馬鈴薯收獲機挖掘裝置智能設計系統與評價方法研究

王鳳花 熊海輝 賴慶輝 劉志迎 陳可凡 魯超宇

(昆明理工大學農業與食品學院， 昆明 650500)

0 引言

目前，云南省馬鈴薯收獲機械化技術非常落后[1]，而農機企業的研發存在仿制多、創新少、產品投放上市慢、產品競爭力差等問題[2]。在傳統研發模式下新產品開發難以對設計知識進行高效獲取和重用[3]，且馬鈴薯收獲機種類繁多、專業知識龐雜，設計人員進行產品設計時往往需要花費大量時間來收集設計知識，大大延長了產品的研發周期，影響了產品的設計效率。挖掘裝置作為馬鈴薯收獲機的關鍵部件，其挖掘性能直接影響馬鈴薯收獲機的整機性能。目前挖掘裝置已取得了較多成果[4-8]。利用先進的設計方法支持農機裝備研發過程，開發基于知識工程的馬鈴薯收獲機挖掘裝置的智能設計系統，不僅可以對前人的設計知識進行高效獲取和重用、提高研發質量，還可以縮短研發周期、提高設計效率。

近年來，國內外基于知識工程(KBE)的智能設計方法在先進制造領域已有廣泛應用[9-13]。在農業機械領域，李文斌等[14]將設計知識庫、推理機、參數化模型庫和人機交互界面融為一體，構建了稻麥聯合收獲機脫粒裝置智能化設計平臺，實現了脫粒裝置的智能化設計。劉宏新等[15]應用裝備譜系及譜系拓撲圖形式將聯合收獲機知識進行層次化組織，解決了設計時難以高效獲取并應用聯合收獲機設計知識的問題，提高了設計效率。杜岳峰等[16]根據剝皮裝置結構特征、技術參數和性能評價指標之間的關系，提出了基于知識工程的玉米果穗剝皮裝置設計方法，并建立了剝皮裝置工作性能評價模型，有效提高了設計效率。農機裝備種類繁多、作業環境復雜和工況多變、使用季節性強，其智能化設計是一個知識密集的復雜過程，涉及多個領域[17]。目前，農機裝備的智能設計與先進制造業相比仍存在較大的差距，而針對馬鈴薯收獲機及其關鍵部件的相關研究則更少。

本文以Visual Studio為開發平臺，利用VB.NET語言并結合MySQL數據庫對SolidWorks進行二次開發，對設計知識庫、知識管理系統、推理機、參數化模型庫和評價體系進行整合，創建友好人機交互界面，構建馬鈴薯收獲機挖掘裝置智能設計系統，以期解決馬鈴薯收獲機挖掘裝置設計效率低、設計知識難以高效獲取和運用的問題。

1 挖掘裝置智能設計系統框架

智能設計系統由知識庫構建模塊、推理機模塊、設計方案生成模塊、參數化建模模塊和系統評價分析模塊5部分組成，當用戶輸入設計參數后，經推理機的推理生成參數化設計方案，經參數化建模后生成模型實例，實例模型經評價分析后，滿足設計要求則向用戶輸出模型，不滿足設計要求則返回重新生成設計方案，系統總體框架如圖1所示。

2 設計知識及知識庫構建

2.1 設計知識及設計規則

挖掘裝置的設計知識主要來源于學位論文、專業文獻、農業機械設計手冊、產品圖冊、國家行業標準和領域專家知識等。在對挖掘裝置的相關設計知識進行分析后，明確挖掘鏟是挖掘裝置的主要設計目標。故對挖掘鏟進行參數化設計，而調整裝置、連接活板等部件則采用從動匹配設計。如挖掘鏟結構圖(圖2)所示，挖掘鏟的主要設計參數為：鏟刃傾角γ、鏟面傾角α、鏟長度L和鏟幅寬S1等。

2.1.1鏟刃傾角γ

鏟刃傾角的作用是保證鏟刃在克服挖掘阻力的同時，仍具有較好的自潔功能，鏟刃傾角γ應滿足

γ<90°-φ

(1)

式中φ——土壤對鋼的摩擦角，取30°～36°

由摩擦定律可知，鏟刃傾角γ越小，鏟刃的切土能力越強，但γ過小時，容易損傷薯塊，故γ一般取40°～50°。

2.1.2鏟面傾角α

鏟面傾角α的作用是保證鏟體將土壟切開的同時，能順利將薯土混合物往后端輸送。一般α越小，鏟體的挖掘阻力越小。對薯土混合物在鏟面上的受力進行平衡分析，可得

(2)

推導化簡可得

(3)

其中

μ1=tanφ

式中P——在鏟面上移動掘起物所需的力，N

μ1——土壤對挖掘鏟的摩擦因數

m——掘起物質量，kg

g——重力加速度，m/s2

R——鏟體對土壤的反作用力，N

G——掘起物重力，N

T——鏟體對土壤沿鏟面滑動的反作用力，N

為了使挖掘鏟后端離地面既有足夠的高度h，又能保證挖掘鏟對土壟的切削性能，將鏟面分成兩段，前端鏟面傾角α1為10°～15°，后端鏟面傾角α2為16°～24°。

2.1.3鏟長度L

挖掘鏟的單鏟主要由前段鏟體和后段土壟破碎板組成，前段鏟體長度L1與確定后的鏟面傾角α以及平均挖掘深度h1(14～18 cm)有關，計算公式為

(4)

而后段土壟破碎板的長度L2可由能量守恒定律計算，設掘起物在挖掘鏟鏟面上以挖掘裝置前進速度v0為初速度從點A運動到點B，則薯土混合物在點B時所具有的動能為

(5)

當掘起物沿著鏟面繼續前進到點C時，處于相對靜止狀態(vc=0)，此時土壤開始膨脹、堆積，松散的土壤開始向鏟的兩側散開，隨著土壤的散落，馬鈴薯塊莖逐漸顯露在鏟面上。掘起物在點B上具有的動能全部用于克服BC段(即L2)的摩擦功Wf和將掘起物提升了h2的重力勢能Wg。則有

Wf=RtanφL2=mgL2tanφcosα

(6)

Wg=mgh2=mgL2sinα

(7)

式中h2——挖掘鏟后段高度，mm

掘起物在鏟面BC段的能量守恒方程為

(8)

化簡得

(9)

則鏟體的總長度L為

(10)

2.1.4鏟幅寬S1

根據經驗，挖掘鏟的幅寬與馬鈴薯塊莖地下分布寬度、株行距和收獲機工作行駛的偏差等有關[18]。為了保證壟內的薯土混合物都被掘起，挖掘鏟的設計幅寬應略大于壟地幅寬，幅寬S1的計算公式為

S1=M+B+3σ+2c

(11)

(12)

式中M——平均行距，mm

B——薯塊平均分布寬度，mm

c——機器行駛偏差，一般取50～80 mm

σ——綜合標準差，mm

σM——行距標準差，mm

σb——薯塊分布寬度標準差，mm

上述挖掘鏟的設計規則是智能設計系統輸出設計參數的主要推導依據，也是挖掘鏟實現參數化建模的基礎。

2.2 設計知識表示和存儲

2.2.1設計知識表示

挖掘裝置的設計知識繁雜，需通過產生式規則、框架式以及混合式的知識表示法將設計知識形式化和數字化，轉換成計算機能夠讀取和調用的數據類型。

(1)產生式規則表示法

產生式規則表示法主要用于表達設計公式、選型方法、參數變化及力學理論公式等規則類知識。產生式規則表示法的形式為：“IfAthenB，即如果A成立則B成立”，簡化為“A→B”。例如，表1為挖掘鏟的設計幅寬和馬鈴薯品種關聯表。該表的知識表示形式為：If 馬鈴薯品種=“麗薯6號”thenS=90 cm；If 馬鈴薯品種=“云薯304”thenS=105 cm；If 馬鈴薯品種=“云薯301”thenS=85 cm；If 馬鈴薯品種=“云薯104”thenS=65 cm。

表1 挖掘鏟設計幅寬和馬鈴薯品種的關聯

(2)框架式知識表示法

框架式的表示方法主要用于表達實例類知識，在知識表達時需表示出各實例之間的父子關系及其靜態屬性，挖掘裝置實例結構的表達形式如圖3所示。

(3)混合式知識表示法

混合式的表示方法主要用于表達部分結構比較復雜的零部件，如挖掘鏟實例，先將其分解成相對簡單的實例，再通過產生式表示方法表示其設計參數等知識，表達形式如圖4所示。

2.2.2設計知識存儲及知識庫構建

設計知識通過知識表示轉換成形式不一的數據表，需按規則類和實例類兩種類型進行知識分類，然后以相對應的格式存儲在MySQL數據庫中，完成設計知識的存儲。

規則類知識的存儲：規則類知識包括設計公式、選型方法、參數變化及力學理論公式等知識，以公式類知識為例，其存入MySQL數據庫時的存儲表格式為：序號、參數名稱、公式內容、單位、說明、來源和參數，其存儲形式如圖5所示。

實例類知識的存儲：實例類知識主要包括整機及各個零部件的經驗知識，其存入數據庫時的存儲表格式為：編號、產品型號、生產廠家、參數，其存儲形式如圖6所示。

根據上述知識存儲的格式，在MySQL數據庫中建立了零部件參數庫、實例庫、設計規則庫、裝配信息庫、標準件選型庫等，形成挖掘鏟智能設計系統的數據庫，如圖7所示。

2.3 知識管理系統構建

以Visual Studio為開發平臺，VB.NET為開發語言，構建了知識管理系統。知識管理系統的主要功能為實例類知識的管理和規則類知識的管理。實例庫知識管理界面如圖8所示，包括實例樹狀結構、模型視圖、實例模型設計參數以及實例參數表，其中界面左側的實例樹狀結構方便用戶選擇和查看不同的部件實例，選擇好實例后，右側的模塊自動更新該實例的模型視圖及模型的參數信息。規則庫知識管理界面如圖9所示，包括規則類知識樹狀結構、零件設計公式表、設計參數示意圖、參數解釋及公式修改模塊。例如，當用戶在樹狀結構點選挖掘鏟設計公式時，右側自動更新對應的公式表和參數解釋。

3 系統推理機構建

推理機是將用戶需求與知識庫相連接的橋梁，也是系統實現智能設計的核心。推理機的核心是推理算法，本智能設計系統應用的推理算法[19-21]主要為基于規則的推理(RBR)和基于實例的推理(CBR)。智能設計系統的推理流程如圖10所示，當用戶輸入設計參數后，先基于規則的推理來檢索輸入參數是否合理，若不合理則提示用戶重新輸入。若合理則繼續推理輸入參數所映射的實例屬性，并在實例庫中搜索相似實例，進行相似度計算，若相似度為1，則直接向用戶交付模型。否則，排序檢索結果后輸出相似度最高的實例，用于后續參數化建模的驅動模型。在基于規則的推理確定設計參數值后，進行參數化建模，最后輸出實例。實例轉入產品驗證模塊，若產品驗證不滿足設計要求，則返回參數化設計模塊，重新推理和參數化設計。若產品驗證滿足設計要求，則向用戶交付模型，并存入實例庫中，以豐富實例庫。

3.1 基于規則的推理

基于規則的推理采用基于產生式規則的推理方法，推理時以已知參數或數值為前提條件，結合相應的計算公式和經驗規則，進行一級或多級推導計算，直至推理出計算結果。以三角形平鏟式挖掘鏟單鏟長度的推理計算為例，其推理路線如圖11所示，圖中的一個箭頭代表一次產生式規則推理。

3.2 基于實例的推理

基于實例推理的關鍵在于兩實例間的相似度計算。由前文實例類知識的存儲可知，實例模型的特征主要包括名稱、樣式和尺寸參數等屬性知識，故實例推理計算的是兩實例屬性間的相似度。目前，計算實例相似度通常采用最近相鄰法[22]，計算公式為

(13)

式中S——實例相似度

n——實例個數

pi——實例1的屬性

qi——實例2的屬性

wi——特征權值

式(13)中，若case1、case2兩實例完全相同，則可計算出S(case1、case2)=1，即當兩實例的相似度越接近1，則兩實例越相似。當系統同時檢索多個實例時，設定系統選擇相似度最高的實例作為輸出結果，輸出的實例作為后續參數化建模的驅動模型，進行模型重用，以減少后續模型修改的工作量。

例如，表2為用戶的需求模型和實例庫中現有2個實例的特征參數和權重。其中，各特征參數權重的給定依據為專家知識、設計經驗知識和參數驅動模型變更的復雜性。由式(13)計算可得，實例模型1與用戶需求模型的實例相似度為0.43，實例模型2與用戶需求模型的實例相似度為0.58，故選擇實例模型2為驅動模型，進行參數化設計。

表2 用戶需求模型與挖掘鏟現有實例的特征參數和權重

4 智能設計系統開發及參數化建模

4.1 系統功能和UI界面

挖掘裝置智能設計系統的主要功能有：基于設計人員設定的設計參數，實現挖掘裝置的智能設計；對數據庫中的知識進行調用、管理和維護，并通過實例庫和規則庫的知識管理來解釋和說明整個設計過程。以Visual Studio 為開發工具，完成了挖掘裝置智能設計系統UI界面的設計，如圖12所示。系統UI界面分為3個模塊，界面最上方為用戶設置模塊，用戶可在此設置模型的保存路徑、更改賬號登錄密碼和閱讀幫助文檔等。界面的中間為系統的功能選擇模塊，包括智能設計系統和知識管理系統等。界面下方為功能模塊顯示界面，如挖掘裝置設計系統的UI界面，包括用戶設計參數輸入、部分設計參數輸出、建模進度條顯示和建模完成提示等。參數化建模完成后，可在保存路徑里打開并查看模型。

4.2 參數化建模

采用SolidWorks二次開發的方法對挖掘裝置進行參數化建模，參數化建模的結構如圖13所示，用戶選擇好馬鈴薯品種類型和挖掘鏟類型，按系統提示輸入挖掘深度和作業幅寬后，二次開發平臺調用數據庫的相關信息，進行零部件模型尺寸變更、標準件模型調用、零部件自動裝配等操作，從而實現了參數化建模。以三角形平鏟式挖掘鏟模型為例，生成模型如圖14所示。

5 挖掘裝置工作性能評價

本文以設計實例的工作性能評價來間接地評價智能設計系統的可靠性。因此，基于挖掘鏟挖掘阻力分析和RecurDyn-EDEM的聯合仿真試驗，從挖掘阻力評價和收獲質量評價兩個角度對挖掘裝置工作性能進行評價。

5.1 挖掘鏟挖掘阻力分析

挖掘鏟在挖掘作業過程中主要受力有拖拉機的牽引力、土壤對鏟面的法向載荷、土壤對挖掘鏟的摩擦力、土壤純切削阻力和因土壤粘性而產生的鏟面附著力[23]，分別以挖掘鏟和鏟面上的掘起物為對象進行受力分析，如圖15和圖16所示。

由圖15可得，挖掘鏟在水平方向上的受力平衡方程為

W=Nsinα+Ffcosα+FCacosα+Fkcosα

(14)

其中

Ff=μ1NFCa=CaS2Fk=kb

式中W——拖拉機牽引力，N

N——土壤作用于挖掘鏟鏟面的法向載荷，N

Ff——土壤對挖掘鏟的摩擦力，N

FCa——土壤作用于鏟面的附著力，N

Fk——土壤純切削力，N

S2——挖掘鏟面積，m2

Ca——土壤附著力因數，Pa

k——單位幅寬土壤的純切削力，N/m

b——挖掘鏟寬度，m

土壤對挖掘鏟的純切削力很小，當土壤中有大量石塊、莖稈殘枝或刃口變鈍時，切削力才比較重要，由于馬鈴薯目前多為規范化種植，故土壤的純切削力可以忽略不計[24]。則無土壤純切削力時拖拉機的牽引力為

W1=Nsinα+μ1Ncosα+CaS2cosα

(15)

由圖16可得，掘起物在水平方向上的受力平衡方程為

N0(sinα+μ1cosα)+CaS2cosα=N1(sinβ+μcosβ)+(CS3+F)cosβ

(16)

掘起物在豎直方向上受力平衡方程為

G+CaS2sinα+(CS3+F)sinβ=N0(cosα-μ1sinα)+N1(cosβ-μcosβ)

(17)

式中N1——前失效面的法向載荷，N

C——土壤的內聚力，Pa

N0——挖掘鏟對掘起物的反作用力，N

S3——土壤剪切面積，cm2

F——土壤沿鏟面運動的加速力，N

μ——土壤內摩擦因數，重黏土、黏土與鋼的摩擦因數為0.4～0.9

β——前失效面傾角，(°)

由式(15)化簡可得

(18)

將式(16)、(17)、(18)整合可得

(19)

(20)

為了得到W1的值，仍需求解出G、F和S3等輔助參數的值，分析挖掘鏟鏟面上薯土的尺寸關系和薯土混合物及挖掘鏟的運動示意圖[25-26]，由幾何關系和牛頓第二定律可得

(21)

式中l1——土壤沿鏟尖伸出的距離，m

l2——土壤沿鏟尾伸出的距離，m

l——土壤從鏟尖到鏟尾的距離，m

d——土壤厚度，m

v1——挖掘裝置工作速度，m/s

λ——土壤容積密度，kg/m3

h——挖掘鏟的挖掘深度，m

a——土壤在鏟面上運動的加速度，m/s2

以挖掘鏟整體為研究對象，當不計算土壤純切削力時，由式(19)、(20)可知，所需的牽引力與初始的設計參數λ、α、β、μ、μ1、b、h、l、v1、C、Ca有關。智能設計系統生成挖掘鏟實例后，將以上初始設計參數代入式(20)、(21)中，計算便可得到挖掘鏟工作時挖掘鏟所需要的牽引力。

5.2 RecurDyn-EDEM聯合仿真試驗

5.2.1仿真模型建立

以云南省陸良縣小百戶鎮馬鈴薯種植基地的麗薯6號為建模對象，選取與麗薯6號平均三軸尺寸相接近的薯塊，利用三維掃描儀掃描得到馬鈴薯塊莖的三維空間點云數據，運用Geomagic studio軟件后處理獲得馬鈴薯網格幾何模型。將模型導入EDEM軟件并通過顆粒快速填充的方法獲得馬鈴薯離散元模型，如圖17所示。

智能設計系統在生成實例模型后，以.step格式導入RecurDyn軟件中，通過軟件中合并的功能進行鏟體合并，并在motion中設置速度驅動參數，使得挖掘鏟以0.5 m/s的速度勻速往前運動。設置完模型參數后，通過RecurDyn中External SPI模塊將挖掘鏟選擇為耦合剛體Wall輸出。因土壤為濕黏物料，基于Hertz-Mindlin with JKR的接觸模型能使顆粒間易發生明顯粘結和團聚[27]，為較好地模擬出土壤粘附在馬鈴薯和機具的現象，將土壤-馬鈴薯、土壤-挖掘鏟的接觸模型設置為Hertz-Mindlin with JKR 模型，并設置好各接觸組合的JKR表面能[28]。同時，將土壤-土壤的接觸模型設置為Hertz-Mindlin with JKR and Bonding模型，以模擬云南地區黏重紅壤的特性。以半徑為4 mm的圓球作為土槽的土壤顆粒模型，通過顆粒工廠的快速填充方法構建薯土混合土壟模型，并在Geometries中導入由RecurDyn輸出的耦合剛體Wall文件，完成耦合仿真試驗的模型構建，模型如圖18所示。

5.2.2仿真參數設置

在構建EDEM薯土混合土壟模型時，其相關參數設置[29]如表3所示。進行耦合仿真前，設置EDEM模型的Rayleigh時間步長為10%，仿真時間為6 s，每0.05 s保存一次數據，并打開EDEM與RecurDyn的耦合接口；在RecurDyn中設置仿真步數為100步，仿真時間為6 s，開始耦合仿真的計算，仿真過程剖面圖如圖19所示。

表3 薯土混合土壟模型仿真參數

5.2.3挖掘阻力評價

將數值模擬得到的牽引力和仿真試驗測得的牽引阻力進行比較，當牽引力大于牽引阻力時，挖掘裝置才能正常挖掘作業，表明所設計的實例滿足設計要求。反之，則該實例不滿足設計要求。其中，實例模型相關的設計參數如表4所示，將設計參數代入式(20)、(21)可得，挖掘鏟工作所需的牽引力約為856.24 N。在RecurDyn后處理模塊中導出挖掘鏟在X方向受到馬鈴薯和土壤顆粒作用力的受力數據，如圖20所示。挖掘鏟前進過程中受到的阻力即為X方向上的受力，則由圖可得，最大牽引阻力為724.81 N，小于計算得到的拖拉機牽引力856.24 N，故智能設計系統所設計的挖掘鏟滿足設計要求。

表4 實例模型設計參數

5.2.4收獲質量評價

參考NY/T 648—2015關于牽引式馬鈴薯收獲機收獲質量的評價標準，以明薯率和傷薯率作為評價指標。使用TA Type-XTPlus型食品質構儀對馬鈴薯X、Y、Z方向的3組果肉進行穿刺試驗，測得馬鈴薯果肉的平均硬度為7.524 N。仿真結束后利用EDEM后處理的Manual Selection功能，提取馬鈴薯在仿真過程中的受力，當馬鈴薯受力的最大值超過7.524 N時，則判定該馬鈴薯為傷薯，馬鈴薯損傷判斷依據如圖21所示。統計結果表明明薯率為97.22%，傷薯率為1.43%，均滿足收獲質量評價標準。

6 結論

(1)應用產生式規則和框架式的表示方式對挖掘裝置設計知識進行表達，開發了設計知識庫和知識管理系統；基于規則和實例的推理方法構建了系統推理機，并將推理機制與參數化設計技術相結合，實現了模型的設計重用和智能化設計，增強了模型建立的靈活性和設計知識的繼承性。

(2)對挖掘鏟進行挖掘阻力分析和數值模擬，結合RecurDyn-EDEM聯合仿真試驗對挖掘裝置的工作性能進行評價。結果表明，挖掘鏟工作所需牽引力為856.24 N，所受最大牽引阻力為724.81 N，明薯率為97.22%，傷薯率為1.43%，滿足設計要求。

(3)利用Visual Studio平臺，對設計知識庫、知識管理系統、推理機、參數化模型庫和評價體系進行整合及聯合運用，建立了馬鈴薯收獲機挖掘裝置智能設計系統，實現了對挖掘裝置復雜設計過程的封裝，使設計人員能基于友好人機界面進行產品設計，并提高了產品設計的準確性和工作效率。