基于混合優(yōu)化算法的糧食倉儲機械通風(fēng)工藝優(yōu)化

朱 龍,孫銅生,凌 峰,王金志,楊 震

(安徽工程大學(xué) 機械工程學(xué)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(xù)發(fā)展的重要基礎(chǔ)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(xiàn)發(fā)熱、結(jié)露甚至霉變的情況,實現(xiàn)長期儲存,需要每隔一段時間對倉內(nèi)糧食進行通風(fēng)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(fēng)具有重要研究意義。國內(nèi)外相關(guān)研究學(xué)者提出了一些關(guān)于糧食通風(fēng)的方法,例如自然通風(fēng)[3]、機械通風(fēng)[4]等,但是由于自然通風(fēng)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(fēng)以其良好的通風(fēng)效果與成熟的理論和技術(shù),被廣泛應(yīng)用。

在糧食儲存的過程中,溫濕度是影響糧食安全和品質(zhì)的重要因素[5]。在對小麥進行機械通風(fēng)時,通風(fēng)口處空氣溫度和相對濕度對通風(fēng)時長起著決定性作用。為了得到通風(fēng)時長短、能源消耗少的小麥通風(fēng)工藝,必須對工藝參數(shù)進行優(yōu)化。智能算法是一種新的科學(xué)方法,例如粒子群算法、遺傳算法等[6],該方法被廣泛應(yīng)用于各種工藝參數(shù)優(yōu)化方面。倪凡[7]利用遺傳算法優(yōu)化了儲糧橫向通風(fēng)過程中的糧堆溫度預(yù)測模型,并為糧食通風(fēng)智能預(yù)測與決策提供了一種新思路。高若婉等[8]利用遺傳算法優(yōu)化了苦瓜片真空冷凍干燥工藝,并為同類干燥工藝的優(yōu)化提供理論依據(jù)。Kaushik等[9]利用遺傳算法對可再生能源發(fā)電機組進行優(yōu)化,最終有效降低了其系統(tǒng)損耗。胡欣穎等[10]利用粒子群算法優(yōu)化了調(diào)理松板肉加工工藝,使松板肉的品質(zhì)實現(xiàn)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(yōu)化了神經(jīng)網(wǎng)絡(luò)預(yù)測模型,最終大大提高了儲糧通風(fēng)過程中溫度場預(yù)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(yōu)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(yōu)化,為避免船舶發(fā)生碰撞提供理論依據(jù)。施榮華等[14]利用粒子群-遺傳混合算法對雷達發(fā)射天線和接收天線的位置進行優(yōu)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(yōu)化。

由于粒子群算法在進行工藝優(yōu)化的過程中,容易陷入局部最優(yōu)解并且難以得到精確的最優(yōu)解,而遺傳算法在工藝優(yōu)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(xiàn),相關(guān)領(lǐng)域的學(xué)者已經(jīng)提出一些將粒子群和遺傳兩種算法進行結(jié)合的方案,提高了算法的優(yōu)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(fēng)工藝參數(shù)優(yōu)化的過程中,將小麥的溫度和水分控制到目標(biāo)值并且保證整體通風(fēng)時長最短。首先,以通風(fēng)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(fēng)時長為目標(biāo),開展了小麥機械通風(fēng)實驗。其次,根據(jù)實驗所得的結(jié)果,采用多元非線性回歸法,擬合了通風(fēng)口處空氣溫度和相對濕度、小麥初始水分和溫度與通風(fēng)時長的函數(shù)關(guān)系。然后,運用粒子群-遺傳混合優(yōu)化算法對通風(fēng)時長進行了單目標(biāo)優(yōu)化。最終得出小麥通風(fēng)過程的最佳工藝參數(shù)及其對應(yīng)的最短通風(fēng)時長。研究結(jié)果可為小麥機械通風(fēng)過程工藝參數(shù)的設(shè)置提供理論依據(jù),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(qū)是小麥的主要產(chǎn)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(fēng)工藝參數(shù)優(yōu)化研究,小麥的最終通風(fēng)目標(biāo)值如表1所示。

表1 小麥通風(fēng)目標(biāo)參數(shù)表

設(shè)定通風(fēng)目標(biāo)溫度值為15 ℃,目標(biāo)水分值為13%。使用粒子群-遺傳混合優(yōu)化算法對小麥通風(fēng)工藝參數(shù)-溫濕度進行優(yōu)化,在得到最佳溫濕度參數(shù)的過程中,粒子種群的規(guī)模過大,雖然優(yōu)化能力強,但優(yōu)化速度會過慢;規(guī)模過小,則容易陷入局部最優(yōu)。這里選擇50個粒子,最大優(yōu)化代數(shù)為100。

1.2 通風(fēng)工藝的混合優(yōu)化方法

在對小麥進行機械通風(fēng)的過程中,為了將小麥的溫度和水分控制到目標(biāo)值并且保證整體通風(fēng)時長最短,本文采用粒子群-遺傳混合優(yōu)化算法對其通風(fēng)工藝參數(shù)進行優(yōu)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(jié)合粒子群算法結(jié)構(gòu)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(yōu)化算法。該算法可以很大程度上避免容易陷入局部最優(yōu)、“早熟”現(xiàn)象的發(fā)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(yōu)化能力和求解精度。

由于本文的主要研究內(nèi)容是小麥通風(fēng)過程工藝參數(shù)優(yōu)化,因此在算法流程中,將小麥通風(fēng)工藝參數(shù)作為種群粒子進行研究,其中,工藝參數(shù)包括入風(fēng)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(yōu)化算法中,按照粒子群算法將局部最優(yōu)值和全局最優(yōu)值作為進化方向,從而逐漸尋優(yōu)直至找出最優(yōu)粒子的迭代思路,對粒子群算法和遺傳算法進行混合優(yōu)化。在每一次的迭代中,粒子根據(jù)式(1)、(2)[16]不斷更新自己的速度和位置。

(1)

(2)

在混合優(yōu)化算法中,首先需要明確優(yōu)化目標(biāo)和優(yōu)化參數(shù),準(zhǔn)確把握小麥通風(fēng)過程中的研究方向,同時對小麥通風(fēng)參數(shù)群體進行初始化處理并針對每個參數(shù)粒子設(shè)置一個合適的雜交概率α;其次,在每一輪的迭代尋優(yōu)過程中,選取一定數(shù)目的通風(fēng)參數(shù)粒子,即入風(fēng)口處空氣溫、濕度以及小麥的初始水分,并將這些參數(shù)粒子作為親代進行交叉、變異遺傳操作,從而生成區(qū)別于實驗數(shù)據(jù)中的通風(fēng)參數(shù)組合,形成新的個體,大大豐富了種群的多樣性,同時可以產(chǎn)生相同數(shù)目的子代來取代親代,形成新一代通風(fēng)參數(shù)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(fēng)參數(shù)粒子完成交叉、變異遺傳操作之后,一方面能夠保證通風(fēng)參數(shù)種群數(shù)目不會發(fā)生變化,同時又使通風(fēng)參數(shù)種群的多樣性變得更加豐富,產(chǎn)生區(qū)別于實驗數(shù)據(jù)之外新的通風(fēng)參數(shù)數(shù)值組合,為混合優(yōu)化算法最終尋得最優(yōu)的小麥通風(fēng)工藝參數(shù)結(jié)果奠定基礎(chǔ)。在產(chǎn)生的新一代通風(fēng)參數(shù)群體中,對每個參數(shù)組合粒子的適應(yīng)度值進行逐一計算,若計算結(jié)果滿足算法最終要求,則停止尋優(yōu)過程,算法結(jié)束;若不滿足算法要求,則依據(jù)當(dāng)前參數(shù)個體的適應(yīng)度值將其按照從大到小的次序進行排序,并選取通風(fēng)參數(shù)種群前半部分最優(yōu)個體將其復(fù)制以替換后半部分較差個體。最終,將組成的新參數(shù)群體重新返回算法初始階段進行新一輪的迭代,循環(huán)往復(fù),直至獲得最優(yōu)通風(fēng)參數(shù)粒子。此外,在進行參數(shù)粒子尋優(yōu)的過程中,還要關(guān)注通風(fēng)參數(shù)慣性權(quán)重問題,因為隨著迭代過程的深入,算法權(quán)重系數(shù)的大小在一定程度上對其收斂性具有顯著的影響。若通風(fēng)參數(shù)慣性權(quán)重ω較大,則有利于跳出局部極值點;而通風(fēng)參數(shù)慣性權(quán)重ω較小時,則有利于提高算法本身收斂精度,其約束關(guān)系[18]如式(5)所示:

(5)

式中,ωmax和ωmin分別表示最大和最小通風(fēng)參數(shù)慣性權(quán)重;kmax為最大迭代次數(shù);k為當(dāng)前迭代次數(shù)。粒子群-遺傳混合優(yōu)化算法流程圖如圖1所示。

圖1 粒子群-遺傳混合優(yōu)化算法流程圖 圖2 小麥機械通風(fēng)原理圖

1.3 實驗數(shù)據(jù)

儲糧通風(fēng)的目的是將糧食的溫度、水分以較快的速率達到控制目標(biāo)值。因此,為了將糧食溫度和水分控制到目標(biāo)值并且保證整體機械通風(fēng)時長最短,所以要對小麥通風(fēng)工藝參數(shù)進行優(yōu)化,最終獲得一組最佳參數(shù)值。本文將小麥通風(fēng)過程分為降水和降溫前后兩個階段,其中實驗數(shù)據(jù)引自由人工氣候室、通風(fēng)系統(tǒng)、無線傳感器網(wǎng)絡(luò)糧情檢測系統(tǒng)和上位機軟件系統(tǒng)等組成的實驗平臺進行通風(fēng)實驗所得出的結(jié)果[19],具體通風(fēng)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(fēng)目標(biāo)值所需要的通風(fēng)時長,為接下來的通風(fēng)工藝參數(shù)優(yōu)化部分提供數(shù)據(jù)支持。

2 優(yōu)化過程

2.1 實驗結(jié)果分析

(1)降水通風(fēng)過程。首先,對降水通風(fēng)過程中所得出的實驗結(jié)果進行數(shù)據(jù)處理。其次,根據(jù)中心組合設(shè)計原理,在數(shù)據(jù)處理結(jié)果中選擇每個影響因素所對應(yīng)的最佳取值范圍,以入風(fēng)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(fēng)時長為響應(yīng)值,進行響應(yīng)面試驗[20]。最終,得出入風(fēng)口處空氣溫度、相對濕度和小麥初始水分對小麥降水通風(fēng)時長影響的變化結(jié)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(fēng)時長的變化趨勢,具體結(jié)果如圖3、4、5所示。

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

小麥入風(fēng)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(fēng)時長的影響如圖4所示。由圖4可知,在實驗范圍內(nèi),當(dāng)小麥初始水分一定時,隨著入風(fēng)口處空氣溫度的增加,小麥通風(fēng)時長呈現(xiàn)出逐漸減小的趨勢,原因是隨著入風(fēng)口處空氣溫度的增加小麥內(nèi)部水分的蒸發(fā)速率在不斷上升,因而通風(fēng)時長逐漸減小。當(dāng)入風(fēng)口處空氣溫度一定時,隨著小麥初始水分的增加,其通風(fēng)時長逐漸增大,說明小麥初始水分的增加導(dǎo)致其與降水通風(fēng)最終目標(biāo)水分之間的跨度不斷變大,因而通風(fēng)時長逐漸增大。

圖4 入風(fēng)口處空氣溫度和小麥初始水分對小麥通風(fēng)時長的影響

小麥入風(fēng)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(fēng)時長的影響如圖5所示。由圖5可知,在實驗范圍內(nèi),當(dāng)小麥初始水分一定時,隨著入風(fēng)口處空氣相對濕度的增加,小麥通風(fēng)時長呈現(xiàn)出逐漸增大的趨勢,原因是隨著入風(fēng)口處空氣相對濕度的增加導(dǎo)致小麥內(nèi)部水分的蒸發(fā)速率在不斷降低,從而小麥降水通風(fēng)時長逐漸增大。當(dāng)入風(fēng)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(fēng)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(fēng)最終目標(biāo)水分之間的跨度,因而通風(fēng)時長逐漸增大。

由上述各影響因素對小麥通風(fēng)時長的影響變化趨勢可以看出,當(dāng)入風(fēng)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(fēng)時長越短。因此,在實驗范圍內(nèi),當(dāng)入風(fēng)口處空氣溫度取得最大值,入風(fēng)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(fēng)時長最短,從而根據(jù)實驗數(shù)據(jù)結(jié)果得出,小麥降水通風(fēng)最佳工藝參數(shù)為入風(fēng)口處空氣溫度40 ℃,相對濕度25%,小麥初始水分15%,最短通風(fēng)時長為18 min。

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

圖6 小麥初始溫度和入風(fēng)口處空氣溫度對小麥通風(fēng)時長的影響

2.2 通風(fēng)工藝優(yōu)化

(1)降水通風(fēng)過程中通風(fēng)時長與入風(fēng)口處空氣溫濕度的關(guān)系。響應(yīng)面法的主要思想是根據(jù)一系列采樣點的響應(yīng)來構(gòu)造多項式函數(shù),從而逼近一個隱函數(shù)[21]。由于隱函數(shù)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(fēng)時長;α0為常數(shù)項;αi為優(yōu)化變量即通風(fēng)工藝參數(shù)一次項系數(shù);αii為通風(fēng)參數(shù)平方項系數(shù);αij為不同通風(fēng)參數(shù)乘積項的系數(shù);xi和xj為不同的通風(fēng)參數(shù);ε是隨機誤差。

根據(jù)實驗數(shù)據(jù)進行多元回歸擬合分析,得到入風(fēng)口處空氣溫度x1、入風(fēng)口處空氣相對濕度x2、小麥初始水分x3相對于通風(fēng)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(fēng)過程中最短通風(fēng)時長

根據(jù)降水、降溫兩個通風(fēng)過程中得出的通風(fēng)時長與入風(fēng)口處空氣溫濕度的函數(shù)關(guān)系式可以得出,小麥整體通風(fēng)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(yōu)化算法對小麥通風(fēng)工藝參數(shù)進行優(yōu)化,算法主要參數(shù)設(shè)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(quán)重為0.8(通常取0.1～0.9)、學(xué)習(xí)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(guī)模為50及最大迭代次數(shù)為100,優(yōu)化結(jié)果如表2所示。

表2 小麥通風(fēng)時長優(yōu)化結(jié)果

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

圖7 整體通風(fēng)時間適應(yīng)度曲線

3 結(jié)論

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