湿黏性土壤旋耕机刀片：基于SPO–BO–BPNN的性能预测与多目标优化

《Computers and Electronics in Agriculture》：Rotary tiller blades for wet cohesive soil: Performance prediction and multi-objective optimisation with SPO–BO–BPNN

　　

• •
  在潮湿黏性土壤中，三个耕整作业响应量被联合预测与优化。
• •
  对数螺线刃在潮湿黏性土壤中的综合表现最佳。
• •
  SPO与BO分别对BPNN中搜索特性不同的参数组进行优化。
• •
  NSGA-III识别出最优的结构参数与工作参数组合。
• •
  田间试验表明，三项响应的预测误差均低于7 %。

引言

旋耕作业对种子床准备和耕作土壤层重建具有重要意义，旋耕刀片直接完成切土、碎土和抛土任务。长江三角洲的水稻土在高含水率条件下黏着性极强，使刀土相互作用更加复杂。刀片几何形状、旋转速度和前进速度都会影响碎土效果、扭矩与能耗（Patidar等，2024，Zhang等，2024，Zhao等，2020），而在潮湿黏性条件下的土壤粘着会进一步增大切削阻力并使土壤在刀片表面堆积（Guan等，2022，Liu等，2022）。更大的土壤扰动虽能改善碎土效果，但也可能增加刀土负载并改变土壤粘着状况。因此，刀片结构参数与工作参数的选取需同时兼顾碎土率、作业负载和土壤粘着。

早期旋耕刀片设计主要采用运动学和几何分析方法结合试验来确定刀片几何形状与作业参数（Asl和Singh，2009，Saimbhi等，2004）。随后，光滑粒子流体动力学（SPH）与离散元方法（DEM）等数值方法被引入到土-机具相互作用分析中，并与遗传算法和多目标进化方法结合用于参数优化（Du等，2022，Huang等，2025，Li等，2018，Li等，2022）。将DEM与有限元、多体动力学模型耦合，进一步实现了对刀片结构以及整机动力学行为的分析（Bae等，2025，Zhu等，2023）。然而，使用高保真度数值模型评估大量参数组合仍然计算代价高昂，限制了设计空间的广泛探索。因此，基于有限高质量仿真样本训练的快速预测模型能够减少重复数值计算，提升参数优化效率。

人工神经网络（ANN）模型能够从样本数据中学习非线性映射关系，被广泛应用于农业机械的性能预测和参数建模。Roul等（2009）使用ANN预测耕作牵引力，而Anantachar等（2010）则建模了播种计量器参数与性能之间的关系，用于参数反解。Li等（2023）采用双向卷积长短时记忆模型预测拖拉机旋耕质量，Fang等（2024）将粒子群优化与长短时记忆网络相结合，用于预测玉米脱粒过程中的籽粒损伤率。相关方法也被应用于联合收割机系统建模和收获部件优化（Chang等，2025，Li等，2024）。这些研究表明，神经网络能够捕捉参数与性能之间的非线性关系，并对新的参数组合快速预测其响应，从而减少对计算代价高昂的数值模型的反复调用需求（Castillo-Girones等，2025）。

然而，神经网络的性能在很大程度上取决于网络结构与训练设置，包括隐层规模、学习率以及初始权重和偏置（Mwiti等，2024）。贝叶斯优化（BO）基于已评估的结果更新概率代理模型，并利用采集函数引导搜索，被广泛用于机器学习超参数优化（Magris和Iosifidis，2023，Shahriari等，2016，Yang和Shami，2020），包括拖拉机作业状态预测、农机动力系统以及牵引性能等模型（Singh等，2023，Wang等，2024）。元启发式算法如蜣螂优化器（Dung Beetle Optimiser）和北方白脸角鸮优化（Northern Goshawk Optimisation）也被用于神经网络参数优化（Chang等，2025，Xia等，2022），而改进的麻雀搜索、改进的粒子群优化以及鲸鱼优化算法则分别被应用于脱粒状态识别、割台控制和收获参数优化（Dong等，2025，Ling等，2025，Zheng等，2025）。尽管这些针对特定任务的改进在一定程度上提升了搜索性能，但它们大多仍沿用原算法的种群更新框架。近年研究日益关注参数自适应、历史信息利用以及搜索机制的重新设计（Brest等，2006，Viktorin等，2018）。然而，隐层规模和学习率在搜索维度与优化特性上与初始权重和偏置存在明显差异，因此单一搜索策略难以在这些参数组之间兼顾全局探索、局部开发和收敛稳定性。

针对上述问题，本研究提出了一种面向潮湿黏性土壤条件下旋耕刀的"性能预测—多目标优化"方法。首先利用经试验标定的离散元方法（DEM）模型对三种切削刃型进行评估，同时考虑土壤碎土率、旋耕轴扭矩和土壤粘附质量三项指标。随后，开发自适应概率优化器（SPO）用于高维的初始权重和偏置优化，而将贝叶斯优化（BO）分配给低维的反向传播神经网络（BPNN）超参数，包括隐层规模和学习率。由此构建的SPO–BO–BPNN模型被用于从有限的DEM样本中预测三项响应，之后采用非支配排序遗传算法III（NSGA-III）进行优化，并对所选结构参数与作业参数进行田间验证。

各节要点

刀片设计与刀土相互作用

在潮湿黏性土壤中进行的旋耕作业通常伴随土壤破碎不足、旋耕轴扭矩偏大以及严重的土壤在刀片表面的粘附现象（图1a）。增加切削频次和土壤扰动可提高碎土效果（Matin等，2021），但也可能增加土壤抛掷负载，而刀片几何形状则影响土壤滑动、刀土接触和粘附行为。因此，在建立DEM模型之前，需对刀片几何与旋转切削运动学进行分析。

BPNN参数优化

旋耕刀的结构参数与作业参数会影响刀土接触、切削过程以及土壤运动状态，从而在输入变量与性能响应之间形成非线性关系。为此，采用单隐层反向传播神经网络（BPNN）来建模这种多输入—多输出关系（图9）。输入层由4个节点组成，分别对应弯曲角（X₁）、楔角（X₂）、前进速度（X₃）和旋转速度（X₄）。

扩展数据集与统计特性

50组DEM仿真样本虽可用于模型训练与验证，但对于分析参数—响应关系而言覆盖面仍显不足。由于进一步开展大规模DEM仿真会显著增加计算与存储成本，故采用拉丁超立方抽样（Latin hypercube sampling）在指定范围内生成1000组参数组合，并利用经过验证的SPO–BO–BPNN模型预测相应的响应量。随后将该扩展数据集用于

结论

本研究建立了一种结合DEM仿真、SPO–BO–BPNN预测以及NSGA-III多目标优化的参数优化方法，用于潮湿黏性土壤中旋耕刀的设计与优化。在三种刀片类型中，对数螺线刀片在土壤碎土率（SFR）、旋耕轴扭矩（RST）和土壤粘附质量（SAM）三项指标上的综合表现最优，因此被选作后续预测与优化的对象。

算法性能

CRediT作者贡献声明

Guixuan Zhu（朱桂轩）：撰写—审阅与编辑，撰写—初稿，验证，正式分析，数据整理，概念化。Nian Li（李念）：软件，方法论。Qi Wang（王奇）：软件，调查。Chengyu Zhang（张承宇）：软件，数据整理。Lipengcheng Wan（万立鹏程）：软件，资源。Yongwei Wang（王永伟）：撰写—审阅与编辑，资金获取。

利益冲突声明

作者声明不存在已知的竞争性经济利益关系或个人关系，这些关系可能会影响本文所报告的工作。

致谢

本研究由中国农业科研体系专项基金（CARS-01）资助。作者同时也感谢国家农业装备技术重点实验室提供的支持。

Guixuan Zhu|Nian Li|Qi Wang|Chengyu Zhang|Lipengcheng Wan|Yongwei Wang