基于EDEM的機采茶鮮葉振動式分級機分級參數優化

呂昊威，武傳宇，涂政，陳建能，賈江鳴，陳之威，葉陽*

基于EDEM的機采茶鮮葉振動式分級機分級參數優化

呂昊威1,2，武傳宇1，涂政2，陳建能1，賈江鳴1，陳之威1，葉陽2*

1. 浙江理工大學，浙江 杭州 310018；2. 中國農業科學院茶葉研究所，浙江 杭州 310008

針對目前機采茶鮮葉分級設備存在的分級效率低、對鮮葉損傷大等問題。以振動式機采茶鮮葉分級機為試驗對象，提出了一種茶鮮葉粘彈性物料建模方法，并以振動頻率、振動方向角、振幅為自變量，以篩分率、優質茶篩分率為目標優化值，基于EDEM軟件對其進行仿真試驗，運用響應面優化法得到優化參數為振動頻率29.0?Hz、振幅9.0?mm、振動方向角34.7°。在此參數下，仿真試驗得到的篩分率為75.38%，優質茶篩分率為95.65%。根據最優參數組合開展仿真與樣機驗證試驗，結果表明，樣機驗證試驗得到的篩分率為71.07%，優質茶篩分率為93.26%。結合仿真試驗和樣機試驗結果，篩分率的準確性達到93.9%，而優質茶篩分率的準確性達到97.4%。基于響應面分析法的仿真優化參數具有較高的可靠性，在此最優參數下，分級機具有較好的分級效果。本研究可以為機采茶鮮葉分級設備的優化提供參考。

機采茶鮮葉；振動分級機；鮮葉物料建模；響應面優化

隨著勞動力成本的逐漸上升，茶鮮葉采摘已經成為制約茶產業發展的重要因素。基于圖像識別和機械手等智能茶葉采摘設備尚處于試驗階段，利用目前市面上主流的往復式切割采茶機采摘鮮葉成為當下茶農降低成本，提升產量的優先選擇[1]。但機采鮮葉質量參差不齊，混雜著碎片芽葉、老梗、老葉，既不利于統一加工，又影響成品茶的質量，直接影響成品茶的銷售價格，故對機采鮮葉進行鮮葉分級顯得尤為重要[2]。

目前應用廣泛的傳統機采鮮葉分級設備主要包括滾篩式分選機[3]、振動式分選機[4]、風力分選機[5]等。駱耀平[6]研制的MCF系列滾筒式分選機，解決了滾筒式分選機進料口堵塞、漏葉等問題，但仍存在鮮葉透過篩網損傷嚴重、掛葉等現象。國內一些專家和學者[7-8]對于茶鮮葉振動分選研究大多是基于鮮葉大小，利用振動使鮮葉透過不同孔徑的篩網，篩分方式單一，缺乏對鮮葉在篩面上的運動軌跡分析。鐘江等[9]基于EF40Z型分選機，研究了茶葉顆粒在風選室中的運動情況，優化了風選室結構，提高了茶葉顆粒分選效率。近年來，離散元方法由于其對離散物料具有獨特的優勢，廣泛應用于農業顆粒物料的分析，相關研究者基于離散元建立了玉米[10]、水稻顆粒[11]、菠菜根[12]等外形相對簡單的農業物料模型，對于更復雜的茶鮮葉顆粒建模研究較少。由于EDEM可以快速簡便地建立顆粒的參數模型，添加顆粒的物料特性，被廣泛應用于分析離散物料的運動過程。李兵等[13]將鮮葉建模成近圓形顆粒進行EDEM圓筒滾篩仿真分析。但基于離散元對機采鮮葉振動分級設備的研究卻鮮有涉及。

本研究利用基于茶鮮葉長度作為分級指標的振動式機采鮮葉分級機，基于離散元法建立一種機采茶鮮葉分級模型，并運用EDEM軟件模擬機采茶鮮葉粘彈性物料在分級機篩面上的運動情況，以篩分率為目標值，對影響分級機分選性能的3個主要因素開展響應面優化試驗，進行參數尋優，利用實體樣機對最優參數進行驗證試驗。

1 分級機原理及設計

鮮葉分級機主要由篩體、電機、傳動裝置、機架組成（圖1），其中篩體包括編號為1—3的6塊帶弧形槽的篩面、篩體機架、篩面尾部擋簾等（圖2和圖3），篩體設計的具體參數見表1。該分級機的工作原理是電機通過凸輪、傳動裝置將電機輸出軸的旋轉運動轉化成篩體的振動往復運動，從而使落在篩面上的鮮葉往前運動，并且在振動的作用下使鮮葉落入篩面上的弧形槽中，葉長方向與弧形槽方向一致。當鮮葉運動至兩篩面落縫處，若葉長小于該落縫寬度，則鮮葉落入該落縫所對應的收集盒中，否則鮮葉繼續在篩面上向前運動。

注：1-篩體；2-機架；3-電機；4-傳動裝置

注：1-擋針；2-篩面槽；3-擋簾

注：1-第Ⅰ級篩面；2-第Ⅱ級篩面；3-第Ⅲ級篩面；4-第Ⅳ級鮮葉出口；5-第Ⅲ級鮮葉出口；6-第Ⅱ級鮮葉出口；7-第Ⅰ級鮮葉出口；8-機架

表1 篩體主要結構參數表

2 機采茶鮮葉的運動分析

為了便于分析，傳動裝置在受力分析式中可以等價成一個曲柄連桿機構，單片鮮葉對于篩分機構來說，可以簡化為一個質點進行受力分析。根據鮮葉在篩面上的受力情況可以分為以下幾種情況。

當鮮葉受到的慣性力向前（即X軸的正方向），鮮葉在篩面上具有向前運動的趨勢，受力分析如圖4所示，此時可列平衡方程為：

其中為鮮葉在篩面上的重力，N；為支撐力，N；為振動方向角，rad；為篩面的傾斜角度，rad；為鮮葉在篩面上的摩擦力，N；為鮮葉在篩面上的慣性力，N。慣性力和摩擦力可用下式表示：

其中為摩擦系數；為摩擦角，rad。代入化簡可得：

當鮮葉受到的慣性力向后（即X軸的負方向），摩擦力向前（即X軸的正方向），鮮葉在篩面上具有向后運動的趨勢。同理可得鮮葉向后運動的極限條件為：

當鮮葉在篩面上發生拋起現象，其臨界條件為篩面法向支反力=0，此時可得鮮葉在篩面上拋起的極限條件為：

綜上所述，因為該分級機中的鮮葉需在振動的作用下沿篩面向前運動，落入收集裝置中，所以需滿足向前滑動量大于向后滑動量，且為了使鮮葉更好的落入篩面的槽縫中，使鮮葉之間無粘連，呈散落狀，滿足生產時的分選效率，允許鮮葉發生中輕微的拋擲現象，即＞2＞3＞1。

圖4 鮮葉在篩面上的受力分析圖

3 機采茶鮮葉物理參數及模型建立

3.1 機采茶鮮葉的物理參數測定

茶樹品種和生長環境等因素會導致鮮葉的生長形態差異明顯，芽梢具有不同的葉展和葉長，故需要對茶鮮葉的物理參數進行試驗測定。本研究采用中茶108的機采茶鮮葉作為試驗原材料，分別對鮮葉類型、葉展、葉長、葉厚等參數進行測定，試驗測量500組，重復3次，結果見表2。

因考慮到離散元建模精確性需要，還需對茶鮮葉進行剪切試驗和擠壓試驗以測定剪切力和擠壓力等物理參數。所用原料為機采中茶108茶鮮葉；所用儀器設備包括質構儀（超技儀器有限公司）、游標卡尺、工具刀。

剪切試驗方法：由于鮮葉的葉片較薄，橫截面積無法計算，無法精確測量鮮葉葉片的剪切力，故將葉片和莖部的物性當作一致，考慮到葉梢莖部不同部位嫩度不一致，莖部粗細不一致；故對鮮葉莖部不同部位進行剪切試驗，重復多次，將最后結果取平均值。首先利用游標卡尺對需要試驗測量的鮮葉莖部測定直徑，其次借助質構儀的刀片探頭進行剪切試驗；質構儀的具體參數設置：剪切速度為1?mm·s-1、記錄數據觸發壓力為0.049?N、測試結束判定為剪切距離為2?mm。測試結果數據如圖5所示。

擠壓試驗方法：由于鮮葉屬于薄片狀柔軟物料，對于完整形狀的鮮葉無法進行壓縮試驗，故將鮮葉莖部用工具刀切割成切口平整、長度為3?mm的小圓段。首先用游標卡尺對莖部小圓段的直徑進行測量，再將莖部小圓段豎直平穩的放在質構儀的載物平臺上，借助質構儀的圓柱探頭進行莖部壓縮試驗，重復多次取平均值。質構儀的具體參數設置：探頭擠壓速度為1?mm·s-1、記錄數據觸發壓力為0.049?N、測試結束判定壓縮距離為1?mm。測試結果如圖5所示。

表2 茶鮮葉外形參數

圖5 不同類別的茶鮮葉剪切力、壓縮力

3.2 基于EDEM鮮葉顆粒建模

目前，不規則形狀顆粒建模大多采用多球形顆粒聚合體填充模型的方法，根據鮮葉外形參數，利用Solidworks 2014建立不同鮮葉的幾何模型，保存為“.igs”格式文件；結合Gambit軟件對其進行網格劃分，保存為“mesh”格式文件；導入Fluent軟件中得到網格的中心坐標信息，即填充顆粒的球心坐標；借助EDEM軟件對顆粒進行快速填充。由于茶鮮葉具有柔軟的特性，故在上述建模的基礎上，需要對填充顆粒進行顆粒粘結，使所建立的鮮葉顆粒模型具有較好的柔軟性。鮮葉的接觸模型選擇為Hertz-Mindlin With Bonding（HWB），此接觸模型會使顆粒間產生Bond鍵，從而使相鄰顆粒之間具有粘結力。影響此接觸模型的主要參數有法向剛度系數、切向剛度系數、臨界法向應力、臨界切向應力及粘結半徑。根據剪切試驗和擠壓試驗得出的試驗數據，經計算及多次仿真調整得出HWB接觸模型參數如表3所示。所建立的鮮葉顆粒模型如圖6所示。

EDEM的仿真參數設置：（1）仿真涉及茶鮮葉參數[13-15]見表4；（2）仿真區域根據導入模型大小自動設置以便提高計算機仿真速度；（3）顆粒工廠采用動態生成方式，主要設置顆粒生成數量為1?000、生成速度為每秒40個；（4）考慮到仿真效率，時間步長設置為Rayleigh時間步長的25%，仿真總時長為25?s，仿真網格大小為最小顆粒直徑的3倍。

4 仿真結果及分析

本研究欲分析振動參數對鮮葉分級性能的影響，以振動頻率、振幅、振動方向角為自變量因素，以篩分率1為目標值進行單因素仿真試驗，仿真過程如圖7所示。試驗重復3次，取平均值。為統一篩分指標，更好的評價分級效果，將篩分率以下述方法進行統一量化，一芽一葉的篩分率權重占40%，一芽二葉的篩分率權重占30%，一芽三葉的篩分率權重占20%，一芽四葉的篩分率權重占10%，即篩分率1=0.4×+0.3×+0.2×+0.1×，其中、、、分別代表一芽一葉至一芽四葉的各自篩分率（即實際從某一等級收集處收集到的該級別鮮葉數量占應有該級別鮮葉數量的比例）。

4.1 振動頻率對鮮葉篩分率的影響

在振幅12?mm，振動方向角為25°的條件下，分別對振動頻率為20、25、30、35?Hz的鮮葉分級機進行離散元仿真分析，篩分率結果如圖8-A所示。振動頻率為20?Hz時，篩分率為45.63%，影響其篩分率較低的原因主要是振動頻率較低時，鮮葉無法有效落入篩面槽中，使大量鮮葉斜橫向落入收集槽縫中，無法有效篩分；隨著振動頻率提高，篩分率也隨之上升；而當振動頻率為35?Hz時，鮮葉篩分率卻大幅降低，僅為21.07%，造成這一現象的主要原因可能是振動頻率過大時，一芽一葉、一芽二葉幾乎不落入前兩級收集盒，使鮮葉大多集中在第Ⅲ級收集盒中。綜上所述，就振動頻率這一個因素而言，最優振動頻率參數處于25～35?Hz。

4.2 振動方向角對鮮葉篩分率的影響

在振動頻率為25?Hz、振幅為12?mm的條件下，分別對振動方向角為20、25、30、35、40°的鮮葉分級機進行離散元仿真分析，篩分率結果如圖8-B所示。當振動方向角為20°時，鮮葉的篩分率為53.30%；當振動方向角為25°時，鮮葉的篩分率為53.27%。從具體的仿真結果可以看出，一芽一葉和一芽四葉的篩分準確率較低，隨著振動方向角的增加，篩分率明顯提高，當振動方向角為30°時，鮮葉的篩分率為67.15%，這是因為當振動方向角較小時，鮮葉在篩面上無法呈拋起狀態，導致鮮葉落入篩面槽中的機會降低，鮮葉維持落到篩面上的姿態向前滑動，并且當振動方向角較小時，鮮葉在篩面上受到沿篩面方向的力增大，鮮葉在篩面上單次拋擲向前滑動的有效距離增加，所以一芽一葉容易越過第Ⅰ級收集盒的落縫，出現在第Ⅱ級收集盒中；但當振動方向角繼續增大時，鮮葉沿篩面方向的分力減小，垂直于篩面的分力增大，鮮葉的篩分率會增大，但此時鮮葉篩分的速率明顯降低。綜上考慮，振動方向角的較優水平區間為25～35°。

表3 HBW粘結參數

表4 EDEM仿真涉及茶鮮葉參數

圖6 茶鮮葉顆粒建模

圖7 鮮葉分級仿真過程

4.3 振幅對鮮葉篩分率的影響

在振動頻率為25?Hz、振動方向角為25°的條件下，分別對振幅為7、9、12、15、17?mm的鮮葉分級機進行離散元仿真分析，篩分率結果如圖8-C所示。當振幅為7?mm時，篩分率為48.23%，從仿真結果看，此時一芽一葉、一芽二葉大量集中在第Ⅰ級收集盒中，這是由于此時振幅過小，鮮葉在篩面上單次拋擲的有效距離變短，使一芽二葉落入第Ⅰ級收集盒，從而無法有效區分一芽一葉和一芽二葉，并且一芽三葉也因為同樣原因大量落入第Ⅱ級收集盒；隨著振幅增加，鮮葉的篩分率有所提高，當振幅為9?mm時，鮮葉的篩分率為50.71%；當振幅為12?mm時，篩分率53.28%；而當振幅條件為15?mm，鮮葉篩分率開始下降，為52.58%，與振幅為12?mm的篩分率差距不大，但此時的一芽一葉已大量落入第Ⅱ級收集盒中，一芽一葉的篩分率較低，這與篩分優質茶設計初衷不符。當振幅為17?mm時，篩分率為47.52%，此時由于振幅過大，鮮葉容易直接越過落縫處，落入下一級收集盒中。故振幅最優水平區間為9～15?mm。

5 響應面優化參數試驗驗證

通過仿真分析已初步確定了影響鮮葉篩分率的單個因素的最優水平區間，但沒有考慮不同因素之間的相互影響及3個因素綜合影響的最優參數值，故根據Box-Behnken模型的試驗設計原理，利用Design Expert 11軟件設計三因素三水平的組合試驗。為進一步增加分級效果的評價體系，結合設計初衷，增加1個優質茶鮮葉篩分率指標。優質茶鮮葉篩分率2定義為從第Ⅰ、第Ⅱ級收集處收集到的一芽一葉、一芽二葉數量統計之和占總的一芽一葉、一芽二葉之和的百分比，試驗結果如表5所示。

圖8 不同單因素對鮮葉篩分率的影響

表5 響應面優化試驗設計及結果

根據表5中的數據，通過Design-Expert 11.0軟件建立篩分率1、優質茶篩分率2與分級機的振動頻率、振幅、振動方向角之間的多元回歸模型，回歸方程為：

1=48.18-20.287?5-20.395-2.465-3.932?5-3.052?5-3.905-4.497?52+17.712?52+5.627?52+8.1252

2=76.585?8-40.977?5-34.467?5-6.067?5-9.112?5-4.737?5-11.640?52-15.055?52+16.4652+6.682+15.8452

由回歸模型的方差分析結果可知，兩模型的值均小于0.000?1，表明兩回歸模型均高度顯著；兩模型的失擬項值均大于0.05，表明模型失擬性不顯著，回歸模型的擬合程度高。篩分率回歸方程中，振動頻率、振幅對于篩分率指標的影響是極顯著的，振動方向對于篩分率指標是顯著的，3個試驗因素對篩分率的影響從大到小依次為振幅、振動頻率、振動方向角；優質茶鮮葉篩分率回歸方程中，振動頻率、振幅對于篩分率指標的影響是極顯著的，振動方向角對于篩分率指標是顯著的，3個試驗因素對篩分率的影響從大到小依次為振動頻率、振幅、振動方向角。

根據回歸模型分析結果，利用Design-Expert 11軟件繪制各因素交互效應3D響應面圖。振動頻率、振幅對篩分率的響應面如圖9-A所示，在振幅從15?mm降到9?mm過程中，隨著振動頻率的增大，篩分率先增大后減小；振動方向角、振動頻率對篩分率的響應面如圖9-B所示，在振動頻率從35?Hz降到25?Hz過程中，隨著振動方向角的增大，篩分率也隨之提高；振幅、振動方向角對篩分率的響應面如圖9-C所示，當振動方向角一定時，隨著振幅的減小，篩分率增加，并且隨著振動方向角的增大，篩分率也增加。振動頻率、振幅對優質茶篩分率的響應面如圖9-D所示，在振幅從15?mm降到9?mm過程中，隨著振動頻率的增大，篩分率先增大后減小；振動方向角、振動頻率對優質茶篩分率的響應面如圖9-E所示，在振動頻率從35?Hz降到25?Hz的過程中，隨著振動方向角的增大，優質茶篩分率也隨之提高；振幅、振動方向角對優質茶篩分率的響應面如圖9-F所示，當振動方向角一定時，隨著振幅的減小，篩分率增加，并且隨著振動方向角的增大，優質茶篩分率先增大后減小。

進一步針對篩分率與優質茶篩分率的回歸模型，運用Design-Expert 11軟件中Optimization功能，選取篩分率和優質茶篩分率最大為目標，求解回歸模型得到最優參數為振動頻率29.0?Hz、振幅9.0?mm、振動方向角34.7°。

考慮到振動分級設備的慣性力平衡問題，將振動分級機簡化成曲柄滑塊機構，對其慣性力進行部分平衡，經分析計算，在曲柄軸上安裝半徑=85?mm、質量7.1?kg的平衡塊。經試機，該設備運行平穩、無明顯劇烈噪音。

為了驗證仿真優化結果的可靠性，將分級機樣機的振動頻率、振幅、振動方向角分別調整為最優參數，以2021年4月29日采摘自中國農業科學院茶葉研究所試驗基地的中茶108機采鮮葉為試驗材料。首先從機采鮮葉原料中隨機稱取一定數量的鮮葉，進行人工分級，統計不同等級芽葉占比，重復多次。統計結果表明該機采鮮葉原料中，一芽一葉占比為10.28%，一芽二葉占比為42.35%，一芽三葉占比為23.50%，一芽四葉及以上占比6.72%，其余破碎葉、獨芽等占比為17.15%。在浙江省杭州市農業科學院茶葉研究所進行實體樣機驗證試驗，試驗過程如圖10所示。分級結果如表6所示，仿真試驗得出的篩分率平均值為75.38%，而實體樣機試驗得出的篩分率平均值為71.07%，仿真準確性達到93.9%；仿真試驗得出優質茶篩分率平均值為95.65%，實體樣機試驗得出的優質茶篩分率平均值為93.26%，仿真準確性達到97.4%，從仿真試驗和實體樣機試驗結果看，仿真優化結果較為可靠。

6 結論

本研究采用的機采茶鮮葉分級設備對鮮葉損傷小，機械結構簡單，并且對鮮葉在篩面上的運動進行了受力分析，得出了滿足鮮葉在篩面上運動的基本條件；基于離散元法提出了一種茶鮮葉粘彈性物料模型，利用單因素仿真試驗對影響分級機篩分率的3個主要因素進行分析，初步得出各因素的最優水平區間。在此基礎上，利用響應面優化法，以篩分率和優質茶鮮葉篩分率為目標值，設計三因素三水平的正交試驗，建立回歸模型，求解得出分級機最優參數為振動頻率29.0?Hz、振幅9.0?mm、振動方向角34.7°，在此參數下，分別進行仿真試驗及實體樣機驗證試驗，得出篩分率試驗值準確性達93.9%，優質茶篩分率試驗值的準確性達97.4%，不僅驗證茶鮮葉物料建模的可靠性，也驗證了響應面分析法優化分級參數的可靠性，在最優分級參數下，鮮葉分級機的優質茶鮮葉篩分率高達90%以上，具有較好的分級效果。然而，本研究僅考慮了分級機的幾個主要參數對機采鮮葉分級效果的影響，在今后的研究中還可以對分級機結構進行優化，如降低共振、結構輕量化等；對鮮葉顆粒模型建立中的一些關鍵參數進行測定及優化，提高機采茶鮮葉建模的精確性。

圖9 交互效應響應曲面

圖10 分級機樣機試驗

表6 最優參數下仿真與試驗結果對比

[1] 唐小林, 李文萃, 范起業, 等. 機采茶鮮葉分類分級技術及相關設備研究進展[J]. 中國茶葉加工, 2015(2): 5-8.

Tang X L, Li W C, Fan Q Y, et al. Research on the classification technology and the grading equipment of machine-plucking fresh leaves [J]. Chinese Tea Processing, 2015(2): 5-8.

[2] 沈寶國, 董春旺, 蔣修定, 等. 茶樹鮮葉分選研究現狀與展望[J]. 中國農機化學報, 2016, 37(8): 87-90.

Shen B G, Dong C W, Jiang X D, et al. Current research and future development of tea sorting technology [J]. Journal of Chinese Agricultural Mechanization, 2016, 37(8): 87-90.

[3] 胡永光, 李建鋼, 陸海燕, 等. 等直徑滾筒式茶鮮葉分級機設計與試驗[J]. 農業機械學報, 2015, 46(s1): 116-121.

Hu Y G, Li J G, Lu H Y, et al. Design and experiment of equant-diameter roller screening machine for fresh tea leaves [J]. Transactions of the Chinese Society for Agricultural, 2015, 46(s1): 116-121.

[4] 袁海波, 滑金杰, 鄧余良, 等. 基于YJY-2型鮮葉分級機的機采茶葉分級分類工藝優化[J]. 農業工程學報, 2016, 32(6): 276-282.

Yuan H B, Hua J J, Deng Y L, et al. Optimization of grading and classification technology for machine-picking leaves based on YJY-2 type classifier [J]. Transactions of the Chinese Society of Agricultural Engineering, 2016, 32(6): 276-282.

[5] 王榮揚. 柔性片狀物料氣固耦合數值計算及機采茶鮮葉分選裝置試驗研究[D]. 杭州: 浙江理工大學, 2020.

Wang R Y. Numerical simulations of gas-solid coupling mechanism of flexible flaky materials and experimental studies of the sorting equipment for machine-plucked fresh tea leaves [D]. Hangzhou: Zhejiang Sci-Tech University, 2020.

[6] 駱耀平, 王永鏡, 張蘭蘭, 等. 名優茶鮮葉原料分級機研究[J]. 茶葉, 2012, 38(1): 27-33.

Luo Y P, Wang Y J, Zhang L L, et al. Study on the grading machine of high quality tea leaf material [J]. Journal of Tea, 2012, 38(1): 27-33.

[7] 任廣鑫, 范起業, 何鑫, 等. 大宗茶鮮葉原料分級機的研制與實驗[J]. 食品工業科技, 2013, 34(7): 290-292, 304.

Ren G X, Fan Q Y, He X, et al. Development and experiment of the grading machine for ordinary tea leaf material [J]. Science and Technology of Food Industry, 2013, 34(7): 290-292, 304.

[8] 張艦, 劉凡一, 陳軍, 等. 基于DEM的谷物清選篩振動篩分虛擬試驗研究[J]. 農機化研究, 2019, 41(2): 187-191.

Zhang J, Liu F Y, Chen J, et al. Virtual vibration screening experiments of grain cleaning sieve based on DEM [J]. Journal of Agricultural Mechanization Research, 2019, 41(2): 187-191.

[9] 鐘江, 黃劍虹, 楊韜, 等. 茶葉風選機優化研究[J]. 茶葉科學, 2013, 33(6): 576-583.

Zhong J, Huang J H, Yang T, et al. Optimization study of tea winnowing machine [J]. Journal of Tea Science, 2013, 33(6): 576-583.

[10] 王美美, 王萬章, 楊立權, 等. 基于EDEM的玉米子粒建模方法的研究[J]. 河南農業大學學報, 2018, 52(1): 80-84, 103.

Wang M M, Wang W Z, Yang L Q, et al. Research of discrete element modeling method of maize kernel based on EDEM [J]. Journal of Henan Agricultural University, 2018, 52(1): 80-84, 103.

[11] 原建博, 李驊, 吳崇友, 等. 基于離散單元法的水稻籽粒快速顆粒建模研究[J]. 南京農業大學學報, 2018, 41(6): 1151-1158.

Yuan J B, Li H, Wu C Y, et al. Study on apace particle modeling of rice grain basis on the discrete element method [J]. Journal of Nanjing Agricultural University, 2018, 41(6): 1151-1158.

[12] 李金光, 劉雪美, 鄒亮亮, 等. 菠菜主根離散元建模方法與試驗驗證[J]. 農機化研究, 2021, 43(8): 181-185, 191.

Li J G, Liu M X, Zou L L, et al. Discrete element modeling method and experimental verification of spinach main-root [J]. Journal of Agricultural Mechanization Research, 2021, 43(8): 181-185, 191.

[13] 李兵, 李為寧, 柏宣丙, 等. 基于EDEM的茶鮮葉分級機的篩分率的研究[J]. 茶葉科學, 2019, 39(4): 484-494.

Li B, Li W N, Bai X B, et al. Research on screening rate of fresh tea leaves classifier based on EDEM [J]. Journal of Tea Science, 2019, 39(4): 484-494.

[14] 何磊, 張憲, 趙章風, 等. 基于PFC3D的茶葉殺青過程數值模擬和設備參數分析[J]. 茶葉, 2013, 39(1): 17-23.

He L, Zhang X, Zhao Z F, et al. Numerical simulation and parameter analysis of fresh tea leaf fixation process based on PFC3D [J]. Journal of Tea, 2013, 39(1): 17-23.

[15] 張西良, 柯于仁, 孫鵬飛, 等. 基于EDEM的橢球形顆粒直線振動篩分分離粒度研究[J]. 江蘇農業科學, 2018, 46(14): 188-191.

Zhang X L, Ke Y R, Sun P F, et al. Study on the particle size of ellipsoidal particles by linear vibrating sieving based on EDEM [J]. Jiangsu Agricultural Sciences, 2018, 46(14): 188-191.

EDEM-based Optimization of Classification Parameters of Machine-picked Tea Fresh Leaf Vibratory Classifier

LYU Haowei1,2, WU Chuanyu1, TU Zheng2, CHEN Jianneng1, JIA Jiangming1, CHEN Zhiwei1, YE Yang2*

1. Zhejiang Sci-Tech University, Hangzhou 310018, China; 2. Tea Research Institute, Chinese of Agricultural Academy Sciences, Hangzhou 310008, China

In view of the low grading efficiency and large damage to fresh leaves of the current machine-picked tea fresh leaf grading equipment, a vibrating machine-picking fresh tea leaf classifier was used in this study as the test object, and a new tea leaf viscoelastic material modeling method was proposed.The vibration frequency, vibration direction angle, and amplitude were used as independent variables.The sieving rate and famous tea sieving rate were used as target optimization values. The simulation test was carried out based on the EDEM software. Using the response surface optimization method, the optimized parameters were obtained as the vibration frequency of 29.0?Hz, the amplitude of 9.0?mm, and the vibration direction angle of 34.7°. Under this parameter, the sieving rate obtained by the simulation test was 75.38%, and the sieving rate of famous tea was 95.65%. According to the optimal parameter combination, the simulation and prototype verification test were carried out, and the results show that the sieving rate obtained by the prototype verification test was 71.07%, and the sieving rate of famous tea was 93.26%. Combining the simulation test and prototype test results, the accuracy of the screening rate reached 93.9%, and the accuracy of the screening rate of famous tea reached 97.4%. The simulation optimization parameters based on response surface analysis had high reliability. Under this optimal parameter, the classifier had a better classification effect. This study provided a reference for the optimization of machine-picked tea fresh leaf grading equipment.

machine-picked fresh tea leaves, vibration classifier, fresh leaves material modeling, response surface optimization

S571.1；TS272.3

A

1000-369X(2022)01-120-11

2021-10-22

2021-11-24

財政部和農業農村部：國家現代農業產業技術體系（CARS-19）；浙江省農業重大技術協同推廣計劃（2020XTTGCY02-03）

呂昊威，男，碩士研究生，主要從事茶葉加工機械方面的研究，lvhaowei1106@163.com。*通信作者：yeyang@tricaas.com

（責任編輯：黃晨）