螺旋式布料機輸送量的精確預測

蔡安江，劉亞東，劉俊強，龐秋生

自動化與智能化技術

螺旋式布料機輸送量的精確預測

蔡安江1，劉亞東1，劉俊強1，龐秋生2

（1.西安建筑科技大學 機電工程學院，西安 710055； 2.德州海天機電科技有限公司，山東 德州 253000）

針對預制構件所需布料機輸送的混凝土質量問題，以螺旋輸送量預測為目標，構建一種以工藝因素和結構因素為輸入量的改進灰狼算法優化BP神經網絡的輸送量預測模型。通過EDEM對布料機輸送過程進行仿真模擬，把輸送速率和平均質量流率作為正交實驗的2種評價標準，并用極差法和矩陣分析法求出螺旋布料機各因素對兩標準的影響順序，并通過混沌種群初始化、步長更新公式及自適應收斂因子的方法改進灰狼算法收斂速度慢和限于局部最優解的問題。通過改進灰狼算法優化BP神經網絡的權值和閾值，優化后的輸送量預測結果的平均絕對百分誤差為8%、決定系數為0.95，比其他實驗對比組的輸送量模型預測值誤差更小。研究可為預制構件的定量布料提供混凝土設定目標值。

螺旋式布料機；輸送量；正交實驗；預測；BP神經網絡；改進灰狼算法

螺旋式布料機是整個預制構件生產線上的一個主要裝備。布料機在布料過程中通過控制8個螺桿轉速及其對應的出料口，將料斗內的混凝土輸送到底模盤的范圍內，因此，混凝土輸送量對產品質量和生產線有著舉足輕重的效用。合理而精確的混凝土輸送量預測可以縮短布料時間，減少物力、物料的浪費及企業的運行成本，且輸送量精準預測是實現預制構件的混凝土布料自動化和布料數字化的基本保證和重要任務[1]。

Justin等[2]基于離散元方法選擇不同螺桿直徑對顆粒質量流量、功率消耗等的影響來預測水平螺旋給料系統中的顆粒輸送；Davide等[3]以一階加死區時間的雙螺桿輸送機動力學機理模型的方法，通過選擇不同螺旋轉速用于預測質量流量，然后用非線性模型來控制以保持準確質量流量；Dheeraj等[4]建立了螺旋輸送機的理論模型，通過多種方法研究了輸送機各性能參數對物料的輸送量、功率需求和混合性能的影響；周鵬等[5]基于混凝土輸送機機理，建立了基于BP神經網絡的輸送量預測模型，取得了一定的輸送量預測結果；王友勝等[6]針對螺旋給料機的堵料問題，以工藝參數為設計變量，螺旋體質量和效率為目標，運用遺傳算法和Ansys得到其結構合理性。王震民等[7]針對小麥粉螺旋喂料器流量誤差降低設計準確性的問題，通過粒子群算法，以修正后的小麥粉流量和螺旋體質量為目標、各種影響參數為變量，對結構參數進行了尋優。

上述研究對螺旋輸送量進行了機理建模研究，驗證了對螺旋輸送機輸送量的主要影響因素，但是對影響輸送量預測的各影響因素概括不夠全面，輸送量預測模型對影響參數的非線性行為響應不當導致預測精度不夠準確。為此，構建一種優化BP神經網絡螺旋布料機輸送量預測模型，以避免混凝土物料或布料機參數發生變化時導致混凝土輸送量預測失效，可為布料機準確控制混凝土輸送量提供依據，并為包裝工程的螺旋裝置提供螺旋輸送的依據。

1 螺旋輸送工作原理及其模型的建立

1.1 螺旋布料機結構及工作原理

混凝土螺旋布料機的內部示意圖和整體結構如圖1所示。

整個布料系統包括鋼結構支架、大車裝置和小車裝置。大車裝置主要在沿支架梁方向行走布料，小車裝置在垂直于支架梁的桁架上轉向。螺旋布料機內部的螺旋桿由步進電機控制，并采用螺旋推動出料的方式在預制構件的模具中進行混凝土的布料工作。大車、小車行走裝置在各自軌道上運動，將料斗里的混凝土輸送到預制構件模具里。

1.步進電機；2.布料機料斗；3.打散棒； 4.螺桿；5.出料口。

1.2 螺旋輸送仿真模型建立

由文獻[8]可知，計算螺旋輸送速率的公式見式（1）。

質量流率計算式見式（2）[9]。

為了描述混凝土螺旋布料機在布料過程中的螺旋輸送效果，參考某混凝土螺旋布料機參數，通過Soliworks建立模型，利用石、砂和水泥顆粒模擬預制構件所需混凝土的配比。在EDEM軟件中分別建立顆粒直徑分別為10、25、35 mm，顆粒數分別為9 000、7 500、4 500顆的水泥、砂和石的顆粒模型。水泥、砂、石與鋼的材料屬性參數見文獻[10]。采用離散元法中的Hertz–Mindlin模擬混凝土的物理狀態，然后利用2個評價指標來評價布料機螺旋輸送性能。

2 螺旋輸送方案設計及輸送結果分析

2.1 螺旋輸送方案設計

混凝土螺旋布料機的轉速（工藝因素）、螺距（結構因素）、螺旋葉片直徑（結構因素）影響其輸送性能。布料機在布料工作中轉速太大，易輸出太多的混凝土物料造成浪費。若螺旋布料機在布料工作中轉速過小，則容易造成布料時混凝土物料的阻塞，不利于螺旋布料機的布料工作。螺旋布料機螺距和螺旋葉片也不宜過小，否則會造成堵塞現象從而影響布料機對混凝土的輸送結果。

故將輸送速率和平均質量流率作為三水平三因素的正交試驗的指標，并通過9種方案來研究混凝土螺旋布料機各因素對輸送性能的影響。同時，將螺距（A因素）設置為35、48、60，代號為1、2、3；螺旋葉片直徑（B因素）為60、70、80，代號為1、2、3；轉速（C因素）為25、30、35，代號為1、2、3。

2.2 螺旋輸送結果分析

利用建立的三維布料機模型和EDEM軟件模擬仿真9組試驗方案的混凝土輸送過程，并由圖2描述0～9 s時間內統計區總顆粒質量。

圖2 統計區總顆粒質量變化趨勢

圖2顯示了EDEM軟件進行模擬仿真9 s后的統計區混凝土總顆粒質量變化。由圖2可知，布料機中的混凝土顆粒分別在8個螺旋葉片的助推下在預制構件的模具中布料。由于每個方案的輸送速度、螺距和螺旋葉片直徑不同，在一定的時間范圍內，顆粒質量是與輸送時間呈正相關的關系，在EDEM軟件的混凝土顆粒的質量和輸送速率也各不相同，如表1所示。

當混凝土顆粒落入料槽時，由于沒有顆粒間的摩擦及堆積，使得輸送的流率加大；隨著時間的推移顆粒全部落入到模具里，會有顆粒摩擦、顆粒與料槽及葉片的摩擦及輸送速度等因素會使顆粒受到阻力作用，隨著螺旋葉片的勻速移動，各阻力作用逐漸減小，使得顆粒全部被輸送到統計區；針對不同的預制構件板件需要布料，輸送過程中平均質量流率會有先大后小，甚至為0的結果。又因為正交試驗中的布料機參數的區別，最終結果為0的時刻也不同。

因為最優方案在2個不同指標下結果不同，須建立兩指標和三因素的權重矩陣，并由權重大小確定輸送性能因素的主次因素。表2是通過極差法和矩陣分析法對正交實驗的直觀分析結果[11]。

因此由表2可以確定正交試驗的最優布料機幾何參數組合：3、3、1的權重較大，同時通過對各因素各水平對應的權重求和可以得出對平均輸送量流率和輸送速率2個指標綜合影響的主次順序為螺距、轉速、螺旋葉片直徑，也即影響布料機輸送量的因素參數為螺距、轉速、螺旋葉片直徑。

3 螺旋布料機輸送量預測實驗與分析

鑒于常規的布料機輸送量機理公式所求得混凝土輸送量有一定的缺陷或不足，因此建立改進灰狼算法優化BP神經網絡的輸送量預測模型，并把布料機螺距、轉速、螺旋葉片直徑作為預測模型的輸入量，對混凝土輸送量進行預測。

表1 9組方案仿真結果

Tab.1 Simulation results of 9 schemes

表2 極差法和矩陣分析法下的正交試驗直觀分析結果

Tab.2 Visual analysis results of orthogonal experiments under range method and matrix analysis method

3.1 改進的灰狼算法（EGWO）

為了提升灰狼算法的搜索效率，用混沌映射代替隨機數初始化的方法，可以確保群體的多樣性，讓種群具有較好的遍歷性和不重復性[12]。

SkewTent映射產生混沌序列的數學模型見式（3）。

通過改進步長更新公式來解決原位置方程權重系數保持穩定的問題，來克服灰狼算法的局部收斂和收斂速度慢問題[13]。

本文通過采用線性遞減權重的方法來更新灰狼的位置公式，從而使得傳統的標準灰狼算法具有全局搜索的能力。

通過改變收斂因子參數的線性行為，找到一個平衡探索和開發的方法[14]。

3.2 構建改進灰狼算法優化BP神經網絡（EGWO–BP）模型

2）建立BP神經網絡。對BP神經網絡結構進行選擇，也對網絡中間層的節點數進行規定。

4）當達到規定誤差值或最多迭代次數后，滿足條件，灰狼算法輸出2個最優值，將最優值賦予BP神經網絡進行訓練，輸出最終預測結果。上述流程見圖3。

圖3 預測模型程序流程

3.3 樣本數據獲取及實例分析

由文獻[5]可知，可取螺距、螺桿轉速、螺旋葉片直徑以及常用4種預制構件混凝土配比。從上述因素的隨機排列組合中取30組作為樣本數據，23組作為訓練數據，7組作為驗證數據。將獲取的實驗樣本數據分別輸入本文構建的模型進行混凝土輸送量的預測。

在圖4中，基于EGWO–BP神經網絡模型的混凝土輸送量預測輸出相較于BP神經網絡模型和GWO–BP神經網絡模型的預測輸出相對精確，與實際輸送量值趨于一致。圖5a中基于GWO–BP神經網絡模型的混凝土輸送量預測結果與實際值有大致的走向趨勢，會隨著時間的推移，誤差會隨之增加，圖5b基于BP神經網絡模型的混凝土輸送量預測結果不能滿足實際的變化趨勢，也不能很好地擬合期望輸出。

使用3個預測模型的平均絕對百分比誤差（MAPE）和決定系數（2）獨立運行15次，并評估3個模型的預測效率[15]。由表3可知，GWO–BP神經網絡模型和BP神經網絡模型的混凝土輸送量預測誤差較EGWO–BP神經網絡模型的誤差大，體現了EGWO–BP神經網絡模型在混凝土輸送量預測上的精度相對較好。從絕對系數達到0.95也可看出，EGWO–BP神經網絡模型的混凝土輸送量預測較另外2個預測模型有很高的預測精度。

圖4 基于EGWO–BP的混凝土預測對比

圖5 基于GWO–BP和BP的混凝土輸送量預測對比

表3 3種預測模型的性能評價

Tab.3 Evaluation on performance of 3 prediction models

4 結語

為確定混凝土螺旋布料機輸送性能的影響參數，通過離散元方法進行仿真模擬，并把輸送速率和平均質量流率作為評價指標。運用極差法和矩陣分析法分析正交方案，得出影響輸送量的因素主次順序為螺距、轉速、螺旋葉片直徑。

針對預制構件所需的混凝土輸送量問題，建立基于改進灰狼算法優化BP神經網絡混凝土輸送量預測模型，提高了影響輸送量的結構因素及工藝因素線性模型的非線性響應問題，EGWO–BP神經網絡模型的混凝土輸送量預測結果的平均絕對百分誤差為8%，絕對系數也達到0.95，預測結果可用于混凝土質量控制系統設定重量目標參考值，并為預制構件的生產自動化奠定基礎。

本文通過離散元方法、正交實驗、極差法和矩陣分析法確定了影響輸送量的因素，并通過改進灰狼算法對輸送量預測。可為包裝裝備的螺旋輸送確定影響輸送量的因素，同時也可為包裝工程中有關輸送量的預測提供方法。

[1] 鄒德芳, 周鵬, 孫健, 等. 大型智能PC外墻板混合生產線工藝及成套設備介紹[J]. 混凝土與水泥制品, 2017(4): 37-41.

ZOU De-fang, ZHOU Peng, SUN Jian, et al. Introduction of Technology and Complete Sets of Equipment for Large-Scale Intelligent PC External Wall Panel Mixing Production Line[J]. China Concrete and Cement Products, 2017(4): 37-41.

[2] JUSTIN W F, PAUL W C, WILLIAM M. Effect of Screw Design on Hopper Drawdown Of Spherical Particles in A Horizontal Screw Feeder[J]. Chemical Engineering Science, 2011, 66(22): 5585-5601.

[3] DAVIDE B, FEDERICO G, NILAY S, et al. Modelling and Nonlinear Model Predictive Control of a Twin Screw Feeder[J]. IFAC PapersOnLine, 2019, 52(18): 156-161.

[4] DHEERAJ M, ABHISHEK S, HARSH P et al.A Review of Granular Flow in Screw Feeders and Conveyors[J]. Powder Technology, 2020, 366: 369-381.

[5] 周鵬, 郭菁菁, 李冬, 等. 基于神經網絡的布料機輸送預報與仿真研究[J]. 計算機仿真, 2021, 38(3): 476-481.

ZHOU Peng, GUO Jing-jing, LI Dong, et al. Research on Prediction and Simulation of Distributor Conveying Based on Neural Network[J]. Computer Simulation, 2021, 38(3): 476-481.

[6] 王友勝, 許煥敏, 高騰, 等. 螺旋給料機結構優化設計[J]. 機械設計與制造, 2021, 366(8): 185-187.

WANG You-sheng, XU Huan-min, GAO Teng, et al. Optimization Design of Screw Feeder Structure[J]. Machinery Design & Manufacture, 2021, 366(8): 185-187.

[7] 王震民, 李永祥, 徐雪萌. 粉體密實變螺距螺桿結構設計與仿真分析[J]. 包裝工程, 2020, 41(23): 172-178.

WANG Zhen-min, LI Yong-xiang, XU Xue-meng. Structural Design and Simulation Analysis of Powder Compact Pitch Screw[J]. Packaging Engineering, 2020, 41(23): 172-178.

[8] 中國農業機械化科學研究院. 實用機械設計手冊[M]. 北京: 中國農業機械出版社, 1985: 524-532.

China Agricultural Machinery Science and Technology Research Institute. Practical Mechanical Design Manual[M]. Beijing: China Agricultural Machinery Press, 1985: 524-532.

[9] 耿娑. 鍋爐煤粉質量流量檢測裝置研究與設計[D]. 石家莊: 石家莊鐵道大學, 2018: 64-65.

GENG Suo. Research and Design of Quality Flow Measurement Device for Boiler Coal[D]. Shijiazhuang: Shijiazhuang Tiedao University, 2018: 64-65.

[10] 劉軍, 歐可活. 基于EDEM的行星式混凝土攪拌設備的攪拌仿真分析[J]. 建筑機械, 2020(11): 62-65.

LIU Jun, OU Ke-huo. Simulation Analysis of Planetary Concrete Mixing Equipment Based on EDEM[J]. Construction Machinery, 2020(11): 62-65.

[11] 陳思楊, 管幸生, 吳正仲. 基于正交實驗的快遞包裝循環利用的優化分析[J]. 包裝工程, 2022, 43(4): 279-285.

CHEN Si-yang, GUAN Xing-sheng, WU Zheng-zhong. Optimization Analysis of Express Package Recycling Based on Orthogonal Experiment[J]. Packaging Engineering, 2022, 43(4): 279-285.

[12] SEYEDALI M, IBRAHIM A, MAJDI M, et al. Grey Wolf Optimizer: Theory, Literature Review, and Application in Omputational Fluid Dynamics Problems[J]. Advances in Engineering Software, 2014, 69: 46-61.

[13] LONG Wen, JIAO Jian-jun, LIANG Xi-ming, et al. An Exploration-Enhanced Grey Wolf Optimizer to Solve High-Dimensional Numerical Optimization[J]. Engineering Applications of Artificial Intelligence (the International Journal of Intelligent Real-Time Automation), 2018: 63-80.

[14] 張文勝, 郝孜奇, 朱冀軍, 等. 基于改進灰狼算法優化BP神經網絡的短時交通流預測模型[J]. 交通運輸系統工程與信息, 2020, 20(2): 196-203.

ZHANG Wen-sheng, HAO Zi-qi, ZHU Ji-jun, et al. BP Neural Network Model for Short-Time Traffic Flow Forecasting Based on Transformed Grey Wolf Optimizer Algorithm[J]. Journal of Transportation Systems Engineering and Information Technology, 2020, 20(2): 196-203.

[15] EMADALDIN M G, ALI B, MEHRDAD A. Predicting The Compressive Strength of Normal and High-Performance Concretes Using ANN and ANFIS Hybridized with Grey Wolf Optimizer[J]. Construction and Building Materials, 2020, 232: 117-266.

Accurate Prediction of Conveying Volume of Spiral Distributor

CAI An-jiang1, LIU Ya-dong1, LIU Jun-qiang1, PANG Qiu-sheng2

(1. Xi'an University of Architecture and Technology, Xi'an 710055, China; 2. Dezhou Haitian Electromechanical Technology Limited Company, Shandong Dezhou 253000, China)

The work aims to take prediction of screw conveying volume as the target, and propose an improved gray wolf algorithm to optimize the conveying volume prediction model of BP neural network with process factors and structural factors as input, to solve quality issue of concrete conveyed by the distributor required for prefabricated components. The conveying process of the distributor was simulated by EDEM, and the conveying rate and the average mass flow rate were used as two evaluation standards of orthogonal experiment. The range method and matrix analysis method were used to obtain the effect order of various distributor factors on the two standards. The methods of chaotic population initialization, step size update formula and adaptive convergence factor were used to improve the slow convergence speed of gray wolf algorithm and the limitation to local optimal solution. The weights and thresholds of BP neural network were optimized through the improved algorithm. For the optimized conveying volume prediction, the average absolute percentage error was 8%, and the coefficient of determination is 0.95, which was smaller than the predicted value error of the conveying volume model of other experimental comparison groups. The study can provide concrete setting target values for the quantitative distribution of prefabricated components.

spiral distributor; conveying volume; orthogonal experiment; prediction; BP neural network; improved gray wolf algorithm

TU69；TP183

A

1001-3563(2023)13-0175-06

10.19554/j.cnki.1001-3563.2023.13.021

2022?05?22

教育部科技發展中心產學研創新基金（2021DZ022）

蔡安江（1965—），男，教授，博導，主要研究方向為數字化與智能化制造技術等。

責任編輯：曾鈺嬋