基于神经网络与近似建模的藜麦机械收割割台参数优化研究

为解决藜麦机械化收割中茎秆折断、倒伏、喂入低效及籽粒损失等问题，研究人员基于 DEM、神经网络与近似建模开展割台参数多目标优化研究。发现 NGO-BP 模型优化效果最佳，最优参数下籽粒脱落率降至 1.802%，为藜麦及其他作物收获机械设计提供新思路。

　　

藜麦，这种被誉为 “黄金谷物” 的南美原产作物，凭借其极高的营养价值在全球范围内备受关注。我国自 20 世纪 80 年代引入藜麦后，种植面积不断扩大，仅甘肃一省的种植面积就占全国总面积的 46.88%，产量更是占到全国总产量的 60%。然而，在藜麦产业蓬勃发展的背后，机械化收割设备的滞后成为了制约产业进一步发展的瓶颈。目前，国内藜麦收割大多还依赖人工或半机械方式，不仅作业成本高、周期长，而且采用普通谷物联合收割机进行收割时，会出现严重的籽粒损失和清选效果差等问题。尽管国内已有研究人员开发出了自走式藜麦联合收割机等设备，但在割台设计方面仍存在诸如分禾器宽度、耙齿速度等参数不合理的情况，导致关键部件堵塞、割台损失大以及籽粒脱落严重等问题，极大地影响了收割效率和质量。因此，如何提升藜麦机械化收割水平，减少收割过程中的各项损失，成为了我国藜麦产业亟待解决的重要课题。

为了攻克这些难题，国内相关研究机构的研究人员开展了深入研究。他们以藜麦茎秆的生物力学特性和农艺要求为基础，开展了藜麦机械收割割台参数优化的研究，相关成果发表在《Computers and Electronics in Agriculture》上。

研究人员采用了多种关键技术方法。首先，利用离散元法（DEM）建立了仿真模型，以此来研究藜麦茎秆与分禾器在分禾过程中的相互作用。接着，运用拉丁超立方抽样方法获取样本数据，并训练了三种神经网络优化算法（GA-BP、DBO-BP、NGO-BP）进行预测。最后，借助 Isight 优化设计组件构建正交多项式模型，开展多目标优化工作。

结果分析

通过 3D 表面图分析各因素对藜麦茎秆平均移动速度的影响发现，当分禾器宽度（X₃）保持不变时，茎秆平均移动速度（Y₁）会随着前进速度（X₁）的增加和耙齿速度（X₂）的减小而逐渐降低，并在 X₁和 X₂的某些组合下达到最小值；当耙齿速度（X₂）固定时，Y₁虽有波动，但总体上随 X₁和 X₃的增加而降低，表明 X₁和 X₃对 Y₁有负向影响。

结论

本研究创新性地将离散元法模拟、神经网络算法与近似模型相结合，提出了一种农业机械实验设计优化方法，并通过田间试验进行了严格验证，为农业机械化实验设计及未来研究提供了重要的理论和实践参考。研究表明，在三种神经网络模型中，NGO-BP 模型在处理复杂非线性参数相互作用时，展现出了更优的预测准确性、稳定性和优化效率。田间验证结果显示，当前进速度为 1.26 m/s、耙齿速度为 1.47 m/s、分禾器宽度为 235.8 mm 时，籽粒脱落率可降低至 1.802%，显著优于传统收割设备。该研究不仅大幅提升了藜麦机械化收割效率，还为其他作物收获机械的设计与优化提供了创新思路，对推动我国藜麦产业乃至整个农业机械化的发展具有重要意义。