朱會(huì)霞，劉鳳超，李彤煜，王輝暖，馬 巍

(1.遼寧工業(yè)大學(xué)管理學(xué)院，遼寧 錦州 121001；2.錦州醫(yī)科大學(xué)畜牧獸醫(yī)學(xué)院，遼寧 錦州 121001)

帶式種子清選機(jī)是基于摩擦分離清選機(jī)理設(shè)計(jì)的種子清選設(shè)備，對(duì)于大豆、紅小豆、綠豆等圓粒型物料中的碎、半豆一次清選精度可達(dá)99%以上[1-2]。現(xiàn)有帶式清選設(shè)備性能參數(shù)的優(yōu)化研究主要針對(duì)豆類物料，而花生種子與豆類物理性狀差異較大[3-7]，其研究參數(shù)較難為花生種子清選提供借鑒。

目前，有關(guān)農(nóng)業(yè)機(jī)械設(shè)備性能參數(shù)的優(yōu)化問題，一般采用試驗(yàn)設(shè)計(jì)與回歸分析的方法建立非線性數(shù)學(xué)模型，利用方差分析法、單因素效應(yīng)法等分析試驗(yàn)結(jié)果，找出最佳因素水平[8-12]。這種方法是在假設(shè)模型基礎(chǔ)上進(jìn)行的回歸，而農(nóng)業(yè)機(jī)械設(shè)備性能參數(shù)之間關(guān)系復(fù)雜，具有很強(qiáng)的非線性和“黑箱”特點(diǎn)，往往難以用確定的函數(shù)關(guān)系來描述，故此種方法對(duì)數(shù)學(xué)模型選擇的要求較高，可能會(huì)出現(xiàn)較大估計(jì)誤差，影響擬合精度。

針對(duì)回歸模型存在的問題，本文提出基于改進(jìn)的遺傳神經(jīng)網(wǎng)絡(luò)優(yōu)化方法，采用改進(jìn)的遺傳算法徹底取代神經(jīng)網(wǎng)絡(luò)中“誤差逆?zhèn)鞑ァ边^程，形成遺傳神經(jīng)網(wǎng)絡(luò)算法，用試驗(yàn)數(shù)據(jù)訓(xùn)練改進(jìn)的遺傳神經(jīng)網(wǎng)絡(luò)，并將訓(xùn)練好的遺傳神經(jīng)網(wǎng)絡(luò)算法用于花生種子帶式清選設(shè)備關(guān)鍵作業(yè)參數(shù)的優(yōu)化。

1 試驗(yàn)材料及方案

由花生種子帶式清選設(shè)備工作原理可知，花生種子清選質(zhì)量主要用合格率和帶出率兩個(gè)性能指標(biāo)來衡量。參考中華人民共和國行業(yè)標(biāo)準(zhǔn)種子分級(jí)機(jī)試驗(yàn)鑒定方法(NY/T366-1999)，合格率H與帶出率D的計(jì)算公式如下：

(1)

(2)

式中，Gh為成品出料口測(cè)定樣品中整?；ㄉ|(zhì)量；Gy為成品出料口測(cè)定樣品總質(zhì)量；Gd為廢料出口測(cè)定樣品中整?；ㄉ|(zhì)量；Gn為廢料出料口測(cè)定樣品總質(zhì)量；單位均為g。

合格率和帶出率兩個(gè)性能指標(biāo)主要受縱向傾角A(帆布帶與X方向夾角)、橫向傾角B(帆布帶與Y方向夾角)、帆布帶帶速C三個(gè)關(guān)鍵作業(yè)參數(shù)的影響，故選取這三個(gè)關(guān)鍵作業(yè)參數(shù)作為試驗(yàn)因素，研究不同參數(shù)組合對(duì)合格率和帶出率的影響，要求合格率最大的同時(shí)，帶出率最小[13]。供試品種花育33號(hào)，運(yùn)用正交旋轉(zhuǎn)組合試驗(yàn)方法，進(jìn)行三因素三水平試驗(yàn)，試驗(yàn)因素水平編碼情況如表1所示，試驗(yàn)結(jié)果如表2所示。

表1 試驗(yàn)因素水平編碼表

Note:A,vertical angle;B, lateral angle;C, belt speed.Same as below.

表2 試驗(yàn)方案與結(jié)果

Note:y1, qualification rate;y2, entrainment rate.Same as below.

根據(jù)表1和表2數(shù)據(jù)分析，可得合格率H與帶出率D回歸方程，如式(3)和式(4)所示。

H=96.78-2.86A+0.25B+4.53C-0.05AB+3.44AC+2.88BC-10.28A2-10.98B2-8.90C2

(3)

D=2.34-2.01A-0.25B+3.25C-3.90AB+5.88AC+1.02BC+3.42A2+2.16B2+5.80C2

(4)

2 構(gòu)建花生種子帶式清選設(shè)備關(guān)鍵作業(yè)參數(shù)的遺傳神經(jīng)網(wǎng)絡(luò)模型

2.1 遺傳神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

現(xiàn)已證明三層BP(Back Propagation, BP)神經(jīng)網(wǎng)絡(luò)可以逼近任意非線性特征，故采用輸入層、隱含層和輸出層的三層神經(jīng)網(wǎng)絡(luò)構(gòu)建花生種子帶式清選設(shè)備關(guān)鍵作業(yè)參數(shù)網(wǎng)絡(luò)模型。試驗(yàn)選取縱向傾角A、橫向傾角B、帆布帶帶速C三個(gè)變量，故輸入層為3個(gè)神經(jīng)元，目標(biāo)輸出量為合格率y1與帶出率y2，故輸出層為2個(gè)神經(jīng)元，根據(jù)隱含層神經(jīng)元公式計(jì)算及經(jīng)驗(yàn)值確定隱含層神經(jīng)元結(jié)點(diǎn)數(shù)為6，即S1～S6，網(wǎng)絡(luò)結(jié)構(gòu)3-6-2，如圖1所示[14-18]。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

花生種子帶式清選設(shè)備關(guān)鍵作業(yè)參數(shù)與合格率及帶出率之間的函數(shù)關(guān)系如式(5)所示。

Y=F(X)=f[W·f(V·X+θ1)+θ2]

(5)

式中，Y為實(shí)際輸出；X為試驗(yàn)因素的集合；F(X)為輸入與輸出之間的關(guān)系；f()為神經(jīng)元的激勵(lì)函數(shù)，各層之間的傳遞函數(shù)為Sigmoid函數(shù)；V表示輸入層與隱含層之間的權(quán)值，θ1表示閾值；W表示隱含層與輸出層之間的權(quán)值，θ2表示閾值。

2.2 改進(jìn)的遺傳神經(jīng)網(wǎng)絡(luò)算法

神經(jīng)網(wǎng)絡(luò)算法的學(xué)習(xí)過程分為信號(hào)正傳播和誤差逆?zhèn)鞑蓚€(gè)過程。通過調(diào)整權(quán)值與閾值空間中的梯度信息使網(wǎng)絡(luò)收斂，而神經(jīng)網(wǎng)絡(luò)算法的誤差曲面是一個(gè)復(fù)雜多元曲面[19-20]，存在學(xué)習(xí)率難以確定、可能產(chǎn)生振蕩等問題，為了克服這些難題，需要擺脫依賴梯度信息調(diào)整權(quán)值、閾值的方法。而遺傳算法最大的優(yōu)點(diǎn)是搜索不依賴于梯度信息，只需要目標(biāo)函數(shù)是可計(jì)算的。因此，本文提出用改進(jìn)的遺傳算法徹底替代神經(jīng)網(wǎng)絡(luò)誤差逆?zhèn)鞑ミ^程，形成遺傳神經(jīng)網(wǎng)絡(luò)算法，恰好可以解決神經(jīng)網(wǎng)絡(luò)算法由于梯度下降引起的難題。

用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值本質(zhì)是一個(gè)無約束問題，基本思想是工作信號(hào)正向傳播后，得到網(wǎng)絡(luò)的實(shí)際輸出，當(dāng)實(shí)際輸出信號(hào)與給定信號(hào)所有神經(jīng)元的誤差能量總和最小時(shí)，即為滿足訓(xùn)練要求，求得此時(shí)最優(yōu)的連接權(quán)值和閾值。但是，神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值的取值范圍不好確定，而遺傳算法求解優(yōu)化問題時(shí)，必須預(yù)知最優(yōu)解所在區(qū)間，若最優(yōu)解不在給定的取值范圍內(nèi)，優(yōu)化問題便求不到真正的最優(yōu)解，只能求得一個(gè)指定區(qū)間內(nèi)的較優(yōu)解。故采用改進(jìn)的自適應(yīng)遺傳算法，自適應(yīng)調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，加快網(wǎng)絡(luò)收斂。

3 花生種子帶式清選設(shè)備關(guān)鍵作業(yè)參數(shù)的優(yōu)化

3.1 數(shù)據(jù)處理

為了減少輸入輸出數(shù)據(jù)之間不同物理意義和不同量綱的影響，防止因凈輸入值的絕對(duì)值過大而使神經(jīng)元輸出飽和，誤差不再下降，在訓(xùn)練遺傳神經(jīng)網(wǎng)絡(luò)前，對(duì)輸入輸出數(shù)據(jù)進(jìn)行歸一化處理。將數(shù)據(jù)處理到[a,b]區(qū)間的方法如式(6)所示。

(6)

式中xi為樣本數(shù)據(jù)；xi'為尺度變換后的樣本數(shù)據(jù)；xmax，xmin為樣本數(shù)據(jù)xi的最大值和最小值。

考慮到Sigmoid函數(shù)在接近0或1時(shí)，曲線比較平緩，變化速度非常緩慢，故將樣本數(shù)據(jù)處理到區(qū)間[0.1，0.8]之間，加快網(wǎng)絡(luò)的收斂速度[21]。

誤差達(dá)到要求時(shí)，為了與原始數(shù)據(jù)擬合，需反歸一化變換，公式如式(7)所示。

(7)

式中符號(hào)含義與式(6)相同。

3.2 遺傳神經(jīng)網(wǎng)絡(luò)算法的擬合

選取表2中的試驗(yàn)數(shù)據(jù)訓(xùn)練遺傳神經(jīng)網(wǎng)絡(luò)，采用MATLAB R2016b實(shí)現(xiàn)上述思想。權(quán)值閾值初始區(qū)間取值為[-5，5]，種群規(guī)模為80個(gè)體，交叉概率為0.95，變異概率為0.05，精英個(gè)體保留k=4。當(dāng)遺傳神經(jīng)網(wǎng)絡(luò)實(shí)際輸出信號(hào)與給定輸出信號(hào)所有神經(jīng)元的誤差能量總和達(dá)到2.2425×10-8時(shí)，訓(xùn)練結(jié)束，此時(shí)權(quán)值閾值的結(jié)果如下：

輸入層和隱含層之間的權(quán)值

輸入層和隱含層之間的閾值

θ1=[-3.1355 6.6341 1.0773 2.1313 3.0869 -1.6811]T

隱含層和輸出層之間的權(quán)值

隱含層和輸出層之間的閾值

θ2=[0.7084 3.4098]T

將訓(xùn)練好的權(quán)值和閾值代入遺傳神經(jīng)網(wǎng)絡(luò)算法前向計(jì)算過程，得到實(shí)際輸出，將實(shí)際輸出經(jīng)反歸一化處理后的數(shù)據(jù)與回歸方程得到的數(shù)據(jù)、試驗(yàn)測(cè)量值分別進(jìn)行擬合，其合格率與帶出率擬合精度情況如表3和表4所示。

從表3、表4可知，遺傳神經(jīng)網(wǎng)絡(luò)的擬合精度明顯優(yōu)于回歸方程的擬合精度。合格率的平均相對(duì)誤差0.0014%，標(biāo)準(zhǔn)差0.0010%，而回歸方程的平均相對(duì)誤差0.0993%，標(biāo)準(zhǔn)差為0.3109%；帶出率的平均相對(duì)誤差0.0414%，標(biāo)準(zhǔn)差0.0793%，而回歸方程的平均相對(duì)誤差為2.3077%，標(biāo)準(zhǔn)差為8.3205%。由此可以得出結(jié)論：遺傳神經(jīng)網(wǎng)絡(luò)算法可使訓(xùn)練誤差的目標(biāo)值達(dá)到很高的學(xué)習(xí)精度，且比較穩(wěn)定，更接近花生種子帶式清選設(shè)備試驗(yàn)因素與目標(biāo)之間的真實(shí)情況。

表3 合格率擬合精度情況 (%)

表4 帶出率擬合精度情況 (%)

3.3 參數(shù)優(yōu)化

根據(jù)花生種子清選工作原理知，需整?；ㄉN子在帆布帶上處于滾動(dòng)狀態(tài)，同時(shí)半?；ㄉc帆布帶保持相對(duì)靜止?fàn)顟B(tài)，可得花生種子帶式清選設(shè)備關(guān)鍵作業(yè)參數(shù)約束條件如式(8)所示：

14 ≤ A ≤ 36

14 ≤ B ≤ 36

(8)

0.35 ≤ C ≤ 1

為了使花生帶式清選設(shè)備作業(yè)情況達(dá)到最優(yōu)，以合格率H最大，同時(shí)帶出率D最小建立目標(biāo)函數(shù)?？紤]合格率與帶出率的重要性關(guān)系，將目標(biāo)函數(shù)合格率的權(quán)重設(shè)置為0.6，帶出率的權(quán)重設(shè)置為0.4，優(yōu)化目標(biāo)函數(shù)如式(9)所示：

minF=0.6 (1-H)+0.4D

(9)

將優(yōu)化得到的權(quán)值和閾值代入遺傳神經(jīng)網(wǎng)絡(luò)正向輸出過程，以式(9)為目標(biāo)函數(shù)，在式(8)的約束條件下，用改進(jìn)的自適應(yīng)遺傳算法優(yōu)化花生種子帶式清選設(shè)備關(guān)鍵作業(yè)參數(shù)。當(dāng)算法連續(xù)運(yùn)行1000代結(jié)果不變時(shí)，結(jié)束優(yōu)化過程。可得：當(dāng)縱向傾角A=23.66°，橫向傾角B=24.26°，帆布帶帶速C=0.73m/s時(shí)，合格率H為98.36%，帶出率D為1.85%，花生種子帶式清選設(shè)備作業(yè)性能達(dá)到最佳。

4 結(jié) 論

(1)針對(duì)神經(jīng)網(wǎng)絡(luò)模型存在的問題，提出了自適應(yīng)動(dòng)態(tài)調(diào)整神經(jīng)網(wǎng)絡(luò)權(quán)值閾值的方法，有效克服了神經(jīng)網(wǎng)絡(luò)難題，解決了權(quán)值和閾值最優(yōu)解所在區(qū)間難以估計(jì)的問題。

(2)用改進(jìn)的自適應(yīng)遺傳算法動(dòng)態(tài)調(diào)整神經(jīng)網(wǎng)絡(luò)算法的權(quán)值閾值，可以使誤差能量總和達(dá)到2.2425×10-8。與試驗(yàn)數(shù)據(jù)擬合時(shí)，合格率平均相對(duì)誤差0.0014%，標(biāo)準(zhǔn)差0.0010%，帶出率平均相對(duì)誤差0.0414%，標(biāo)準(zhǔn)差0.0793%。該方法可以得到比回歸方法更精確的擬合精度，充分驗(yàn)證了遺傳神經(jīng)網(wǎng)絡(luò)算法的擬合能力。將訓(xùn)練好的遺傳神經(jīng)網(wǎng)絡(luò)算法用于花生種子帶式清選設(shè)備關(guān)鍵作業(yè)參數(shù)的優(yōu)化，在縱向傾角A=23.66°，橫向傾角B=24.26°，帆布帶帶速C=0.73m/s時(shí)，可使合格率達(dá)到98.36%，帶出率達(dá)到1.85%，實(shí)現(xiàn)了花生種子高質(zhì)量清選。

(3)本研究為花生種子帶式清選設(shè)備關(guān)鍵作業(yè)參數(shù)的設(shè)定提供了一種新的方法，為同類農(nóng)業(yè)機(jī)械設(shè)備性能參數(shù)優(yōu)化提供了參考，可減少類似問題的試驗(yàn)次數(shù)，降低試驗(yàn)成本，提高參數(shù)精度，為實(shí)現(xiàn)花生種子加工設(shè)備參數(shù)的智能化控制提供了一條途徑，保證花生種子質(zhì)量，提高花生種植收益。