馬鈴薯收獲機(jī)挖掘裝置智能設(shè)計系統(tǒng)與評價方法研究

王鳳花 熊海輝 賴慶輝 劉志迎 陳可凡 魯超宇

(昆明理工大學(xué)農(nóng)業(yè)與食品學(xué)院， 昆明 650500)

0 引言

目前，云南省馬鈴薯收獲機(jī)械化技術(shù)非常落后[1]，而農(nóng)機(jī)企業(yè)的研發(fā)存在仿制多、創(chuàng)新少、產(chǎn)品投放上市慢、產(chǎn)品競爭力差等問題[2]。在傳統(tǒng)研發(fā)模式下新產(chǎn)品開發(fā)難以對設(shè)計知識進(jìn)行高效獲取和重用[3]，且馬鈴薯收獲機(jī)種類繁多、專業(yè)知識龐雜，設(shè)計人員進(jìn)行產(chǎn)品設(shè)計時往往需要花費大量時間來收集設(shè)計知識，大大延長了產(chǎn)品的研發(fā)周期，影響了產(chǎn)品的設(shè)計效率。挖掘裝置作為馬鈴薯收獲機(jī)的關(guān)鍵部件，其挖掘性能直接影響馬鈴薯收獲機(jī)的整機(jī)性能。目前挖掘裝置已取得了較多成果[4-8]。利用先進(jìn)的設(shè)計方法支持農(nóng)機(jī)裝備研發(fā)過程，開發(fā)基于知識工程的馬鈴薯收獲機(jī)挖掘裝置的智能設(shè)計系統(tǒng)，不僅可以對前人的設(shè)計知識進(jìn)行高效獲取和重用、提高研發(fā)質(zhì)量，還可以縮短研發(fā)周期、提高設(shè)計效率。

近年來，國內(nèi)外基于知識工程(KBE)的智能設(shè)計方法在先進(jìn)制造領(lǐng)域已有廣泛應(yīng)用[9-13]。在農(nóng)業(yè)機(jī)械領(lǐng)域，李文斌等[14]將設(shè)計知識庫、推理機(jī)、參數(shù)化模型庫和人機(jī)交互界面融為一體，構(gòu)建了稻麥聯(lián)合收獲機(jī)脫粒裝置智能化設(shè)計平臺，實現(xiàn)了脫粒裝置的智能化設(shè)計。劉宏新等[15]應(yīng)用裝備譜系及譜系拓?fù)鋱D形式將聯(lián)合收獲機(jī)知識進(jìn)行層次化組織，解決了設(shè)計時難以高效獲取并應(yīng)用聯(lián)合收獲機(jī)設(shè)計知識的問題，提高了設(shè)計效率。杜岳峰等[16]根據(jù)剝皮裝置結(jié)構(gòu)特征、技術(shù)參數(shù)和性能評價指標(biāo)之間的關(guān)系，提出了基于知識工程的玉米果穗剝皮裝置設(shè)計方法，并建立了剝皮裝置工作性能評價模型，有效提高了設(shè)計效率。農(nóng)機(jī)裝備種類繁多、作業(yè)環(huán)境復(fù)雜和工況多變、使用季節(jié)性強(qiáng)，其智能化設(shè)計是一個知識密集的復(fù)雜過程，涉及多個領(lǐng)域[17]。目前，農(nóng)機(jī)裝備的智能設(shè)計與先進(jìn)制造業(yè)相比仍存在較大的差距，而針對馬鈴薯收獲機(jī)及其關(guān)鍵部件的相關(guān)研究則更少。

本文以Visual Studio為開發(fā)平臺，利用VB.NET語言并結(jié)合MySQL數(shù)據(jù)庫對SolidWorks進(jìn)行二次開發(fā)，對設(shè)計知識庫、知識管理系統(tǒng)、推理機(jī)、參數(shù)化模型庫和評價體系進(jìn)行整合，創(chuàng)建友好人機(jī)交互界面，構(gòu)建馬鈴薯收獲機(jī)挖掘裝置智能設(shè)計系統(tǒng)，以期解決馬鈴薯收獲機(jī)挖掘裝置設(shè)計效率低、設(shè)計知識難以高效獲取和運用的問題。

1 挖掘裝置智能設(shè)計系統(tǒng)框架

智能設(shè)計系統(tǒng)由知識庫構(gòu)建模塊、推理機(jī)模塊、設(shè)計方案生成模塊、參數(shù)化建模模塊和系統(tǒng)評價分析模塊5部分組成，當(dāng)用戶輸入設(shè)計參數(shù)后，經(jīng)推理機(jī)的推理生成參數(shù)化設(shè)計方案，經(jīng)參數(shù)化建模后生成模型實例，實例模型經(jīng)評價分析后，滿足設(shè)計要求則向用戶輸出模型，不滿足設(shè)計要求則返回重新生成設(shè)計方案，系統(tǒng)總體框架如圖1所示。

2 設(shè)計知識及知識庫構(gòu)建

2.1 設(shè)計知識及設(shè)計規(guī)則

挖掘裝置的設(shè)計知識主要來源于學(xué)位論文、專業(yè)文獻(xiàn)、農(nóng)業(yè)機(jī)械設(shè)計手冊、產(chǎn)品圖冊、國家行業(yè)標(biāo)準(zhǔn)和領(lǐng)域?qū)＜抑R等。在對挖掘裝置的相關(guān)設(shè)計知識進(jìn)行分析后，明確挖掘鏟是挖掘裝置的主要設(shè)計目標(biāo)。故對挖掘鏟進(jìn)行參數(shù)化設(shè)計，而調(diào)整裝置、連接活板等部件則采用從動匹配設(shè)計。如挖掘鏟結(jié)構(gòu)圖(圖2)所示，挖掘鏟的主要設(shè)計參數(shù)為：鏟刃傾角γ、鏟面傾角α、鏟長度L和鏟幅寬S1等。

2.1.1鏟刃傾角γ

鏟刃傾角的作用是保證鏟刃在克服挖掘阻力的同時，仍具有較好的自潔功能，鏟刃傾角γ應(yīng)滿足

γ<90°-φ

(1)

式中φ——土壤對鋼的摩擦角，取30°～36°

由摩擦定律可知，鏟刃傾角γ越小，鏟刃的切土能力越強(qiáng)，但γ過小時，容易損傷薯塊，故γ一般取40°～50°。

2.1.2鏟面傾角α

鏟面傾角α的作用是保證鏟體將土壟切開的同時，能順利將薯土混合物往后端輸送。一般α越小，鏟體的挖掘阻力越小。對薯土混合物在鏟面上的受力進(jìn)行平衡分析，可得

(2)

推導(dǎo)化簡可得

(3)

其中

μ1=tanφ

式中P——在鏟面上移動掘起物所需的力，N

μ1——土壤對挖掘鏟的摩擦因數(shù)

m——掘起物質(zhì)量，kg

g——重力加速度，m/s2

R——鏟體對土壤的反作用力，N

G——掘起物重力，N

T——鏟體對土壤沿鏟面滑動的反作用力，N

為了使挖掘鏟后端離地面既有足夠的高度h，又能保證挖掘鏟對土壟的切削性能，將鏟面分成兩段，前端鏟面傾角α1為10°～15°，后端鏟面傾角α2為16°～24°。

2.1.3鏟長度L

挖掘鏟的單鏟主要由前段鏟體和后段土壟破碎板組成，前段鏟體長度L1與確定后的鏟面傾角α以及平均挖掘深度h1(14～18 cm)有關(guān)，計算公式為

(4)

而后段土壟破碎板的長度L2可由能量守恒定律計算，設(shè)掘起物在挖掘鏟鏟面上以挖掘裝置前進(jìn)速度v0為初速度從點A運動到點B，則薯土混合物在點B時所具有的動能為

(5)

當(dāng)掘起物沿著鏟面繼續(xù)前進(jìn)到點C時，處于相對靜止?fàn)顟B(tài)(vc=0)，此時土壤開始膨脹、堆積，松散的土壤開始向鏟的兩側(cè)散開，隨著土壤的散落，馬鈴薯塊莖逐漸顯露在鏟面上。掘起物在點B上具有的動能全部用于克服BC段(即L2)的摩擦功Wf和將掘起物提升了h2的重力勢能Wg。則有

Wf=RtanφL2=mgL2tanφcosα

(6)

Wg=mgh2=mgL2sinα

(7)

式中h2——挖掘鏟后段高度，mm

掘起物在鏟面BC段的能量守恒方程為

(8)

化簡得

(9)

則鏟體的總長度L為

(10)

2.1.4鏟幅寬S1

根據(jù)經(jīng)驗，挖掘鏟的幅寬與馬鈴薯塊莖地下分布寬度、株行距和收獲機(jī)工作行駛的偏差等有關(guān)[18]。為了保證壟內(nèi)的薯土混合物都被掘起，挖掘鏟的設(shè)計幅寬應(yīng)略大于壟地幅寬，幅寬S1的計算公式為

S1=M+B+3σ+2c

(11)

(12)

式中M——平均行距，mm

B——薯塊平均分布寬度，mm

c——機(jī)器行駛偏差，一般取50～80 mm

σ——綜合標(biāo)準(zhǔn)差，mm

σM——行距標(biāo)準(zhǔn)差，mm

σb——薯塊分布寬度標(biāo)準(zhǔn)差，mm

上述挖掘鏟的設(shè)計規(guī)則是智能設(shè)計系統(tǒng)輸出設(shè)計參數(shù)的主要推導(dǎo)依據(jù)，也是挖掘鏟實現(xiàn)參數(shù)化建模的基礎(chǔ)。

2.2 設(shè)計知識表示和存儲

2.2.1設(shè)計知識表示

挖掘裝置的設(shè)計知識繁雜，需通過產(chǎn)生式規(guī)則、框架式以及混合式的知識表示法將設(shè)計知識形式化和數(shù)字化，轉(zhuǎn)換成計算機(jī)能夠讀取和調(diào)用的數(shù)據(jù)類型。

(1)產(chǎn)生式規(guī)則表示法

產(chǎn)生式規(guī)則表示法主要用于表達(dá)設(shè)計公式、選型方法、參數(shù)變化及力學(xué)理論公式等規(guī)則類知識。產(chǎn)生式規(guī)則表示法的形式為：“IfAthenB，即如果A成立則B成立”，簡化為“A→B”。例如，表1為挖掘鏟的設(shè)計幅寬和馬鈴薯品種關(guān)聯(lián)表。該表的知識表示形式為：If 馬鈴薯品種=“麗薯6號”thenS=90 cm；If 馬鈴薯品種=“云薯304”thenS=105 cm；If 馬鈴薯品種=“云薯301”thenS=85 cm；If 馬鈴薯品種=“云薯104”thenS=65 cm。

表1 挖掘鏟設(shè)計幅寬和馬鈴薯品種的關(guān)聯(lián)

(2)框架式知識表示法

框架式的表示方法主要用于表達(dá)實例類知識，在知識表達(dá)時需表示出各實例之間的父子關(guān)系及其靜態(tài)屬性，挖掘裝置實例結(jié)構(gòu)的表達(dá)形式如圖3所示。

(3)混合式知識表示法

混合式的表示方法主要用于表達(dá)部分結(jié)構(gòu)比較復(fù)雜的零部件，如挖掘鏟實例，先將其分解成相對簡單的實例，再通過產(chǎn)生式表示方法表示其設(shè)計參數(shù)等知識，表達(dá)形式如圖4所示。

2.2.2設(shè)計知識存儲及知識庫構(gòu)建

設(shè)計知識通過知識表示轉(zhuǎn)換成形式不一的數(shù)據(jù)表，需按規(guī)則類和實例類兩種類型進(jìn)行知識分類，然后以相對應(yīng)的格式存儲在MySQL數(shù)據(jù)庫中，完成設(shè)計知識的存儲。

規(guī)則類知識的存儲：規(guī)則類知識包括設(shè)計公式、選型方法、參數(shù)變化及力學(xué)理論公式等知識，以公式類知識為例，其存入MySQL數(shù)據(jù)庫時的存儲表格式為：序號、參數(shù)名稱、公式內(nèi)容、單位、說明、來源和參數(shù)，其存儲形式如圖5所示。

實例類知識的存儲：實例類知識主要包括整機(jī)及各個零部件的經(jīng)驗知識，其存入數(shù)據(jù)庫時的存儲表格式為：編號、產(chǎn)品型號、生產(chǎn)廠家、參數(shù)，其存儲形式如圖6所示。

根據(jù)上述知識存儲的格式，在MySQL數(shù)據(jù)庫中建立了零部件參數(shù)庫、實例庫、設(shè)計規(guī)則庫、裝配信息庫、標(biāo)準(zhǔn)件選型庫等，形成挖掘鏟智能設(shè)計系統(tǒng)的數(shù)據(jù)庫，如圖7所示。

2.3 知識管理系統(tǒng)構(gòu)建

以Visual Studio為開發(fā)平臺，VB.NET為開發(fā)語言，構(gòu)建了知識管理系統(tǒng)。知識管理系統(tǒng)的主要功能為實例類知識的管理和規(guī)則類知識的管理。實例庫知識管理界面如圖8所示，包括實例樹狀結(jié)構(gòu)、模型視圖、實例模型設(shè)計參數(shù)以及實例參數(shù)表，其中界面左側(cè)的實例樹狀結(jié)構(gòu)方便用戶選擇和查看不同的部件實例，選擇好實例后，右側(cè)的模塊自動更新該實例的模型視圖及模型的參數(shù)信息。規(guī)則庫知識管理界面如圖9所示，包括規(guī)則類知識樹狀結(jié)構(gòu)、零件設(shè)計公式表、設(shè)計參數(shù)示意圖、參數(shù)解釋及公式修改模塊。例如，當(dāng)用戶在樹狀結(jié)構(gòu)點選挖掘鏟設(shè)計公式時，右側(cè)自動更新對應(yīng)的公式表和參數(shù)解釋。

3 系統(tǒng)推理機(jī)構(gòu)建

推理機(jī)是將用戶需求與知識庫相連接的橋梁，也是系統(tǒng)實現(xiàn)智能設(shè)計的核心。推理機(jī)的核心是推理算法，本智能設(shè)計系統(tǒng)應(yīng)用的推理算法[19-21]主要為基于規(guī)則的推理(RBR)和基于實例的推理(CBR)。智能設(shè)計系統(tǒng)的推理流程如圖10所示，當(dāng)用戶輸入設(shè)計參數(shù)后，先基于規(guī)則的推理來檢索輸入?yún)?shù)是否合理，若不合理則提示用戶重新輸入。若合理則繼續(xù)推理輸入?yún)?shù)所映射的實例屬性，并在實例庫中搜索相似實例，進(jìn)行相似度計算，若相似度為1，則直接向用戶交付模型。否則，排序檢索結(jié)果后輸出相似度最高的實例，用于后續(xù)參數(shù)化建模的驅(qū)動模型。在基于規(guī)則的推理確定設(shè)計參數(shù)值后，進(jìn)行參數(shù)化建模，最后輸出實例。實例轉(zhuǎn)入產(chǎn)品驗證模塊，若產(chǎn)品驗證不滿足設(shè)計要求，則返回參數(shù)化設(shè)計模塊，重新推理和參數(shù)化設(shè)計。若產(chǎn)品驗證滿足設(shè)計要求，則向用戶交付模型，并存入實例庫中，以豐富實例庫。

3.1 基于規(guī)則的推理

基于規(guī)則的推理采用基于產(chǎn)生式規(guī)則的推理方法，推理時以已知參數(shù)或數(shù)值為前提條件，結(jié)合相應(yīng)的計算公式和經(jīng)驗規(guī)則，進(jìn)行一級或多級推導(dǎo)計算，直至推理出計算結(jié)果。以三角形平鏟式挖掘鏟單鏟長度的推理計算為例，其推理路線如圖11所示，圖中的一個箭頭代表一次產(chǎn)生式規(guī)則推理。

3.2 基于實例的推理

基于實例推理的關(guān)鍵在于兩實例間的相似度計算。由前文實例類知識的存儲可知，實例模型的特征主要包括名稱、樣式和尺寸參數(shù)等屬性知識，故實例推理計算的是兩實例屬性間的相似度。目前，計算實例相似度通常采用最近相鄰法[22]，計算公式為

(13)

式中S——實例相似度

n——實例個數(shù)

pi——實例1的屬性

qi——實例2的屬性

wi——特征權(quán)值

式(13)中，若case1、case2兩實例完全相同，則可計算出S(case1、case2)=1，即當(dāng)兩實例的相似度越接近1，則兩實例越相似。當(dāng)系統(tǒng)同時檢索多個實例時，設(shè)定系統(tǒng)選擇相似度最高的實例作為輸出結(jié)果，輸出的實例作為后續(xù)參數(shù)化建模的驅(qū)動模型，進(jìn)行模型重用，以減少后續(xù)模型修改的工作量。

例如，表2為用戶的需求模型和實例庫中現(xiàn)有2個實例的特征參數(shù)和權(quán)重。其中，各特征參數(shù)權(quán)重的給定依據(jù)為專家知識、設(shè)計經(jīng)驗知識和參數(shù)驅(qū)動模型變更的復(fù)雜性。由式(13)計算可得，實例模型1與用戶需求模型的實例相似度為0.43，實例模型2與用戶需求模型的實例相似度為0.58，故選擇實例模型2為驅(qū)動模型，進(jìn)行參數(shù)化設(shè)計。

表2 用戶需求模型與挖掘鏟現(xiàn)有實例的特征參數(shù)和權(quán)重

4 智能設(shè)計系統(tǒng)開發(fā)及參數(shù)化建模

4.1 系統(tǒng)功能和UI界面

挖掘裝置智能設(shè)計系統(tǒng)的主要功能有：基于設(shè)計人員設(shè)定的設(shè)計參數(shù)，實現(xiàn)挖掘裝置的智能設(shè)計；對數(shù)據(jù)庫中的知識進(jìn)行調(diào)用、管理和維護(hù)，并通過實例庫和規(guī)則庫的知識管理來解釋和說明整個設(shè)計過程。以Visual Studio 為開發(fā)工具，完成了挖掘裝置智能設(shè)計系統(tǒng)UI界面的設(shè)計，如圖12所示。系統(tǒng)UI界面分為3個模塊，界面最上方為用戶設(shè)置模塊，用戶可在此設(shè)置模型的保存路徑、更改賬號登錄密碼和閱讀幫助文檔等。界面的中間為系統(tǒng)的功能選擇模塊，包括智能設(shè)計系統(tǒng)和知識管理系統(tǒng)等。界面下方為功能模塊顯示界面，如挖掘裝置設(shè)計系統(tǒng)的UI界面，包括用戶設(shè)計參數(shù)輸入、部分設(shè)計參數(shù)輸出、建模進(jìn)度條顯示和建模完成提示等。參數(shù)化建模完成后，可在保存路徑里打開并查看模型。

4.2 參數(shù)化建模

采用SolidWorks二次開發(fā)的方法對挖掘裝置進(jìn)行參數(shù)化建模，參數(shù)化建模的結(jié)構(gòu)如圖13所示，用戶選擇好馬鈴薯品種類型和挖掘鏟類型，按系統(tǒng)提示輸入挖掘深度和作業(yè)幅寬后，二次開發(fā)平臺調(diào)用數(shù)據(jù)庫的相關(guān)信息，進(jìn)行零部件模型尺寸變更、標(biāo)準(zhǔn)件模型調(diào)用、零部件自動裝配等操作，從而實現(xiàn)了參數(shù)化建模。以三角形平鏟式挖掘鏟模型為例，生成模型如圖14所示。

5 挖掘裝置工作性能評價

本文以設(shè)計實例的工作性能評價來間接地評價智能設(shè)計系統(tǒng)的可靠性。因此，基于挖掘鏟挖掘阻力分析和RecurDyn-EDEM的聯(lián)合仿真試驗，從挖掘阻力評價和收獲質(zhì)量評價兩個角度對挖掘裝置工作性能進(jìn)行評價。

5.1 挖掘鏟挖掘阻力分析

挖掘鏟在挖掘作業(yè)過程中主要受力有拖拉機(jī)的牽引力、土壤對鏟面的法向載荷、土壤對挖掘鏟的摩擦力、土壤純切削阻力和因土壤粘性而產(chǎn)生的鏟面附著力[23]，分別以挖掘鏟和鏟面上的掘起物為對象進(jìn)行受力分析，如圖15和圖16所示。

由圖15可得，挖掘鏟在水平方向上的受力平衡方程為

W=Nsinα+Ffcosα+FCacosα+Fkcosα

(14)

其中

Ff=μ1NFCa=CaS2Fk=kb

式中W——拖拉機(jī)牽引力，N

N——土壤作用于挖掘鏟鏟面的法向載荷，N

Ff——土壤對挖掘鏟的摩擦力，N

FCa——土壤作用于鏟面的附著力，N

Fk——土壤純切削力，N

S2——挖掘鏟面積，m2

Ca——土壤附著力因數(shù)，Pa

k——單位幅寬土壤的純切削力，N/m

b——挖掘鏟寬度，m

土壤對挖掘鏟的純切削力很小，當(dāng)土壤中有大量石塊、莖稈殘枝或刃口變鈍時，切削力才比較重要，由于馬鈴薯目前多為規(guī)范化種植，故土壤的純切削力可以忽略不計[24]。則無土壤純切削力時拖拉機(jī)的牽引力為

W1=Nsinα+μ1Ncosα+CaS2cosα

(15)

由圖16可得，掘起物在水平方向上的受力平衡方程為

N0(sinα+μ1cosα)+CaS2cosα=N1(sinβ+μcosβ)+(CS3+F)cosβ

(16)

掘起物在豎直方向上受力平衡方程為

G+CaS2sinα+(CS3+F)sinβ=N0(cosα-μ1sinα)+N1(cosβ-μcosβ)

(17)

式中N1——前失效面的法向載荷，N

C——土壤的內(nèi)聚力，Pa

N0——挖掘鏟對掘起物的反作用力，N

S3——土壤剪切面積，cm2

F——土壤沿鏟面運動的加速力，N

μ——土壤內(nèi)摩擦因數(shù)，重黏土、黏土與鋼的摩擦因數(shù)為0.4～0.9

β——前失效面傾角，(°)

由式(15)化簡可得

(18)

將式(16)、(17)、(18)整合可得

(19)

(20)

為了得到W1的值，仍需求解出G、F和S3等輔助參數(shù)的值，分析挖掘鏟鏟面上薯土的尺寸關(guān)系和薯土混合物及挖掘鏟的運動示意圖[25-26]，由幾何關(guān)系和牛頓第二定律可得

(21)

式中l(wèi)1——土壤沿鏟尖伸出的距離，m

l2——土壤沿鏟尾伸出的距離，m

l——土壤從鏟尖到鏟尾的距離，m

d——土壤厚度，m

v1——挖掘裝置工作速度，m/s

λ——土壤容積密度，kg/m3

h——挖掘鏟的挖掘深度，m

a——土壤在鏟面上運動的加速度，m/s2

以挖掘鏟整體為研究對象，當(dāng)不計算土壤純切削力時，由式(19)、(20)可知，所需的牽引力與初始的設(shè)計參數(shù)λ、α、β、μ、μ1、b、h、l、v1、C、Ca有關(guān)。智能設(shè)計系統(tǒng)生成挖掘鏟實例后，將以上初始設(shè)計參數(shù)代入式(20)、(21)中，計算便可得到挖掘鏟工作時挖掘鏟所需要的牽引力。

5.2 RecurDyn-EDEM聯(lián)合仿真試驗

5.2.1仿真模型建立

以云南省陸良縣小百戶鎮(zhèn)馬鈴薯種植基地的麗薯6號為建模對象，選取與麗薯6號平均三軸尺寸相接近的薯塊，利用三維掃描儀掃描得到馬鈴薯塊莖的三維空間點云數(shù)據(jù)，運用Geomagic studio軟件后處理獲得馬鈴薯網(wǎng)格幾何模型。將模型導(dǎo)入EDEM軟件并通過顆?？焖偬畛涞姆椒ǐ@得馬鈴薯離散元模型，如圖17所示。

智能設(shè)計系統(tǒng)在生成實例模型后，以.step格式導(dǎo)入RecurDyn軟件中，通過軟件中合并的功能進(jìn)行鏟體合并，并在motion中設(shè)置速度驅(qū)動參數(shù)，使得挖掘鏟以0.5 m/s的速度勻速往前運動。設(shè)置完模型參數(shù)后，通過RecurDyn中External SPI模塊將挖掘鏟選擇為耦合剛體Wall輸出。因土壤為濕黏物料，基于Hertz-Mindlin with JKR的接觸模型能使顆粒間易發(fā)生明顯粘結(jié)和團(tuán)聚[27]，為較好地模擬出土壤粘附在馬鈴薯和機(jī)具的現(xiàn)象，將土壤-馬鈴薯、土壤-挖掘鏟的接觸模型設(shè)置為Hertz-Mindlin with JKR 模型，并設(shè)置好各接觸組合的JKR表面能[28]。同時，將土壤-土壤的接觸模型設(shè)置為Hertz-Mindlin with JKR and Bonding模型，以模擬云南地區(qū)黏重紅壤的特性。以半徑為4 mm的圓球作為土槽的土壤顆粒模型，通過顆粒工廠的快速填充方法構(gòu)建薯土混合土壟模型，并在Geometries中導(dǎo)入由RecurDyn輸出的耦合剛體Wall文件，完成耦合仿真試驗的模型構(gòu)建，模型如圖18所示。

5.2.2仿真參數(shù)設(shè)置

在構(gòu)建EDEM薯土混合土壟模型時，其相關(guān)參數(shù)設(shè)置[29]如表3所示。進(jìn)行耦合仿真前，設(shè)置EDEM模型的Rayleigh時間步長為10%，仿真時間為6 s，每0.05 s保存一次數(shù)據(jù)，并打開EDEM與RecurDyn的耦合接口；在RecurDyn中設(shè)置仿真步數(shù)為100步，仿真時間為6 s，開始耦合仿真的計算，仿真過程剖面圖如圖19所示。

表3 薯土混合土壟模型仿真參數(shù)

5.2.3挖掘阻力評價

將數(shù)值模擬得到的牽引力和仿真試驗測得的牽引阻力進(jìn)行比較，當(dāng)牽引力大于牽引阻力時，挖掘裝置才能正常挖掘作業(yè)，表明所設(shè)計的實例滿足設(shè)計要求。反之，則該實例不滿足設(shè)計要求。其中，實例模型相關(guān)的設(shè)計參數(shù)如表4所示，將設(shè)計參數(shù)代入式(20)、(21)可得，挖掘鏟工作所需的牽引力約為856.24 N。在RecurDyn后處理模塊中導(dǎo)出挖掘鏟在X方向受到馬鈴薯和土壤顆粒作用力的受力數(shù)據(jù)，如圖20所示。挖掘鏟前進(jìn)過程中受到的阻力即為X方向上的受力，則由圖可得，最大牽引阻力為724.81 N，小于計算得到的拖拉機(jī)牽引力856.24 N，故智能設(shè)計系統(tǒng)所設(shè)計的挖掘鏟滿足設(shè)計要求。

表4 實例模型設(shè)計參數(shù)

5.2.4收獲質(zhì)量評價

參考NY/T 648—2015關(guān)于牽引式馬鈴薯收獲機(jī)收獲質(zhì)量的評價標(biāo)準(zhǔn)，以明薯率和傷薯率作為評價指標(biāo)。使用TA Type-XTPlus型食品質(zhì)構(gòu)儀對馬鈴薯X、Y、Z方向的3組果肉進(jìn)行穿刺試驗，測得馬鈴薯果肉的平均硬度為7.524 N。仿真結(jié)束后利用EDEM后處理的Manual Selection功能，提取馬鈴薯在仿真過程中的受力，當(dāng)馬鈴薯受力的最大值超過7.524 N時，則判定該馬鈴薯為傷薯，馬鈴薯損傷判斷依據(jù)如圖21所示。統(tǒng)計結(jié)果表明明薯率為97.22%，傷薯率為1.43%，均滿足收獲質(zhì)量評價標(biāo)準(zhǔn)。

6 結(jié)論

(1)應(yīng)用產(chǎn)生式規(guī)則和框架式的表示方式對挖掘裝置設(shè)計知識進(jìn)行表達(dá)，開發(fā)了設(shè)計知識庫和知識管理系統(tǒng)；基于規(guī)則和實例的推理方法構(gòu)建了系統(tǒng)推理機(jī)，并將推理機(jī)制與參數(shù)化設(shè)計技術(shù)相結(jié)合，實現(xiàn)了模型的設(shè)計重用和智能化設(shè)計，增強(qiáng)了模型建立的靈活性和設(shè)計知識的繼承性。

(2)對挖掘鏟進(jìn)行挖掘阻力分析和數(shù)值模擬，結(jié)合RecurDyn-EDEM聯(lián)合仿真試驗對挖掘裝置的工作性能進(jìn)行評價。結(jié)果表明，挖掘鏟工作所需牽引力為856.24 N，所受最大牽引阻力為724.81 N，明薯率為97.22%，傷薯率為1.43%，滿足設(shè)計要求。

(3)利用Visual Studio平臺，對設(shè)計知識庫、知識管理系統(tǒng)、推理機(jī)、參數(shù)化模型庫和評價體系進(jìn)行整合及聯(lián)合運用，建立了馬鈴薯收獲機(jī)挖掘裝置智能設(shè)計系統(tǒng)，實現(xiàn)了對挖掘裝置復(fù)雜設(shè)計過程的封裝，使設(shè)計人員能基于友好人機(jī)界面進(jìn)行產(chǎn)品設(shè)計，并提高了產(chǎn)品設(shè)計的準(zhǔn)確性和工作效率。