu)化后的小麥?zhǔn)崭顧C(jī)割臺(tái)的面積、可靠性和質(zhì)量參數(shù)。

3 割臺(tái)性能優(yōu)化仿真實(shí)驗(yàn)

為了驗(yàn)證算法的有效性，利用Pro/E軟件建立了收割機(jī)割臺(tái)的虛擬樣機(jī)，通過(guò)虛擬仿真驗(yàn)證結(jié)果的準(zhǔn)確性和可靠性，建立的模型為優(yōu)化計(jì)算后的模型，如圖5所示。

圖5 收割機(jī)割臺(tái)部分裝配圖

在機(jī)構(gòu)的裝配中，桿件直接利用銷釘進(jìn)行連接，刀片是運(yùn)動(dòng)的，因此采用滑動(dòng)桿進(jìn)行連接，套筒與滑塊的內(nèi)部為3D球接觸方式。對(duì)割臺(tái)添加驅(qū)動(dòng)部分的示意圖如圖6所示。

圖6 機(jī)構(gòu)仿真與特征測(cè)值測(cè)量

在機(jī)構(gòu)模塊中可以定義伺服電機(jī)，并設(shè)定曲柄的轉(zhuǎn)速，然后進(jìn)入分析定義界面，對(duì)結(jié)構(gòu)進(jìn)行運(yùn)動(dòng)學(xué)分析；設(shè)定運(yùn)動(dòng)終止的時(shí)間為18s，最后點(diǎn)擊運(yùn)行按鈕，便可以對(duì)各個(gè)特征量進(jìn)行測(cè)量。通過(guò)特征測(cè)量，可以得到不同優(yōu)化后割刀面積時(shí)的割刀受力，然后對(duì)結(jié)構(gòu)的可靠性再進(jìn)行粒子群算法優(yōu)化設(shè)計(jì)，從而得到最佳的割刀面積。

將改進(jìn)后的粒子群算法用于割臺(tái)結(jié)構(gòu)的可靠性計(jì)算，可以通過(guò)MatLab軟件編程實(shí)現(xiàn)。為了對(duì)比粒子群和改進(jìn)后的粒子群算法的不同效果，在相同的參數(shù)條件下，利用兩種算法分別對(duì)結(jié)構(gòu)進(jìn)行了5次優(yōu)化，最終得到了如圖7、圖8所示的結(jié)果。

圖7 基于粒子群算法的可靠性優(yōu)化收斂曲線

圖8 基于改進(jìn)后粒子群算法的可靠性優(yōu)化收斂曲線

圖7中：1～5曲線分別表示通過(guò)第1～5次優(yōu)化得到的收斂結(jié)果；在粒子群算法作用下，可靠性早起的收斂速度較快，但后期收斂速度減慢，使計(jì)算陷入早熟，從而導(dǎo)致收斂結(jié)果較差。由圖8可以看出：利用混沌粒子群算法，可以仿真一些粒子在計(jì)算過(guò)程中出現(xiàn)早熟，使收斂速度較慢；但搜索范圍較廣泛，最終可以得到較理想的優(yōu)化效果。

表1為采用粒子群算法和改進(jìn)后的粒子群算法對(duì)割臺(tái)框架進(jìn)行優(yōu)化最終得到的優(yōu)化結(jié)果。由表1可以看出：改進(jìn)后的粒子群算法結(jié)構(gòu)的可靠性要明顯高于粒子群算法，在系統(tǒng)可靠度滿足設(shè)計(jì)要求的情況下，優(yōu)化了結(jié)構(gòu)的截面積，使割臺(tái)的總體質(zhì)量有所下降，節(jié)約了制造材料。

表1 割臺(tái)框架優(yōu)化結(jié)果表

4 結(jié)論

在小麥聯(lián)合收割機(jī)割臺(tái)的可靠性優(yōu)化設(shè)計(jì)中，引入了粒子群優(yōu)化算法，并使用混沌算法對(duì)其進(jìn)行了優(yōu)化改進(jìn)，從而縮小了可靠度搜索區(qū)域，提高了算法的效率和可靠性。采用Pro/E建模仿真和MatLab數(shù)值計(jì)算的方法，對(duì)割臺(tái)結(jié)構(gòu)進(jìn)行了優(yōu)化設(shè)計(jì)，并建立了質(zhì)量、截面積和可靠性優(yōu)化的三維割臺(tái)模型，通過(guò)編程實(shí)現(xiàn)了改進(jìn)后的粒子群優(yōu)化算法。由計(jì)算結(jié)果可以看出：改進(jìn)后的粒子群算法的計(jì)算效果明顯優(yōu)于傳統(tǒng)算法，其計(jì)算得到的割臺(tái)質(zhì)量和截面積也有了較大的改善，實(shí)現(xiàn)了割臺(tái)可靠度真正意義上的優(yōu)化設(shè)計(jì)。

[1] 金一粟,周永華,梁逸曾.改進(jìn)粒子群優(yōu)化算法對(duì)反應(yīng)動(dòng)力學(xué)參數(shù)的估計(jì)[J].中南大學(xué)學(xué)報(bào),2008, 39(4):694-699.

[2] 張義民,劉仁云,于繁華.基于計(jì)算智能技術(shù)的結(jié)構(gòu)系統(tǒng)可靠性優(yōu)化設(shè)計(jì)[J].工程力學(xué),2007,24(8):27-31.

[3] 劉仁云,張義民,劉巧伶.基于多目標(biāo)優(yōu)化策略的結(jié)構(gòu)可靠性穩(wěn)健設(shè)計(jì)[J].應(yīng)用力學(xué)學(xué)報(bào),2007,24(3): 267-271.

[4] 于穎,李永生,於孝春.粒子群算法在工程優(yōu)化設(shè)計(jì)中的應(yīng)用[J].機(jī)械工程學(xué)報(bào),2008,44(12):226-231.

[5] 張浩,張鐵男,沈繼紅,等.Tent混沌粒子群算法及其在結(jié)構(gòu)優(yōu)化決策中的應(yīng)用[J].控制與決策,2008, 23(8):857-862.

[6] 邵光信,亞海斌,朱繩武.基于GA和PNET的一種可靠度計(jì)算新方法[J].金屬礦山,2002(8):51-53.

[7] 倪軍,毛罕平,程秀花.脫粒滾筒自調(diào)整模糊控制及VLSI實(shí)現(xiàn)技術(shù)[J].農(nóng)業(yè)工程學(xué)報(bào),2010(4):134-138.

[8] 秦云,趙德安,李發(fā)忠.基于RBF網(wǎng)絡(luò)的聯(lián)合收獲機(jī)脫粒滾筒恒速控制[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2009(11):59-63.

[9] 金誠(chéng)謙,吳崇友.油菜收獲技術(shù)基礎(chǔ)研究現(xiàn)狀與展望[J].農(nóng)機(jī)化研究,2010,32(1):5-9.

[10] 周良墉.介紹三種全喂入式稻麥油菜聯(lián)合收割機(jī)[J].農(nóng)家顧問(wèn),2010(6):55-56.

[11] 周良墉.星光至尊4LL-2.0D型全喂入履帶收割機(jī)[J].現(xiàn)代農(nóng)機(jī),2011(6):41.

[12] 張敏,吳崇友,盧晏,等.油菜分段收獲脫粒分離功率消耗試驗(yàn)研究[J].中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào),2010,15(4): 120-123.

[13] 吳崇友,丁為民,張敏,等.油菜分段收獲脫粒清選試驗(yàn)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2010,41(8):72-76.

[14] 李耀明,李洪昌,徐立章.短紋桿-板齒與釘齒脫粒滾筒的脫粒對(duì)比試驗(yàn)研究[J].農(nóng)業(yè)工程學(xué)報(bào),2008, 24(3):139-142.

[15] 王顯仁,李耀明.脫粒原理與脫粒過(guò)程的研究現(xiàn)狀與趨勢(shì)[J]. 農(nóng)機(jī)化研究,2010,32(1):218-221.

[16] 劉德軍,趙秀榮,高連興,等.不同收獲方式含水率對(duì)油菜收獲物流損失的影響[J].農(nóng)業(yè)工程學(xué)報(bào),2011, 27(10):339-342.

[17] 宗望遠(yuǎn),廖慶喜,陳立,等.完熟期油菜果莢不同脫粒方式的脫粒效果[J]. 農(nóng)業(yè)工程學(xué)報(bào),2012,28(9): 29-34.

[18] 郝金魁,高清海,信占瑩.聯(lián)合收獲機(jī)工作部件控制系統(tǒng)設(shè)計(jì)[J].中國(guó)農(nóng)機(jī)化,2011(1):104-106.

[19] 姬江濤,王榮先,符麗君.聯(lián)合收獲機(jī)喂入量灰色預(yù)測(cè)模糊 PID 控制[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2008,39(3):63-66.

[20] 李耀明,周金枝,徐立章,等.縱軸流脫粒分離裝置功耗分析與試驗(yàn)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2011,42(6):93-97.

[21] 李媛媛,孫曙光,林愛(ài)琴.凹板間隙對(duì)谷物聯(lián)合收割機(jī)作業(yè)性能影響的試驗(yàn)研究[J].裝備制造技術(shù),2009 (3):22-23.

[22] 盧文濤,劉寶,張東興.谷物聯(lián)合收獲機(jī)喂入量建模與試驗(yàn)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2011(11):82-85.

Optimization Design for Structure Reliability of Cutting Table Wheat Harvester Based on Improved Particle Swarm Optimization Algorithm

Liang Ming

(Jilin Business and Technology College, Changchun 130507, China)

In order to realize the optimization design of cutting table structure of wheat combine, the particle swarm optimization algorithm is introduced into the reliability calculation, and it proposed an improved particle swarm optimization method based on improved particle swarm optimization algorithm. In the light of the problem of premature convergence of basic particle swarm optimization, the dynamic reliability of the structure is contracted and the reliability of the algorithm is improved by using chaos optimization and particle swarm optimization. In the model, the model is built by Pro/E software to simulate the model, and the improved particle swarm algorithm is realized by MATLAB. By the results of virtual simulation and the results of the iterative calculation, the convergence of the PSO algorithm is better, and the quality of the cutting area and the quality are reduced.

wheat harvester; particle swarm optimization algorithm; chaos algorithm; virtual simulation

2015-12-11

吉林省教育廳項(xiàng)目([2015]426)

梁 明(1979-)，男，吉林雙遼人，講師，(E-mail)liangming1979@qq.com。

S225.3

A

1003-188X(2017)02-0052-05