基于混合優化算法的糧食倉儲機械通風工藝優化

朱 龍,孫銅生,凌 峰,王金志,楊 震

(安徽工程大學 機械工程學院,安徽 蕪湖 241000)

糧食是人類的生存之本和一個國家得以持續發展的重要基礎資源[1]。近年來,由于國際局勢的動蕩以及新冠疫情在全球肆意蔓延,糧食安全問題便顯得尤為重要[2]。為了防止糧食出現發熱、結露甚至霉變的情況,實現長期儲存,需要每隔一段時間對倉內糧食進行通風處理,確保糧食的溫度和水分處于安全儲存范圍,因而如何合理高效對糧食進行通風具有重要研究意義。國內外相關研究學者提出了一些關于糧食通風的方法,例如自然通風[3]、機械通風[4]等,但是由于自然通風等方法容易受氣候等因素的影響,不易于大面積推廣使用。目前,機械通風以其良好的通風效果與成熟的理論和技術,被廣泛應用。

在糧食儲存的過程中,溫濕度是影響糧食安全和品質的重要因素[5]。在對小麥進行機械通風時,通風口處空氣溫度和相對濕度對通風時長起著決定性作用。為了得到通風時長短、能源消耗少的小麥通風工藝,必須對工藝參數進行優化。智能算法是一種新的科學方法,例如粒子群算法、遺傳算法等[6],該方法被廣泛應用于各種工藝參數優化方面。倪凡[7]利用遺傳算法優化了儲糧橫向通風過程中的糧堆溫度預測模型,并為糧食通風智能預測與決策提供了一種新思路。高若婉等[8]利用遺傳算法優化了苦瓜片真空冷凍干燥工藝,并為同類干燥工藝的優化提供理論依據。Kaushik等[9]利用遺傳算法對可再生能源發電機組進行優化,最終有效降低了其系統損耗。胡欣穎等[10]利用粒子群算法優化了調理松板肉加工工藝,使松板肉的品質實現明顯提升并為食品研究提供了新思路。黃琦蘭等[11]利用粒子群算法優化了神經網絡預測模型,最終大大提高了儲糧通風過程中溫度場預測精度。Serhat等[12]利用粒子群算法對含可控可再生能源的最優潮流問題進行求解。周鳳杰[13]利用粒子群-遺傳混合算法對船舶碰撞路徑進行了優化,為避免船舶發生碰撞提供理論依據。施榮華等[14]利用粒子群-遺傳混合算法對雷達發射天線和接收天線的位置進行優化,從而有效降低了雷達稀疏天線陣列的峰值旁瓣電平。Wang等[15]利用粒子群-遺傳混合算法對船舶分支管道路徑進行了優化。

由于粒子群算法在進行工藝優化的過程中,容易陷入局部最優解并且難以得到精確的最優解,而遺傳算法在工藝優化過程中,存在收斂速度慢、局部搜索能力差等問題。為了避免這些問題的出現,相關領域的學者已經提出一些將粒子群和遺傳兩種算法進行結合的方案,提高了算法的優化能力,但是這些混合算法只是針對單一算法存在的某些問題進行解決,仍存在較大的改進空間。本文旨在對小麥通風工藝參數優化的過程中,將小麥的溫度和水分控制到目標值并且保證整體通風時長最短。首先,以通風口處空氣溫度和相對濕度、小麥初始水分和溫度為影響因素,以通風時長為目標,開展了小麥機械通風實驗。其次,根據實驗所得的結果,采用多元非線性回歸法,擬合了通風口處空氣溫度和相對濕度、小麥初始水分和溫度與通風時長的函數關系。然后,運用粒子群-遺傳混合優化算法對通風時長進行了單目標優化。最終得出小麥通風過程的最佳工藝參數及其對應的最短通風時長。研究結果可為小麥機械通風過程工藝參數的設置提供理論依據,具有一定的實用價值。

1 材料與方法

1.1 實驗材料

由于北方地區是小麥的主要產地,因此為了便于研究,本文選擇小麥作為研究對象進行儲糧通風工藝參數優化研究,小麥的最終通風目標值如表1所示。

表1 小麥通風目標參數表

設定通風目標溫度值為15 ℃,目標水分值為13%。使用粒子群-遺傳混合優化算法對小麥通風工藝參數-溫濕度進行優化,在得到最佳溫濕度參數的過程中,粒子種群的規模過大,雖然優化能力強,但優化速度會過慢;規模過小,則容易陷入局部最優。這里選擇50個粒子,最大優化代數為100。

1.2 通風工藝的混合優化方法

在對小麥進行機械通風的過程中,為了將小麥的溫度和水分控制到目標值并且保證整體通風時長最短,本文采用粒子群-遺傳混合優化算法對其通風工藝參數進行優化。鑒于遺傳算法本身具備更為良好的全局特性和變異方式,結合粒子群算法結構相對簡單和收斂較快的特點將兩者進行融合,最終得到粒子群-遺傳混合優化算法。該算法可以很大程度上避免容易陷入局部最優、“早熟”現象的發生,同時使粒子之間的信息交互以及群體更新速度變得更快,大大提高了算法的優化能力和求解精度。

由于本文的主要研究內容是小麥通風過程工藝參數優化,因此在算法流程中,將小麥通風工藝參數作為種群粒子進行研究,其中,工藝參數包括入風口處空氣溫、濕度以及小麥的初始水分。在粒子群-遺傳混合優化算法中,按照粒子群算法將局部最優值和全局最優值作為進化方向,從而逐漸尋優直至找出最優粒子的迭代思路,對粒子群算法和遺傳算法進行混合優化。在每一次的迭代中,粒子根據式(1)、(2)[16]不斷更新自己的速度和位置。

(1)

(2)

在混合優化算法中,首先需要明確優化目標和優化參數,準確把握小麥通風過程中的研究方向,同時對小麥通風參數群體進行初始化處理并針對每個參數粒子設置一個合適的雜交概率α;其次,在每一輪的迭代尋優過程中,選取一定數目的通風參數粒子,即入風口處空氣溫、濕度以及小麥的初始水分,并將這些參數粒子作為親代進行交叉、變異遺傳操作,從而生成區別于實驗數據中的通風參數組合,形成新的個體,大大豐富了種群的多樣性,同時可以產生相同數目的子代來取代親代,形成新一代通風參數群體,其操作過程的計算公式[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)為親代;Xm(k+1)、Xn(k+1)為子代;0<α<1。

在小麥通風參數粒子完成交叉、變異遺傳操作之后,一方面能夠保證通風參數種群數目不會發生變化,同時又使通風參數種群的多樣性變得更加豐富,產生區別于實驗數據之外新的通風參數數值組合,為混合優化算法最終尋得最優的小麥通風工藝參數結果奠定基礎。在產生的新一代通風參數群體中,對每個參數組合粒子的適應度值進行逐一計算,若計算結果滿足算法最終要求,則停止尋優過程,算法結束;若不滿足算法要求,則依據當前參數個體的適應度值將其按照從大到小的次序進行排序,并選取通風參數種群前半部分最優個體將其復制以替換后半部分較差個體。最終,將組成的新參數群體重新返回算法初始階段進行新一輪的迭代,循環往復,直至獲得最優通風參數粒子。此外,在進行參數粒子尋優的過程中,還要關注通風參數慣性權重問題,因為隨著迭代過程的深入,算法權重系數的大小在一定程度上對其收斂性具有顯著的影響。若通風參數慣性權重ω較大,則有利于跳出局部極值點;而通風參數慣性權重ω較小時,則有利于提高算法本身收斂精度,其約束關系[18]如式(5)所示:

(5)

式中,ωmax和ωmin分別表示最大和最小通風參數慣性權重;kmax為最大迭代次數;k為當前迭代次數。粒子群-遺傳混合優化算法流程圖如圖1所示。

圖1 粒子群-遺傳混合優化算法流程圖 圖2 小麥機械通風原理圖

1.3 實驗數據

儲糧通風的目的是將糧食的溫度、水分以較快的速率達到控制目標值。因此,為了將糧食溫度和水分控制到目標值并且保證整體機械通風時長最短,所以要對小麥通風工藝參數進行優化,最終獲得一組最佳參數值。本文將小麥通風過程分為降水和降溫前后兩個階段,其中實驗數據引自由人工氣候室、通風系統、無線傳感器網絡糧情檢測系統和上位機軟件系統等組成的實驗平臺進行通風實驗所得出的結果[19],具體通風原理如圖2所示。從而獲得在不同的初始條件下,小麥達到最終通風目標值所需要的通風時長,為接下來的通風工藝參數優化部分提供數據支持。

2 優化過程

2.1 實驗結果分析

(1)降水通風過程。首先,對降水通風過程中所得出的實驗結果進行數據處理。其次,根據中心組合設計原理,在數據處理結果中選擇每個影響因素所對應的最佳取值范圍,以入風口處空氣溫度、相對濕度和小麥初始水分3個因素為自變量,小麥降水通風時長為響應值,進行響應面試驗[20]。最終,得出入風口處空氣溫度、相對濕度和小麥初始水分對小麥降水通風時長影響的變化結果圖。為了便于分析,選取任意兩個影響因素進行兩兩組合,研究在兩個影響因素的共同作用下小麥降水通風時長的變化趨勢,具體結果如圖3、4、5所示。

小麥在一定初始水分條件下,入風口處不同的空氣溫濕度對其通風時長的影響如圖3所示。由圖3可知,在實驗范圍內,當入風口處空氣相對濕度一定時,隨著入風口處空氣溫度的增加,小麥通風時長呈現出逐漸減小的趨勢,原因是隨著入風口處空氣溫度的增加小麥內部水分的蒸發速率在不斷上升,因而通風時長逐漸減小。當入風口處空氣溫度一定時,隨著入風口處空氣相對濕度的增加,小麥通風時長逐漸增大,說明隨著入風口處空氣相對濕度的增加導致小麥內部水分的蒸發速率在不斷降低,從而小麥降水通風時長逐漸增加。

小麥入風口處空氣相對濕度在一定條件下,不同的空氣溫度和小麥初始水分對其通風時長的影響如圖4所示。由圖4可知,在實驗范圍內,當小麥初始水分一定時,隨著入風口處空氣溫度的增加,小麥通風時長呈現出逐漸減小的趨勢,原因是隨著入風口處空氣溫度的增加小麥內部水分的蒸發速率在不斷上升,因而通風時長逐漸減小。當入風口處空氣溫度一定時,隨著小麥初始水分的增加,其通風時長逐漸增大,說明小麥初始水分的增加導致其與降水通風最終目標水分之間的跨度不斷變大,因而通風時長逐漸增大。

圖4 入風口處空氣溫度和小麥初始水分對小麥通風時長的影響

小麥入風口處空氣溫度在一定條件下,不同的空氣相對濕度和小麥初始水分對其通風時長的影響如圖5所示。由圖5可知,在實驗范圍內,當小麥初始水分一定時,隨著入風口處空氣相對濕度的增加,小麥通風時長呈現出逐漸增大的趨勢,原因是隨著入風口處空氣相對濕度的增加導致小麥內部水分的蒸發速率在不斷降低,從而小麥降水通風時長逐漸增大。當入風口處空氣相對濕度一定時,隨著小麥初始水分的增加,其通風時長逐漸增大,說明小麥初始水分的增加加大了其與降水通風最終目標水分之間的跨度,因而通風時長逐漸增大。

由上述各影響因素對小麥通風時長的影響變化趨勢可以看出,當入風口處空氣溫度越高、相對濕度越低時,小麥的初始水分越小,最終小麥降水通風時長越短。因此,在實驗范圍內,當入風口處空氣溫度取得最大值,入風口處空氣相對濕度和小麥的初始水分取得最小值時,降水通風時長最短,從而根據實驗數據結果得出,小麥降水通風最佳工藝參數為入風口處空氣溫度40 ℃,相對濕度25%,小麥初始水分15%,最短通風時長為18 min。

(2)降溫通風過程。在降溫通風過程中,選取小麥初始溫度和入風口處空氣溫度為影響因素、小麥通風時長為目標,開展了降溫通風實驗。為了便于觀察各影響因素作用下小麥降溫通風時長的變化趨勢,根據實驗數據作出了小麥初始溫度和入風口處空氣溫度對通風時長影響的變化結果圖如圖6所示。由圖6可知,在實驗范圍內,當小麥初始溫度一定時,隨著入風口處空氣溫度的增加,小麥通風時長逐漸增大,于是可以得出,當小麥初始溫度為40 ℃時,小麥降溫通風最佳工藝參數為入風口處空氣溫度10 ℃,從而最短通風時長為9.5 min。由于降水通風階段的通風溫度即降溫通風階段小麥的初始溫度,所以結合降水通風過程,小麥總體通風時長為27.5 min。然而,根據實驗結果可知,當降水通風階段入風口處空氣溫度為30 ℃,相對濕度為25%,小麥初始水分為15%;降溫通風階段小麥初始溫度為30 ℃,入風口處空氣溫度為10 ℃時,總體通風時長最短。因此,將降水和降溫兩個通風階段的最佳工藝參數進行簡單結合,并不能得到小麥通風最佳工藝參數,需要對小麥整體通風工藝進行優化,最終才能真正得到最短通風時長。

圖6 小麥初始溫度和入風口處空氣溫度對小麥通風時長的影響

2.2 通風工藝優化

(1)降水通風過程中通風時長與入風口處空氣溫濕度的關系。響應面法的主要思想是根據一系列采樣點的響應來構造多項式函數,從而逼近一個隱函數[21]。由于隱函數的形式未知,因此只能采用近似的方法獲得。為了使擬合的公式更加精確,本文選擇二階多項式回歸方法進行擬合,其形式如式(6)所示:

(6)

式中,t是小麥通風時長;α0為常數項;αi為優化變量即通風工藝參數一次項系數;αii為通風參數平方項系數;αij為不同通風參數乘積項的系數;xi和xj為不同的通風參數;ε是隨機誤差。

根據實驗數據進行多元回歸擬合分析,得到入風口處空氣溫度x1、入風口處空氣相對濕度x2、小麥初始水分x3相對于通風時間t1的回歸方程,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 小麥整體通風過程中最短通風時長

根據降水、降溫兩個通風過程中得出的通風時長與入風口處空氣溫濕度的函數關系式可以得出,小麥整體通風時長t的回歸方程,如式(9)所示:

t=t1+t2。

(9)

(10)

分別采用粒子群算法、遺傳算法及混合優化算法對小麥通風工藝參數進行優化,算法主要參數設置:交叉概率為0.6(通常取0.5～1)、變異概率通常選取一個較小的值為0.1、慣性權重為0.8(通常取0.1～0.9)、學習因子通常取c1=c2=1,為了提高算法的運算速率和求解精度,選取種群規模為50及最大迭代次數為100,優化結果如表2所示。

表2 小麥通風時長優化結果

通過表2優化結果可以看出,采用粒子群算法、遺傳算法及混合優化算法對小麥通風工藝參數進行優化后,混合優化算法所對應的通風時長最短,由此可見,混合優化算法的尋優性能要明顯優于其他的兩種算法,從而證明了本文提出的混合優化算法的優越性和可行性。

圖7 整體通風時間適應度曲線

3 結論

根據實驗結果,采用多元非線性回歸法,擬合了通風口處空氣溫度和相對濕度、小麥初始水分和溫度與通風時長的函數關系。通過粒子群-遺傳混合優化算法對小麥整體通風時長進行單目標優化,在所得的解中,最短通風時間為26.5 min。其對應的小麥降水通風過程最佳工藝參數為入風口處空氣溫度28 ℃、相對濕度25%;降溫通風過程最佳工藝參數為入風口處空氣溫度10 ℃,在此條件下,小麥整體通風時長可取得最小值?？梢钥闯鐾ㄟ^算法得出的最小通風時長明顯小于實驗所得出的最小通風時長,從而證明了將混合優化算法應用在小麥通風工藝參數優化方面具有一定的可行性,對于后續儲糧通風工藝參數的設置方面具有一定的指導意義。