基于混合优化算法的粮食仓储机械通风工艺优化

朱 龙,孙铜生,凌 峰,王金志,杨 震

(安徽工程大学 机械工程学院,安徽 芜湖 241000)

粮食是人类的生存之本和一个国家得以持续发展的重要基础资源[1]。近年来,由于国际局势的动荡以及新冠疫情在全球肆意蔓延,粮食安全问题便显得尤为重要[2]。为了防止粮食出现发热、结露甚至霉变的情况,实现长期储存,需要每隔一段时间对仓内粮食进行通风处理,确保粮食的温度和水分处于安全储存范围,因而如何合理高效对粮食进行通风具有重要研究意义。国内外相关研究学者提出了一些关于粮食通风的方法,例如自然通风[3]、机械通风[4]等,但是由于自然通风等方法容易受气候等因素的影响,不易于大面积推广使用。目前,机械通风以其良好的通风效果与成熟的理论和技术,被广泛应用。

在粮食储存的过程中,温湿度是影响粮食安全和品质的重要因素[5]。在对小麦进行机械通风时,通风口处空气温度和相对湿度对通风时长起着决定性作用。为了得到通风时长短、能源消耗少的小麦通风工艺,必须对工艺参数进行优化。智能算法是一种新的科学方法,例如粒子群算法、遗传算法等[6],该方法被广泛应用于各种工艺参数优化方面。倪凡[7]利用遗传算法优化了储粮横向通风过程中的粮堆温度预测模型,并为粮食通风智能预测与决策提供了一种新思路。高若婉等[8]利用遗传算法优化了苦瓜片真空冷冻干燥工艺,并为同类干燥工艺的优化提供理论依据。Kaushik等[9]利用遗传算法对可再生能源发电机组进行优化,最终有效降低了其系统损耗。胡欣颖等[10]利用粒子群算法优化了调理松板肉加工工艺,使松板肉的品质实现明显提升并为食品研究提供了新思路。黄琦兰等[11]利用粒子群算法优化了神经网络预测模型,最终大大提高了储粮通风过程中温度场预测精度。Serhat等[12]利用粒子群算法对含可控可再生能源的最优潮流问题进行求解。周凤杰[13]利用粒子群-遗传混合算法对船舶碰撞路径进行了优化,为避免船舶发生碰撞提供理论依据。施荣华等[14]利用粒子群-遗传混合算法对雷达发射天线和接收天线的位置进行优化,从而有效降低了雷达稀疏天线阵列的峰值旁瓣电平。Wang等[15]利用粒子群-遗传混合算法对船舶分支管道路径进行了优化。

由于粒子群算法在进行工艺优化的过程中,容易陷入局部最优解并且难以得到精确的最优解,而遗传算法在工艺优化过程中,存在收敛速度慢、局部搜索能力差等问题。为了避免这些问题的出现,相关领域的学者已经提出一些将粒子群和遗传两种算法进行结合的方案,提高了算法的优化能力,但是这些混合算法只是针对单一算法存在的某些问题进行解决,仍存在较大的改进空间。本文旨在对小麦通风工艺参数优化的过程中,将小麦的温度和水分控制到目标值并且保证整体通风时长最短。首先,以通风口处空气温度和相对湿度、小麦初始水分和温度为影响因素,以通风时长为目标,开展了小麦机械通风实验。其次,根据实验所得的结果,采用多元非线性回归法,拟合了通风口处空气温度和相对湿度、小麦初始水分和温度与通风时长的函数关系。然后,运用粒子群-遗传混合优化算法对通风时长进行了单目标优化。最终得出小麦通风过程的最佳工艺参数及其对应的最短通风时长。研究结果可为小麦机械通风过程工艺参数的设置提供理论依据,具有一定的实用价值。

1 材料与方法

1.1 实验材料

由于北方地区是小麦的主要产地,因此为了便于研究,本文选择小麦作为研究对象进行储粮通风工艺参数优化研究,小麦的最终通风目标值如表1所示。

表1 小麦通风目标参数表

设定通风目标温度值为15 ℃,目标水分值为13%。使用粒子群-遗传混合优化算法对小麦通风工艺参数-温湿度进行优化,在得到最佳温湿度参数的过程中,粒子种群的规模过大,虽然优化能力强,但优化速度会过慢;规模过小,则容易陷入局部最优。这里选择50个粒子,最大优化代数为100。

1.2 通风工艺的混合优化方法

在对小麦进行机械通风的过程中,为了将小麦的温度和水分控制到目标值并且保证整体通风时长最短,本文采用粒子群-遗传混合优化算法对其通风工艺参数进行优化。鉴于遗传算法本身具备更为良好的全局特性和变异方式,结合粒子群算法结构相对简单和收敛较快的特点将两者进行融合,最终得到粒子群-遗传混合优化算法。该算法可以很大程度上避免容易陷入局部最优、“早熟”现象的发生,同时使粒子之间的信息交互以及群体更新速度变得更快,大大提高了算法的优化能力和求解精度。

由于本文的主要研究内容是小麦通风过程工艺参数优化,因此在算法流程中,将小麦通风工艺参数作为种群粒子进行研究,其中,工艺参数包括入风口处空气温、湿度以及小麦的初始水分。在粒子群-遗传混合优化算法中,按照粒子群算法将局部最优值和全局最优值作为进化方向,从而逐渐寻优直至找出最优粒子的迭代思路,对粒子群算法和遗传算法进行混合优化。在每一次的迭代中,粒子根据式(1)、(2)[16]不断更新自己的速度和位置。

(1)

(2)

在混合优化算法中,首先需要明确优化目标和优化参数,准确把握小麦通风过程中的研究方向,同时对小麦通风参数群体进行初始化处理并针对每个参数粒子设置一个合适的杂交概率α;其次,在每一轮的迭代寻优过程中,选取一定数目的通风参数粒子,即入风口处空气温、湿度以及小麦的初始水分,并将这些参数粒子作为亲代进行交叉、变异遗传操作,从而生成区别于实验数据中的通风参数组合,形成新的个体,大大丰富了种群的多样性,同时可以产生相同数目的子代来取代亲代,形成新一代通风参数群体,其操作过程的计算公式[17]如式(3)、(4)所示:

Xm(k+1)=α·Xm(k)+(1-α)·Xn(k),

(3)

Xn(k+1)=α·Xn(k)+(1-α)·Xm(k),

(4)

式中,Xm(k)、Xn(k)为亲代;Xm(k+1)、Xn(k+1)为子代;0<α<1。

在小麦通风参数粒子完成交叉、变异遗传操作之后,一方面能够保证通风参数种群数目不会发生变化,同时又使通风参数种群的多样性变得更加丰富,产生区别于实验数据之外新的通风参数数值组合,为混合优化算法最终寻得最优的小麦通风工艺参数结果奠定基础。在产生的新一代通风参数群体中,对每个参数组合粒子的适应度值进行逐一计算,若计算结果满足算法最终要求,则停止寻优过程,算法结束;若不满足算法要求,则依据当前参数个体的适应度值将其按照从大到小的次序进行排序,并选取通风参数种群前半部分最优个体将其复制以替换后半部分较差个体。最终,将组成的新参数群体重新返回算法初始阶段进行新一轮的迭代,循环往复,直至获得最优通风参数粒子。此外,在进行参数粒子寻优的过程中,还要关注通风参数惯性权重问题,因为随着迭代过程的深入,算法权重系数的大小在一定程度上对其收敛性具有显著的影响。若通风参数惯性权重ω较大,则有利于跳出局部极值点;而通风参数惯性权重ω较小时,则有利于提高算法本身收敛精度,其约束关系[18]如式(5)所示:

(5)

式中,ωmax和ωmin分别表示最大和最小通风参数惯性权重;kmax为最大迭代次数;k为当前迭代次数。粒子群-遗传混合优化算法流程图如图1所示。

图1 粒子群-遗传混合优化算法流程图 图2 小麦机械通风原理图

1.3 实验数据

储粮通风的目的是将粮食的温度、水分以较快的速率达到控制目标值。因此,为了将粮食温度和水分控制到目标值并且保证整体机械通风时长最短,所以要对小麦通风工艺参数进行优化,最终获得一组最佳参数值。本文将小麦通风过程分为降水和降温前后两个阶段,其中实验数据引自由人工气候室、通风系统、无线传感器网络粮情检测系统和上位机软件系统等组成的实验平台进行通风实验所得出的结果[19],具体通风原理如图2所示。从而获得在不同的初始条件下,小麦达到最终通风目标值所需要的通风时长,为接下来的通风工艺参数优化部分提供数据支持。

2 优化过程

2.1 实验结果分析

(1)降水通风过程。首先,对降水通风过程中所得出的实验结果进行数据处理。其次,根据中心组合设计原理,在数据处理结果中选择每个影响因素所对应的最佳取值范围,以入风口处空气温度、相对湿度和小麦初始水分3个因素为自变量,小麦降水通风时长为响应值,进行响应面试验[20]。最终,得出入风口处空气温度、相对湿度和小麦初始水分对小麦降水通风时长影响的变化结果图。为了便于分析,选取任意两个影响因素进行两两组合,研究在两个影响因素的共同作用下小麦降水通风时长的变化趋势,具体结果如图3、4、5所示。

小麦在一定初始水分条件下,入风口处不同的空气温湿度对其通风时长的影响如图3所示。由图3可知,在实验范围内,当入风口处空气相对湿度一定时,随着入风口处空气温度的增加,小麦通风时长呈现出逐渐减小的趋势,原因是随着入风口处空气温度的增加小麦内部水分的蒸发速率在不断上升,因而通风时长逐渐减小。当入风口处空气温度一定时,随着入风口处空气相对湿度的增加,小麦通风时长逐渐增大,说明随着入风口处空气相对湿度的增加导致小麦内部水分的蒸发速率在不断降低,从而小麦降水通风时长逐渐增加。

小麦入风口处空气相对湿度在一定条件下,不同的空气温度和小麦初始水分对其通风时长的影响如图4所示。由图4可知,在实验范围内,当小麦初始水分一定时,随着入风口处空气温度的增加,小麦通风时长呈现出逐渐减小的趋势,原因是随着入风口处空气温度的增加小麦内部水分的蒸发速率在不断上升,因而通风时长逐渐减小。当入风口处空气温度一定时,随着小麦初始水分的增加,其通风时长逐渐增大,说明小麦初始水分的增加导致其与降水通风最终目标水分之间的跨度不断变大,因而通风时长逐渐增大。

图4 入风口处空气温度和小麦初始水分对小麦通风时长的影响

小麦入风口处空气温度在一定条件下,不同的空气相对湿度和小麦初始水分对其通风时长的影响如图5所示。由图5可知,在实验范围内,当小麦初始水分一定时,随着入风口处空气相对湿度的增加,小麦通风时长呈现出逐渐增大的趋势,原因是随着入风口处空气相对湿度的增加导致小麦内部水分的蒸发速率在不断降低,从而小麦降水通风时长逐渐增大。当入风口处空气相对湿度一定时,随着小麦初始水分的增加,其通风时长逐渐增大,说明小麦初始水分的增加加大了其与降水通风最终目标水分之间的跨度,因而通风时长逐渐增大。

由上述各影响因素对小麦通风时长的影响变化趋势可以看出,当入风口处空气温度越高、相对湿度越低时,小麦的初始水分越小,最终小麦降水通风时长越短。因此,在实验范围内,当入风口处空气温度取得最大值,入风口处空气相对湿度和小麦的初始水分取得最小值时,降水通风时长最短,从而根据实验数据结果得出,小麦降水通风最佳工艺参数为入风口处空气温度40 ℃,相对湿度25%,小麦初始水分15%,最短通风时长为18 min。

(2)降温通风过程。在降温通风过程中,选取小麦初始温度和入风口处空气温度为影响因素、小麦通风时长为目标,开展了降温通风实验。为了便于观察各影响因素作用下小麦降温通风时长的变化趋势,根据实验数据作出了小麦初始温度和入风口处空气温度对通风时长影响的变化结果图如图6所示。由图6可知,在实验范围内,当小麦初始温度一定时,随着入风口处空气温度的增加,小麦通风时长逐渐增大,于是可以得出,当小麦初始温度为40 ℃时,小麦降温通风最佳工艺参数为入风口处空气温度10 ℃,从而最短通风时长为9.5 min。由于降水通风阶段的通风温度即降温通风阶段小麦的初始温度,所以结合降水通风过程,小麦总体通风时长为27.5 min。然而,根据实验结果可知,当降水通风阶段入风口处空气温度为30 ℃,相对湿度为25%,小麦初始水分为15%;降温通风阶段小麦初始温度为30 ℃,入风口处空气温度为10 ℃时,总体通风时长最短。因此,将降水和降温两个通风阶段的最佳工艺参数进行简单结合,并不能得到小麦通风最佳工艺参数,需要对小麦整体通风工艺进行优化,最终才能真正得到最短通风时长。

图6 小麦初始温度和入风口处空气温度对小麦通风时长的影响

2.2 通风工艺优化

(1)降水通风过程中通风时长与入风口处空气温湿度的关系。响应面法的主要思想是根据一系列采样点的响应来构造多项式函数,从而逼近一个隐函数[21]。由于隐函数的形式未知,因此只能采用近似的方法获得。为了使拟合的公式更加精确,本文选择二阶多项式回归方法进行拟合,其形式如式(6)所示:

(6)

式中,t是小麦通风时长;α0为常数项;αi为优化变量即通风工艺参数一次项系数;αii为通风参数平方项系数;αij为不同通风参数乘积项的系数;xi和xj为不同的通风参数;ε是随机误差。

根据实验数据进行多元回归拟合分析,得到入风口处空气温度x1、入风口处空气相对湿度x2、小麦初始水分x3相对于通风时间t1的回归方程,如式(7)所示:

t1=-1 165.7+7.756x1-26.333x2+165.975x3-0.545x1x2-0.445x1x3+0.79x2x3+

(7)

式中,20≤x1≤40,25%≤x2≤63%,15%≤x3≤20%。

(8)

2.3 小麦整体通风过程中最短通风时长

根据降水、降温两个通风过程中得出的通风时长与入风口处空气温湿度的函数关系式可以得出,小麦整体通风时长t的回归方程,如式(9)所示:

t=t1+t2。

(9)

(10)

分别采用粒子群算法、遗传算法及混合优化算法对小麦通风工艺参数进行优化,算法主要参数设置:交叉概率为0.6(通常取0.5～1)、变异概率通常选取一个较小的值为0.1、惯性权重为0.8(通常取0.1～0.9)、学习因子通常取c1=c2=1,为了提高算法的运算速率和求解精度,选取种群规模为50及最大迭代次数为100,优化结果如表2所示。

表2 小麦通风时长优化结果

通过表2优化结果可以看出,采用粒子群算法、遗传算法及混合优化算法对小麦通风工艺参数进行优化后,混合优化算法所对应的通风时长最短,由此可见,混合优化算法的寻优性能要明显优于其他的两种算法,从而证明了本文提出的混合优化算法的优越性和可行性。

图7 整体通风时间适应度曲线

3 结论

根据实验结果,采用多元非线性回归法,拟合了通风口处空气温度和相对湿度、小麦初始水分和温度与通风时长的函数关系。通过粒子群-遗传混合优化算法对小麦整体通风时长进行单目标优化,在所得的解中,最短通风时间为26.5 min。其对应的小麦降水通风过程最佳工艺参数为入风口处空气温度28 ℃、相对湿度25%;降温通风过程最佳工艺参数为入风口处空气温度10 ℃,在此条件下,小麦整体通风时长可取得最小值。可以看出通过算法得出的最小通风时长明显小于实验所得出的最小通风时长,从而证明了将混合优化算法应用在小麦通风工艺参数优化方面具有一定的可行性,对于后续储粮通风工艺参数的设置方面具有一定的指导意义。