机采棉清杂运动规律模型预测

张洪洲，刘媛杰，王宪磊，李 勇，周 丹

(塔里木大学 机械电气化工程学院，新疆 阿拉尔 843300)

机采棉清杂运动规律模型预测

张洪洲，刘媛杰，王宪磊，李 勇，周 丹

(塔里木大学 机械电气化工程学院，新疆 阿拉尔 843300)

针对机采棉中残地膜与棉花分离容易受到残地膜质量、机采棉飞入速度及强静电场电压等因素的影响，提出一种机采棉清杂过程中棉花与残地膜运动规律的预测方法。以南疆机采棉新陆早26号为研究对象，利用棉花与残地膜之间的分离率来表征运动规律。利用残地膜质量级别(1、2、3、4级)、荷电后的机采棉飞入速度(9、10、11、12m/s)、强静电场电压(30、40、50、60kV)3个因素作为BP神经网络模型的输入量，再利用改进的遗传算法训练所设计的网络的权值和阈值，建立能表征机采棉运动规律的分离率的预测模型。试验结果表明：利用改进遗传算法结合BP神经网络得到的机采棉与残地膜分离率预测模型能够很好地反应新陆早26号机采棉与残地膜分离应力与主要控制因素之间的非线性关系，预测结果与实测结果之间的平均绝对百分比误差为0.82，测试的样本实测值与理想值之间的相关系数为0.917 51，所得到的预测模型效果良好，可为机采棉清杂提供参考。

机采棉；清杂；运动规律；模型；预测

0 引言

一直以来，新疆作为我国长绒棉主要生产基地，其棉花的铺膜种植方式和采棉机采摘棉桃方式致使棉花中含有大量的杂质[1-15]。目前，机采棉清杂都是以机械鼓风为主，生产效率低、生产成本较高，且因为作用于机采棉的风力强度不易控制，清杂时棉绒的断裂程度较高[16-30]。随着棉花产量的增长和棉花产品多样化的需求，机采棉清杂工序的自动化和产业化加工势在必行。基于以上因素，国内外众多学者长期致力于机采棉清杂技术的研究及研发高效率的机采棉清杂设备。在一定的试验研究基础上，一些学者利用有限元理论分析了机采棉清杂过程中，棉花和杂质的受力分析，得到了鼓风作用于棉花和杂质的优化方向和作用力。国外研究人员以机械鼓风试验为研究基础，分析了机采棉含水率对机采棉清杂率的影响。研究结果表明：机采棉的含水量增加时，机采棉中杂质与棉绒的附着力增加，致使机采棉的清杂率下降。

本文在机采棉静电清杂的基础上，从影响机采棉与残地膜分离率的残地膜质量、机采棉飞入速度及强静电场电压等3个因素入手，用分离率来表征机采棉清杂运动规律。残地膜质量、机采棉飞入速度、强静电场电压这3个因素与机采棉与残地膜分离率之间呈非线性关系。在非线性关系数据分析处理方面，BP神经网络模型方法具有独特的优势，该方法理论分析上能够很好地反应非线性关系的输入与输出之间的相关性；但是，在实际程序运行中BP神经网络容易陷入局部收敛，且收敛速度较慢，致使全局搜索能力下降，得不到全局最优解。应用改进的遗传算法进行迭代优化BP神经网络模型的权值，克服其陷入局部收敛并且提高权值训练速度，实现智能优化控制。

本文利用新疆南部地区产的新陆早26号机采棉为原料，在自行设计的静电清杂试验台上进行清杂试验的基础上，从影响机采棉与残地膜分离率的残地膜质量、机采棉飞入速度及强静电场电压3个因素入手，利用改进的遗传算法结合BP神经网络预测机采棉分离运动规律模型，确定机采棉运动规律模型，为实际生产中进一步研究剔除机采棉中残地膜提供理论依据。

1 材料与方法

1.1 材料与装置

原料为利用采棉机在南疆地区采摘的新陆早26号机采棉。机采棉残地膜静电分离装置系统框图如图1所示。该装置主要由电极板、高速传送带、棉花收集箱、残地膜收集箱、荷电控制器、速度控制器及显示装置等组成。正负电极板采用铜板，利用步进电机带动利用绝缘材料制成的传送带。上极板接高压静电的负极，下极板接高压静电的正极。清杂试验时，机采棉均匀铺在传送带上，通过荷电控制器控制荷电装置使机采棉在荷电区进行荷电；荷电完毕后，传送带在电机的带动下运行，当带有正电荷的机采棉脱离传送带时以一定的线速度打入电场区域，此时机采棉受到重力和电场力的作用，在电场区域内做类平抛运动。由于棉花和残地膜的质能差异性，棉花和残地膜的平抛运动轨迹不同，分别落入不同的收集箱内。

图1 机采棉残地膜电磁分离系统框图Fig.1 Block diagram of static electricity separation system for plastic film of cotton

1.2 系统软件设计

机采棉残地膜静电分离系统软件部分包括机采棉线速度调控、电极板电压控制及键盘显示等模块，软件流程图如图2所示。

图2 分离系统软件流程图Fig.2 Separation system software flow chart

以下为系统软件设计的部分汇编语言代码：

ORG 2000H

DC BIT P1.0

speed equ 20h

jmp dc_MOTOR

ORG 2100H

dc_MOTOR: mov a,p1

mov speed,a

lcall del

mov a,p1

cjne a,speed,dc_MOTOR

JB P3.3,JUD_SPD5

MOV SPEED,#6

JMP PWM

JUD_SPD5: JB P3.2,JUD_SPD4

MOV SPEED,#5

JMP PWM

JUD_SPD4: JB P3.1,JUD_SPD3

MOV SPEED,#04

JMP PWM

JUD_SPD3: JB P3.0,JUD_SPD2

MOV SPEED,#03

JMP PWM

JUD_SPD2: JB P3.5,JUD_SPD1

MOV SPEED,#02

JMP PWM

JUD_SPD1: JB P3.6,JUD_SPD0

MOV SPEED,#01

JMP PWM

JUD_SPD0: MOV SPEED,#00

PWM: MOV R6,SPEED

MOV A,#06

CLR C

SUBB A,SPEED

MOV R5,A

CLR DC

WAIT1: LCALL DEL

DJNZ R6,WAIT1

SETB DC

WAIT2: LCALL DEL

DJNZ R5,WAIT2

JMP DC_MOTOR

Del: mov r7,#0ffh

djnz r7,$

Ret

END

1.3 机采棉调湿

试验采用的棉花为新陆早26号，含水率为16%～18%。将采收的机采棉放入恒温箱内，烘干至5%～8%。

1.4 试验方法

取10kg机采棉，从中随机取样1kg，将机采棉中残地膜人工挑出，测定每块残地膜的质量级别，1级为0.12g，2级为0.11g，3级为0.1g，4级为0.09g，再将残地膜均匀混入原机采棉。

将处理过的机采棉在静电分离装置上进行分离试验，测定清杂率。试验所用的机采棉残地膜质量级别、荷电后的机采棉飞入速度及强静电场电压3个参数的详细指标如表1所示。

表1 主要参数指标

2 BP模型设计

机采棉静电清杂过程中清杂率的主控因素是残地膜的质量级别、机采棉的飞入速度和强电场的电压，以此3个因素作为BP的输入量，即输入层的节点数3。根据BP神经网络输入层与隐层关系可知：当输入层节点数为n时，隐层节点数为2n+1，此时BP神经网络效果最佳。在此设计中，隐层节点数为7，神经网络模型层数为3，因此BP模型结构为3-7-1。

选取残地膜的质量级别、机采棉的飞入速度和强电场的电压3个关键因素作为BP网络的输入量，选取机采棉清杂率为BP网络模型的输出量，将3个主控因素做归一化处理后，进行网络训练。

3 改进的GA-BP设计

遗传算法(GA)的优势在于其并行计算且全局搜索能力强，而BP神经网络模型善于局部搜索且局部搜索能力强。因此，在GA并行计算过程中，在其每一条计算流上嫁接BP，利用BP进行每一次计算；GA和BP融合后，取BP的并行计算和全局搜索能力，BP的局部搜索能力，既克服了局部收敛的缺陷，同时保留了原有的收敛速度[8]。

利用遗传算法计算，收敛后得到的优化子代作为BP神经网络的初始权值，通过给定样本数据，进行BP神经网络训练，最后得到最优解。

4 结果分析

按照3个主控因素依次进行试验，相同指标下试验做10次，取10次试验的平均值作为样本数据，在3个因素4个水平下组合试验。每次试验测定机采棉的清杂率，得到64组试验数据，如表2所示。

表2 机采棉清杂率样本数据

续表2

由表2可知：以残地膜的质量级别、机采棉的飞入速度和强电场的电压为输入因子，以机采棉清杂率为输出因子，随机抽取出48组数据作为BP训练样本，其余的16组数据作为测试样本数据，进一步验证BP网络。经网络学习、收敛后得到最优解。

GA对BP网络的权值和阈值进行优化，再利用BP进行局部搜素，寻求最优。GA算法的种群规模为10，迭代次数为50，交叉率为0.1，变异率为0.01。融合BP模型后，利用MatLab7.0编程，得到BP网络各层的权值和阈值，如表3所示。

表3 GA-BP各参数的系数

利用MatLab7.0仿真可知：个体进化至25代时已经收敛。统计两种算法得到的预测值，并和实测值进行对比，通过对两种模型的评价，得到GA-BP要优于BP，如表4所示。经回归分析得到GA-BP的预测值和实测值相关系数为0.917 51。

表4 两种模型结果评价

5 结论

建立了一个用于测定机采棉清杂率的GA-BP网络模型，验证了其有效性。通过组合试验，实现了机采棉残地膜静电分离规律模型预测，为机采棉清杂提供了参考。

[1] 郭淑霞,坎 杂,张若宇,等.机采籽棉残膜静电分离装置分离试验[J].农业工程学报,2011,27(S2):6-11.

[2] 王吉奎，付威，王卫兵，等．SMS-1500 型秸秆粉碎与残膜回收机的设计[J]．农业工程学报，2011，27(7)：168-172．

[3] 张学军，吴成武，王旭东，等．残膜分离筛机构的运动仿真与分析[J]．农业工程学报，2007，23(7)：113-116．

[4] 郏东耀，丁天怀． 棉花中异性纤维的多光谱检测[J]． 清华大学学报：自然科学版，2005，45(2)：193-196．

[5] 瞿鑫，丁天怀．皮棉中异性纤维骨架快速提取算法[J]．农业机械学报，2010，41(6)：177-181．

[6] 张馨，李道亮，杨文柱，等．高分辨率棉花异性纤维彩色图像的快速分割方法[J]．农业机械学报，2011，42(1)：159-164．

[7] 郭俊先，应义斌，成芳，等．皮棉表面多类异性纤维的高光谱图像检测[J]．农业工程学报，2010，26(10)：355-360．

[8] 张宏，马岩，李勇,等．基于遗传BP神经网络的核桃破裂功预测模型[J]．农业工程学报，2014，18(30)：78-84．

[9] 赵旎，张华鹏．基于机器视觉的皮棉异性剔除系统设计[J]．农机化研究，2008(8)：90-93．

[10] 石庚尧．一种新型的异性纤维检测清除系统[J]．北京纺织，2001，22(6)：51-52．

[11] 张海荣．棉花异性纤维挑拣技术研究[D]．合肥：合肥工业大学，2006．

[12] 郑文秀．棉花异性纤维的动态识别技术研究[D]．泰安：山东农业大学，2009．

[13] 刘向新，周亚立，赵岩．棉花异性纤维清理机械发展的现状及展望[J]．江苏农业科学，2011，9(2)：505-506．

[14] 管世锋，李红军，邢伟峰，等．新型异性纤维清理设备[J]．中国棉花加工，2009(1)：10-11．

[15] 王泽武．籽棉异纤清理机的开发[J]．中国棉花加工，2009(3)：6-7．

[16] 坎杂，郭文松，张若宇．网状滚筒式机采籽棉残膜分离机的设计[J]．农业工程学报，2011，27(6)：95-99．

[17] 张洪洲.南疆机采棉除杂现状分析及发展趋势探究[J].农机化研究, 2015,37(1):242-245.

[18] 张洪洲,张风旗,张亚江,等.机采棉荷电系统优化控制[J].江苏农业科学, 2014,42(7):409-410.

[19] 张洪洲,张亚江,张风旗,等.基于单片机的机采棉除杂系统优化喂料控制[J].江苏农业科学, 2014,42(6):387-388.

[20] 张洪洲,白建国,张风旗,等.机采棉除杂机的稳压电源设计与试验[J].江苏农业科学, 2014,42(12):448-449.

[21] 李碧丹,丁天怀,郏东耀.皮棉异性纤维剔除系统设计[J].农业机械学报,2006,37(1):107-110.

[22] 赵海军,史建新.残膜回收工艺探讨[J].中国农机化,2004(6):68-71.

[23] 汪海涛,朱邦太,李勋.基于机器视觉技术的棉纺异性清除系统[J].河南科技大学学报:自然科学版,2009,3(1):14-17.

[24] 周功明,周陈琛.基于AT89S51 单片机的数控电源设计[J].绵阳师范学院学报,2012,31(5):18-23.

[25] 朱贵宪.基于单片机的数控稳压电源设计[J].自动化与仪表,2011(6):50-53.

[26] 祝敏.直流数控可调稳压电源的设计[J].电子元器件应用,2008,10(4):62-64.

[27] 许艳惠.一种智能化高精度数控直流电源的设计与实现[J].微计算机信息,2007(32):136-138.

[28] 邓坚,杨燕翔,齐刚.数控直流稳压电源设计[J].计算机测量与控制,2007(12):1991-1993.

[29] 赫建国,郑燕,薛延霞.单片机在电子电路设计中的应用[M].北京:清华大学出版社,2006.

[30] 蔡振江.单片机原理及应用[M].北京：电子工业出版社, 2011.

Prediction Model for the Separation Regular Pattern of Cleaning of Machine-harvested Cotton

Zhang Hongzhou, Liu Yuanjie, Wang Xianlei, Li Yong, Zhou Dan

(College of Mechanic and Electrical Engineering ,Tarim University, Alar 843300,China)

For cotton and cotton to plastic film separation by plastic film quality, cotton picker machine speed, flying into the strong static electric field voltage influence factors such as machine mining, prediction method of cleaning process of cotton and plastic film movement presents a cotton picker machine. The southern machine picked cotton Xinluzao 26 as the research object, to characterize the rate of movement by the separation between cotton and plastic film. The use of plastic film quality level (level 1, level 2, level 3, level 4), electric charge after the cotton picking machine fly into speed (9, 10, 11, 12m/s), the strong static electric field voltage (30, 40, 50, 60kV) three factors as the input of BP neural network model. The weights and thresholds of the left transmission algorithm training network design improvement. A prediction model for the separation rate of the movement law of cotton picking is established. The experiment results show that the improved genetic algorithm combined with cotton and plastic film separation rate prediction model can reflect the nonlinear relationship between Xinluzao 26 cotton picker machine and plastic film separation stress and main controlling factors of the BP neural network by machine, the mean absolute percentage error between predicted and measured results for 0.82 the measured sample test, the correlation coefficient and the ideal value is 0.91751, the effect of prediction model are good, the results of this study can provide a reference for cleaning for cotton picker.

machine-harvested cotton; cleaning; movement law; model;prediction

2016-10-16

国家自然科学基金项目(61534005，11242012)

张洪洲(1982-)，男，长春人，副教授，硕士，(E-mail)309011160@qq.com。

刘媛杰(1982-)，女，陕西府谷人，副教授，硕士,(E-mail)49948298@qq.com。

S225.91+1

A

1003-188X(2017)12-0146-05