李青林 宋玉營(yíng) 姚成建 李文斌 岳穎超

(江蘇大學(xué)農(nóng)業(yè)工程學(xué)院，鎮(zhèn)江 212013)

0 引言

設(shè)計(jì)是產(chǎn)品研發(fā)的重要環(huán)節(jié)。隨著計(jì)算機(jī)技術(shù)的不斷發(fā)展，越來越多農(nóng)機(jī)產(chǎn)品的設(shè)計(jì)研發(fā)過程采用了智能設(shè)計(jì)技術(shù)[1]。稻麥聯(lián)合收獲機(jī)是農(nóng)業(yè)機(jī)械化、現(xiàn)代化的典型產(chǎn)品，應(yīng)用智能設(shè)計(jì)技術(shù)可以有效解決稻麥聯(lián)合收獲機(jī)在研發(fā)過程中存在的設(shè)計(jì)周期長(zhǎng)、效率低、設(shè)計(jì)可靠性差等問題。清選裝置是稻麥聯(lián)合收獲機(jī)的重要組成部分，其結(jié)構(gòu)復(fù)雜、零部件眾多、設(shè)計(jì)難度大。清選效果直接影響整機(jī)的作業(yè)質(zhì)量，選擇合適的清選方式并設(shè)計(jì)合理的部件結(jié)構(gòu)可以在很大程度上提高稻麥聯(lián)合收獲機(jī)的整機(jī)性能[2-3]。因此，探索稻麥聯(lián)合收獲機(jī)清選裝置的智能設(shè)計(jì)與優(yōu)化方法十分必要。

研究者在清選裝置設(shè)計(jì)和優(yōu)化的多個(gè)環(huán)節(jié)已進(jìn)行了深入、詳細(xì)的研究[4-8]，但尚未形成一套完整的智能設(shè)計(jì)與優(yōu)化系統(tǒng)。本文采用多學(xué)科交叉的方法搭建稻麥聯(lián)合收獲機(jī)清選裝置智能設(shè)計(jì)與優(yōu)化的整體框架；以SQL Server 2012關(guān)系型數(shù)據(jù)庫(kù)作為存儲(chǔ)工具，建立清選裝置知識(shí)庫(kù)和相關(guān)推理機(jī)制；結(jié)合C++及KF(知識(shí)融合)兩種開發(fā)語言對(duì)NX進(jìn)行二次開發(fā)，建立清選裝置參數(shù)化模型庫(kù)；進(jìn)行清選裝置CFD-DEM耦合仿真的正交試驗(yàn)，并基于試驗(yàn)結(jié)果，采用PSO-SVR算法構(gòu)建清選裝置關(guān)鍵零部件參數(shù)與清選含雜率、損失率的回歸模型，使用SPEA2算法實(shí)現(xiàn)清選含雜率、損失率的多目標(biāo)優(yōu)化，為清選裝置的設(shè)計(jì)提供優(yōu)化方案。

1 清選裝置智能設(shè)計(jì)與優(yōu)化框架

清選裝置的主要功用是將經(jīng)脫粒裝置分離出來的莖稈、穎殼等雜余清選干凈，其性能直接影響著整機(jī)的工作質(zhì)量與效率。清選后的籽粒含雜率和損失率是衡量清選效果的主要指標(biāo)[9]。清選裝置結(jié)構(gòu)復(fù)雜，其傳統(tǒng)設(shè)計(jì)過程主要靠經(jīng)驗(yàn)積累，以CAE軟件為輔助進(jìn)行設(shè)計(jì)；其智能化設(shè)計(jì)過程包括需求分析、零部件結(jié)構(gòu)設(shè)計(jì)、三維建模、仿真與試驗(yàn)驗(yàn)證、結(jié)構(gòu)優(yōu)化等主要步驟。本文在傳統(tǒng)設(shè)計(jì)和智能設(shè)計(jì)的基礎(chǔ)上，構(gòu)造了一套由用戶需求模塊、知識(shí)庫(kù)和推理模塊、參數(shù)化建模模塊、智能優(yōu)化模塊4部分組成的稻麥聯(lián)合收獲機(jī)清選裝置智能設(shè)計(jì)與優(yōu)化系統(tǒng)，其總體框架結(jié)構(gòu)如圖1所示。

1.1 用戶需求模塊

用戶需求模塊主要用來獲取用戶在設(shè)計(jì)產(chǎn)品時(shí)的定制化需求信息。用戶在系統(tǒng)中輸入設(shè)計(jì)需求，可以指導(dǎo)系統(tǒng)有針對(duì)性地從知識(shí)庫(kù)中調(diào)用相關(guān)設(shè)計(jì)知識(shí)并進(jìn)行推理。清選裝置智能設(shè)計(jì)與優(yōu)化用戶需求模塊包括清選裝置總體設(shè)計(jì)要求以及清選裝置作業(yè)參數(shù)。其中，清選裝置總體設(shè)計(jì)要求包括清選裝置的關(guān)鍵尺寸(如清選室外形尺寸)以及結(jié)構(gòu)配置(氣流式、風(fēng)扇篩子式、氣流清選筒式)；清選裝置作業(yè)參數(shù)包括總產(chǎn)量、作業(yè)速度在內(nèi)的總體作業(yè)參數(shù)以及喂入量、谷草比等輔助作業(yè)參數(shù)[10]。

1.2 知識(shí)庫(kù)和推理模塊

知識(shí)庫(kù)和推理模塊由清選裝置知識(shí)庫(kù)和推理機(jī)組成，主要功能是對(duì)用戶輸入的需求信息進(jìn)行分析、推理，輸出清選裝置設(shè)計(jì)所需的關(guān)鍵零部件參數(shù)，供用戶建模參考。清選裝置設(shè)計(jì)知識(shí)庫(kù)主要來源于農(nóng)機(jī)設(shè)計(jì)手冊(cè)、國(guó)家標(biāo)準(zhǔn)、文獻(xiàn)等，并對(duì)清選裝置設(shè)計(jì)的相關(guān)知識(shí)進(jìn)行整理、歸納，根據(jù)知識(shí)之間的差異將知識(shí)庫(kù)分為包含規(guī)則表、公式表、參數(shù)表在內(nèi)的規(guī)則庫(kù)，以及包含經(jīng)驗(yàn)知識(shí)表、整機(jī)實(shí)例表等的實(shí)例庫(kù)。清選裝置設(shè)計(jì)的推理機(jī)制主要采用基于實(shí)例推理和基于規(guī)則推理的混合推理機(jī)制進(jìn)行推理。

1.3 參數(shù)化建模模塊

參數(shù)化建模模塊的主體部分是清選裝置關(guān)鍵零部件模型庫(kù)，通過Visual Studio 2012平臺(tái)對(duì)NX進(jìn)行二次開發(fā)，包括配置開發(fā)環(huán)境、創(chuàng)建工程路徑、創(chuàng)建菜單欄、制作UI界面、編寫生成模型的應(yīng)用程序等流程。參數(shù)化建模過程主要采用基于程序的參數(shù)驅(qū)動(dòng)方法，根據(jù)零部件的幾何拓?fù)潢P(guān)系，結(jié)合知識(shí)庫(kù)和推理模塊得到的關(guān)鍵零部件設(shè)計(jì)參數(shù)，如零部件尺寸、裝配結(jié)構(gòu)參數(shù)、部件工作參數(shù)等，參數(shù)驅(qū)動(dòng)生成清選裝置關(guān)鍵零部件模型，然后對(duì)各零部件進(jìn)行裝配，生成清選裝置整體模型。

1.4 智能優(yōu)化模塊

智能優(yōu)化模塊主要功能是：采用正交試驗(yàn)法對(duì)清選裝置整體三維模型進(jìn)行基于EDEM離散元和Fluent流場(chǎng)的耦合仿真分析，研究清選裝置關(guān)鍵零部件參數(shù)對(duì)于清選效果(含雜率、損失率)的影響；根據(jù)試驗(yàn)結(jié)果建立清選含雜率、損失率的數(shù)學(xué)模型，結(jié)合多目標(biāo)優(yōu)化算法，對(duì)清選裝置關(guān)鍵零部件參數(shù)進(jìn)行優(yōu)化，為稻麥聯(lián)合收獲機(jī)清選裝置的設(shè)計(jì)過程提供優(yōu)化方案。

2 清選裝置智能設(shè)計(jì)知識(shí)庫(kù)和推理機(jī)構(gòu)建

以SQL Server 2012關(guān)系型數(shù)據(jù)庫(kù)作為存儲(chǔ)工具，建立稻麥聯(lián)合收獲機(jī)清選裝置知識(shí)庫(kù)。該知識(shí)庫(kù)包括實(shí)例庫(kù)和規(guī)則庫(kù)，其中，實(shí)例庫(kù)知識(shí)存儲(chǔ)了清選裝置各零部件及整機(jī)的實(shí)例類知識(shí)，如圖2所示；規(guī)則庫(kù)中存儲(chǔ)了選型規(guī)則、設(shè)計(jì)規(guī)則、性能評(píng)價(jià)規(guī)則等規(guī)則類知識(shí)，如圖3所示。

清選裝置推理機(jī)是通過讀取用戶輸入需求，采用基于實(shí)例的推理和基于規(guī)則的推理機(jī)制，根據(jù)設(shè)計(jì)流程和設(shè)計(jì)規(guī)則逐步確定各零部件尺寸、結(jié)構(gòu)等參數(shù)。其推理流程如圖4所示。

3 清選裝置參數(shù)化建模方法

3.1 關(guān)鍵零部件設(shè)計(jì)參數(shù)

清選裝置參數(shù)化建模過程的實(shí)現(xiàn)依托于清選裝置參數(shù)化模型庫(kù)以及知識(shí)庫(kù)和推理模塊推理得出的關(guān)鍵零部件設(shè)計(jì)參數(shù)。根據(jù)設(shè)計(jì)過程中的參數(shù)特征，本文將清選裝置關(guān)鍵零部件設(shè)計(jì)參數(shù)分為3類[11]：

(1)零部件尺寸參數(shù)：清選裝置中的風(fēng)機(jī)整體尺寸及風(fēng)機(jī)中的葉輪直徑、葉輪寬、葉片數(shù)等，清選篩整體尺寸及清選篩的篩片厚度等。

(2)裝配結(jié)構(gòu)參數(shù)：風(fēng)機(jī)安裝傾角，導(dǎo)風(fēng)板傾角，抖動(dòng)板傾角，清選篩上、下篩間距，清選篩傾角，篩片傾角等參數(shù)。

(3)部件工作參數(shù)：風(fēng)機(jī)轉(zhuǎn)速，風(fēng)機(jī)吹風(fēng)方向，抖動(dòng)板擺幅，清選篩擺幅，振動(dòng)篩頻率等。

3.2 參數(shù)化模型庫(kù)及其創(chuàng)建流程

稻麥聯(lián)合收獲機(jī)清選裝置主要部件包括：清選篩、抖動(dòng)板、驅(qū)動(dòng)裝置、風(fēng)機(jī)等。本文基于Visual Studio 2012開發(fā)平臺(tái)，采用NX二次開發(fā)的方法創(chuàng)建參數(shù)化模型庫(kù)。

在對(duì)NX進(jìn)行二次開發(fā)時(shí)，通常需要提前在二次開發(fā)文件夾下創(chuàng)建子文件夾，以方便歸類和整理各類文件。圖5為NX二次開發(fā)文件夾及其歸類簡(jiǎn)圖，二次開發(fā)文件夾命名為TOOLS，在二次開發(fā)文件夾內(nèi)建立4個(gè)子文件夾，其中“Application”放置KF編程文件(.dfa)、對(duì)話框相關(guān)文件(“.dlx”以及“.dlg”文件)、動(dòng)態(tài)鏈接庫(kù)文件(.dll)，Pictures文件夾用于存放圖文件(.bmp)，Data文件夾用于存放相關(guān)Excel表格文件(.xlsx)，Startup文件夾存放工具條(.tbr)和菜單(.men)腳本文件[12]。

清選裝置參數(shù)化模型庫(kù)的開發(fā)流程包括配置開發(fā)環(huán)境、創(chuàng)建工程路徑、創(chuàng)建菜單欄、制作UI界面、編寫生成模型的應(yīng)用程序等，如圖6所示。

應(yīng)用程序需結(jié)合建模需求及零部件的結(jié)構(gòu)特點(diǎn)進(jìn)行編寫：編寫程序讀取與調(diào)用參數(shù)化設(shè)計(jì)對(duì)話框中的輸入值，根據(jù)零件的幾何特征，使用拉伸、布爾運(yùn)算等命令創(chuàng)建幾何模型，從而控制模型的結(jié)構(gòu)尺寸與約束關(guān)系。以魚鱗篩篩片為例，生成模型的應(yīng)用程序步驟為：

(1)調(diào)用對(duì)話框里的相關(guān)值

double L1 = L->Value();

double T1 = T->Value()

?

(2)轉(zhuǎn)換字符格式

char L2[256],W2[256],T2[256];

sprintf(L2,"%f",L1);

?

(3)創(chuàng)建直線

double a1= a->Value();

char a2[256];

sprintf(a2,"%f",a1)

(4)通過for循環(huán)計(jì)算齒數(shù)

int n;

for(int i=1; i*a1 < L1-100; i++);

{n=i;}

(5)創(chuàng)建齒板

UF_FEATURE_SIGN block1sign

= UF_POSITIVE;

double block1conner[3]={50.0,W1/4,0.0};

char* block1edgeleg[3]={L22,W22,T22};

tag_t block1TAG = NULL_TAG;

UF_MODL_create_block1

(block1sign,block1conner,block1edgeleg,&block1TAG)

?

4 清選裝置智能優(yōu)化方法

采用數(shù)值模擬技術(shù)與現(xiàn)代優(yōu)化設(shè)計(jì)理論相結(jié)合的優(yōu)化方法，設(shè)計(jì)CFD-DEM耦合仿真的正交試驗(yàn)，使用有限的試驗(yàn)數(shù)據(jù)建立待優(yōu)化參數(shù)與清選含雜率、損失率之間的數(shù)學(xué)模型，采用多目標(biāo)優(yōu)化算法計(jì)算得到清選裝置關(guān)鍵零部件結(jié)構(gòu)的最優(yōu)參數(shù)組合[11]。

4.1 CFD-DEM耦合仿真試驗(yàn)

目前，諸多試驗(yàn)研究表明，利用CFD-DEM耦合對(duì)稻麥聯(lián)合收獲機(jī)進(jìn)行數(shù)值模擬是可行的，可為清選裝置的優(yōu)化設(shè)計(jì)提供依據(jù)[13-17]。此外，本文采用的CFD-DEM耦合仿真試驗(yàn)已通過臺(tái)架試驗(yàn)對(duì)比驗(yàn)證，在相同優(yōu)化變量下，仿真試驗(yàn)與臺(tái)架試驗(yàn)結(jié)果的相對(duì)誤差大部分在3%～10%之間。

稻麥聯(lián)合收獲機(jī)清選裝置多為風(fēng)扇篩子式清選裝置，通過篩箱的篩選和風(fēng)場(chǎng)的風(fēng)選共同完成清選過程，而控制風(fēng)場(chǎng)的入風(fēng)口風(fēng)速和進(jìn)行篩選的振動(dòng)頻率則是影響清選效果的重要因素。因此，本文選取清選裝置入風(fēng)口風(fēng)速、上導(dǎo)風(fēng)板傾角、下導(dǎo)風(fēng)板傾角和振動(dòng)篩頻率這4個(gè)因素作為優(yōu)化變量，選取清選含雜率、損失率作為衡量清選效果的評(píng)價(jià)指標(biāo)，設(shè)計(jì)四因素四水平(L16(44))的正交試驗(yàn)，采用CFD-DEM耦合仿真的方法對(duì)16組試驗(yàn)分別進(jìn)行數(shù)值模擬。通過使用EDEM分析模塊中的“Grid bin Group”功能，統(tǒng)計(jì)清選裝置的含雜質(zhì)量和損失籽粒的質(zhì)量，從而計(jì)算出清選含雜率、損失率。所設(shè)計(jì)耦合仿真正交試驗(yàn)與清選含雜率、損失率如表1所示。

表1 CFD-DEM耦合仿真正交試驗(yàn)結(jié)果

4.2 PSO-SVR代理模型構(gòu)建

4.2.1支持向量回歸模型

支持向量回歸(Support vector regression，SVR)是建立在支持向量機(jī)(Support vector machine，SVM)思想上的高效回歸算法，具有泛化能力強(qiáng)、適合小樣本和高維特征的優(yōu)點(diǎn)[18]。因此，本文采用該算法構(gòu)建稻麥聯(lián)合收獲機(jī)清選含雜率、損失率的回歸模型。

設(shè)樣本數(shù)據(jù)的特征向量為{(x1,y1),(x2,y2),…,(xn,yn)},xi∈Rm,yi∈R，其中，xi為m維輸入向量，yi為對(duì)應(yīng)的響應(yīng)值。

回歸模型為

f(x)=wTφ(x)+b=

其中

式中w——權(quán)重向量b——偏置量

α、α*——拉格朗日乘子

φ(x)——函數(shù)映射C——懲罰系數(shù)

K(xi,x)——核函數(shù)

為了將樣本數(shù)據(jù)映射到高維線性空間，本文采用高斯核函數(shù)(Radial basis function, RBF)[19]，則

K(xi,xj)=exp(-γ‖x-xi‖2)

式中γ——高斯核函數(shù)超參數(shù)

4.2.2PSO-SVR代理模型構(gòu)建過程

支持向量回歸模型的回歸參數(shù)決定了模型的擬合精度和泛化性能，若想得到擬合效果較好的代理模型，則需對(duì)模型參數(shù)進(jìn)行優(yōu)化[20]。本文選用的是RBF核函數(shù)，故待優(yōu)化參數(shù)為懲罰系數(shù)C和核函數(shù)超參數(shù)γ。

粒子群優(yōu)化算法(Particle swarm optimization, PSO)是一種群智能優(yōu)化算法，通過計(jì)算每個(gè)粒子的適應(yīng)度，將每個(gè)粒子的適應(yīng)度與粒子全局所經(jīng)歷的最好位置相比較，不斷更新粒子的最優(yōu)位置，從而實(shí)現(xiàn)全局尋優(yōu)。粒子群算法具有設(shè)計(jì)模型簡(jiǎn)單、設(shè)計(jì)參數(shù)少、運(yùn)行速度快等優(yōu)點(diǎn)[21]。因此，本文采用粒子群算法對(duì)回歸模型的參數(shù)(懲罰系數(shù)C、核函數(shù)超參數(shù)γ)進(jìn)行優(yōu)化，且采用均方誤差(MSE)來檢驗(yàn)代理模型樣本預(yù)測(cè)值與真實(shí)值之間的偏差，采用決定系數(shù)R2來檢驗(yàn)?zāi)Ｐ偷臄M合效果。

稻麥聯(lián)合收獲機(jī)清選含雜率、損失率PSO-SVR回歸模型的構(gòu)建及參數(shù)優(yōu)化流程如圖7所示。

4.3 基于SPEA2優(yōu)化算法的關(guān)鍵零部件優(yōu)化

依據(jù)上文所述方法，構(gòu)建了稻麥聯(lián)合收獲機(jī)清選裝置含雜率、損失率的PSO-SVR代理模型。為了得到清選裝置入風(fēng)口風(fēng)速、上導(dǎo)風(fēng)板傾角、下導(dǎo)風(fēng)板傾角和振動(dòng)篩頻率的最佳參數(shù)組合，需要對(duì)所構(gòu)建的含雜率、損失率模型進(jìn)行多目標(biāo)優(yōu)化。

Pareto強(qiáng)度進(jìn)化算法2(SPEA2算法)是解決多目標(biāo)優(yōu)化問題的常用算法，具有分布性好、設(shè)置參數(shù)少、收斂速度快等優(yōu)點(diǎn)，且在處理低維問題時(shí)，SPEA2算法具有較好的綜合性能[19]。因此，本文采用SPEA2算法尋優(yōu)，得出清選含雜率、損失率PSO-SVR代理模型的Pareto非劣解集，其具體流程[22-24]如圖8所示。

5 案例應(yīng)用

5.1 清選裝置智能化設(shè)計(jì)過程

用戶輸入需求：從智能設(shè)計(jì)與優(yōu)化系統(tǒng)中進(jìn)入用戶需求界面(圖9a)，輸入需求參數(shù)；單擊“設(shè)計(jì)計(jì)算”按鈕，平臺(tái)便會(huì)根據(jù)用戶需求調(diào)用知識(shí)庫(kù)管理模塊中的相關(guān)設(shè)計(jì)知識(shí)，并通過知識(shí)推理，生成清選裝置關(guān)鍵零部件設(shè)計(jì)參數(shù)(圖9b)。

單擊“鏈接NX”按鈕，即可進(jìn)入NX建模軟件。打開清選裝置參數(shù)化模型庫(kù)，根據(jù)設(shè)計(jì)系統(tǒng)中輸出的參數(shù)，在NX中進(jìn)行參數(shù)化建模。以魚鱗篩為例，其建模過程為：?jiǎn)螕簟扒暹x裝置模型庫(kù)”按鈕，選擇“魚鱗篩”，參考圖9b中的輸出參數(shù)，分別完成魚鱗篩片、上連接板、下連接板的參數(shù)化建模，最后選擇“裝配體”實(shí)現(xiàn)魚鱗篩各零部件的整體裝配，如圖10所示。

清選裝置模型庫(kù)還包括網(wǎng)眼篩、風(fēng)機(jī)、抖動(dòng)板、驅(qū)動(dòng)裝置，通過清選裝置參數(shù)化模型庫(kù)生成的相關(guān)部件及整體裝配效果如圖11所示。

5.2 清選裝置智能優(yōu)化過程

清選裝置智能優(yōu)化過程所涉及算法的編譯與應(yīng)用均在Matlab軟件中實(shí)現(xiàn)。以表1所設(shè)計(jì)的16組CFD-DEM耦合仿真試驗(yàn)作為樣本數(shù)據(jù)，隨機(jī)生成13組訓(xùn)練集和3組測(cè)試集，分別構(gòu)建清選含雜率和損失率訓(xùn)練集的SVR回歸模型，采用粒子群算法對(duì)模型參數(shù)進(jìn)行優(yōu)化。其中，含雜率模型懲罰系數(shù)C為100，核函數(shù)超參數(shù)γ為0.01，損失率模型懲罰系數(shù)C為724.077 3、核函數(shù)超參數(shù)γ為0.007 812 5。

而后，驗(yàn)證模型在訓(xùn)練集和測(cè)試集上的擬合精度，如圖12所示?？梢?，清選含雜率、損失率PSO-SVR代理模型在訓(xùn)練集上的決定系數(shù)在0.99～1之間，在測(cè)試集上的決定系數(shù)也都在0.96～1之間，且均方誤差也都處于0.05之內(nèi)，可以判斷清選含雜率、損失率經(jīng)PSO算法優(yōu)化的SVR回歸模型擬合精度較高。

采用SPEA2算法對(duì)清選含雜率、損失率代理模型進(jìn)行多目標(biāo)優(yōu)化，以獲得清選裝置關(guān)鍵零部件的最優(yōu)參數(shù)組合。

輸入進(jìn)化種群規(guī)模為30，Pareto解集規(guī)模為30，最大迭代次數(shù)為100，在Matlab中運(yùn)行SPEA2程序，得到全局尋優(yōu)后的清選裝置含雜率、損失率以及模型的Pareto非劣解集，如表2和圖13所示。

圖13為全局尋優(yōu)后得到的清選裝置含雜率、損失率的散點(diǎn)圖，由圖中可看出，清選含雜率和損失率大致存在反比例關(guān)系。當(dāng)清選含雜率高時(shí)，相同參數(shù)組合下對(duì)應(yīng)的清選損失率低；當(dāng)清選含雜率較低時(shí)，相同參數(shù)組合下對(duì)應(yīng)的清選損失率較高。

表2為清選含雜率、損失率PSO-SVR代理模型的30組Pareto非劣解集，這30種關(guān)鍵零部件參數(shù)組合所對(duì)應(yīng)的含雜率和損失率均是最優(yōu)的。然而，在實(shí)際作業(yè)中，盡管清選損失率的降低往往會(huì)伴隨著清選含雜率的升高，但清選損失率的重要程度高于清選含雜率[25]。當(dāng)檢測(cè)出損失率大于國(guó)家標(biāo)準(zhǔn)時(shí)，即判定產(chǎn)品不合格而不會(huì)再去檢查破碎率和含雜率的情況。因此，本文選取損失率最低值對(duì)應(yīng)的參數(shù)組合作為該模型關(guān)鍵零部件參數(shù)的最優(yōu)組合，即第19組數(shù)據(jù)(四舍五入)：入風(fēng)口風(fēng)速6 m/s、振動(dòng)篩頻率4.5 Hz、上導(dǎo)風(fēng)板傾角32°、下導(dǎo)風(fēng)板傾角18°，此時(shí)清選含雜率、損失率分別為1.077%和0.97%。最后，將優(yōu)化結(jié)果反饋到參數(shù)化建模模塊中，依據(jù)表3中對(duì)應(yīng)參數(shù)修改相關(guān)零部件模型。

表2 清選含雜率、損失率Pareto解集

表3 優(yōu)化變量與設(shè)計(jì)參數(shù)對(duì)應(yīng)關(guān)系

6 結(jié)論

(1)構(gòu)建了一套稻麥聯(lián)合收獲機(jī)清選裝置智能設(shè)計(jì)與優(yōu)化系統(tǒng)，該系統(tǒng)可根據(jù)用戶需求推理出清選裝置設(shè)計(jì)所需的關(guān)鍵零部件參數(shù)，進(jìn)行清選裝置參數(shù)化建模以及智能優(yōu)化，有助于提高農(nóng)機(jī)產(chǎn)品的研發(fā)效率。

(2)結(jié)合C++及KF(知識(shí)融合)兩種開發(fā)語言對(duì)NX進(jìn)行二次開發(fā)，構(gòu)建了稻麥聯(lián)合收獲機(jī)清選裝置參數(shù)化模型庫(kù)，并通過實(shí)例演示了清選裝置關(guān)鍵零部件的參數(shù)化建模過程。

(3)設(shè)計(jì)并進(jìn)行清選裝置CFD-DEM耦合仿真的正交試驗(yàn)，基于仿真結(jié)果數(shù)據(jù)，采用PSO-SVR算法構(gòu)建了清選裝置關(guān)鍵零部件參數(shù)與清選含雜率、損失率的回歸模型，使用SPEA2算法實(shí)現(xiàn)了清選含雜率、損失率的多目標(biāo)優(yōu)化。結(jié)果表明，當(dāng)清選裝置入風(fēng)口風(fēng)速為6 m/s、振動(dòng)篩頻率為4.5 Hz、上導(dǎo)風(fēng)板傾角為32°、下導(dǎo)風(fēng)板傾角為18°時(shí)，對(duì)應(yīng)的清選裝置模型含雜率與損失率分別為1.077%和0.97%。以此為參考，可優(yōu)化清選裝置關(guān)鍵零部件模型設(shè)計(jì)參數(shù)，為稻麥聯(lián)合收獲機(jī)清選裝置的設(shè)計(jì)提供優(yōu)化方案。