基于BP神经网络粒子群优化与自动化仿真控制的旋耕弯刀造型优化方法技术

本发明专利技术公开了一种基于BP神经网络粒子群优化与自动化仿真控制的旋耕弯刀造型优化方法，包括以下步骤：S1、运用VBA在SolidWorks开发用于快速生成旋耕弯刀模型插件；S2、运用批处理开发EDEM控制程序，用于控制弯刀切土仿真进行；S3、运用Python对弯刀切土数据进行处理；S4、运用快速生成弯刀模型插件完成弯刀建模；S5、运用EDEM控制程序完成弯刀切土仿真；S6、运用数据处理程序完成切土仿真数据整理；S7、运用PyTorch构建关于旋耕弯刀造型对旋耕弯刀仿真数据影响的回归模型并训练；S8、以旋耕弯刀的切土效果为优化目标建立适应度函数，结合回归模型对旋耕弯刀寻优；本发明专利技术提出的旋耕弯刀造型优化方法，具有效率高，可操作性强、设计灵活、可靠性好及适用面广等特点。可靠性好及适用面广等特点。可靠性好及适用面广等特点。

【技术实现步骤摘要】
基于BP神经网络粒子群优化与自动化仿真控制的旋耕弯刀造型优化方法


[0001]本专利技术属于旋耕弯刀优化领域，是一种以弯刀切土数据驱动优化旋耕弯刀造型的优化方法。

技术介绍

[0002]旋耕弯刀设计与优化一直是农业机械领域研究的重点，目前国内外对于旋耕弯刀的优化研究方法主要有两种方式：一种是设计几种不同造型参数的旋耕弯刀，通过物理切土试验或者仿真切土试验，通过对比获得相对切土效果最好的旋耕弯刀造型，此方法设计简单操作容易，但是所获得的优化后的旋耕弯刀并非是最优的旋耕弯刀，而是交叉对比中的几组旋耕弯刀中较优的旋耕弯刀；另一种是对旋耕弯刀的切土过程进行理论分析，通过分析获得最优的旋耕弯刀造型参数，此方法相对操作复杂，无论是构建对应的数学关系还是获得最优值都比较困难。针对以上问题，本专利技术提出了一种基于BP神经网络、粒子群优化与自动化仿真控制相结合的旋耕弯刀造型优化方法，此方法能够在更大范围内寻找旋耕弯刀的最优解，避免了通过交叉对比只能获得几组旋耕弯刀造型中较优解的缺陷，同时通过旋耕效果数据驱动获得优化的旋耕弯刀造型，避免了构建复杂的数学关系，使得优化过程无论从思路还是执行过程都更加简单方便。

技术实现思路

[0003]本专利技术的目的在于克服现有技术的不足，提供一种将BP神经网络回归模型、粒子群优化算法与自动化仿真控制相结合的旋耕弯刀造型优化方法，具有效率高、可操作性强、设计灵活、可靠性好及适用面广等特点的旋耕弯刀优化方法。
[0004]本专利技术的目的是通过以下技术方案来实现的：基于BP神经网络粒子群优化与自动化仿真控制的旋耕弯刀造型优化方法，其特征在于，包括以下步骤：
[0005]S1、以旋耕弯刀切土效果为优化目标，在离散元仿真软件EDEM中建立旋耕弯刀切土仿真模型；
[0006]S2、选取旋耕弯刀造型变形控制点，设计并实现旋耕弯刀自动切土仿真程序，包括：快速生成旋耕弯刀模型程序、旋耕弯刀切土仿真控制程序与数据处理程序；
[0007]S3、构建旋耕弯刀造型与切土效果的BP神经网络回归模型，使用旋耕弯刀自动切土仿真程序获取多组不同造型旋耕弯刀切土数据，使用该数据对模型进行训练；
[0008]S4、使用粒子群算法对训练好的回归模型进行寻优，寻找旋耕效果最好的旋耕弯刀模型。
[0009]所述步骤S1具体按如下步骤实施：
[0010]S11：在EDEM中构建土壤粒子模型、秸秆粒子模型，并使用土壤粒子模型与秸秆粒子模型搭建仿真所需的土壤—秸秆仿真环境。
[0011]所述步骤S2具体按如下步骤实施：
[0012]S21：选择旋耕弯刀的控制点参数，并使用VBA语言在SolidWorks中构建以这些参数为驱动的快速生成旋耕弯刀模型的程序。
[0013]S22：以控制在EDEM中构建的旋耕弯刀切土仿真模型为目标，使用批命令构建出控制EDEM控制程序，该程序可以控制EDEM自动依次完成多组旋耕弯刀切土仿真运行与数据收集。
[0014]S23：使用Python针对旋耕弯刀切土仿真数据构建处理程序，用于对仿真生成的数据处理。
[0015]所述步骤S3具体按如下步骤实施：
[0016]S31：使用Pytorch构建关于旋耕弯刀造型参数与旋耕效果的BP神经网络回归模型，其主要由输入层、隐藏层与输出层构成，其中激活函数选择ReLu函数，损失函数为L1Loss函数，优化器为随机梯度下降函数。
[0017]S32：使用快速生成旋耕弯刀模型的程序生成大批量不同造型参数的旋耕弯刀模型，使用旋耕弯刀切土仿真控制程序控制这些旋耕弯刀完成旋耕切土仿真并使用数据处理程序对所有仿真数据进行收集整理。
[0018]S33：使用仿真生成的旋耕弯刀切土数据对BP神经网络回归模型进行训练。
[0019]所述步骤S4具体按如下步骤实施：
[0020]S41：构建用于寻找最优旋耕效果对应的旋耕弯刀造型参数的适应度函数。
[0021]S42：构建粒子群算法，并初始化粒子群参数对旋耕弯刀造型参数进行寻优。
[0022]本专利技术的有益效果是：本专利技术将BP神经网络回归模型、粒子群寻优算法运用于旋耕弯刀造型优化中，通过进行大量不同造型旋耕弯刀切土仿真获得数据，建立BP神经网络回归模型并将仿真数据用于回归模型训练，最后通过粒子群算法对旋耕弯刀进行优化。该优化方法具有原理简单、可操作性强、设计灵活、可靠性高及适用面广等特点，对旋耕弯刀优化研究具有重要指导和借鉴意义。
附图说明
[0023]图1为本专利技术的旋耕弯刀优化的流程图
[0024]图2为旋耕弯刀控制参数示意图
[0025]图3为旋耕弯刀切土仿真过程图
[0026]图4为旋耕弯刀造型与旋耕效果关系的BP神经网络回归模型
[0027]图5为BP回归模型训练流程图
[0028]图6为BP回归模型训练过程中损失函数值变化图
[0029]图7为粒子群寻优流程
[0030]图8为粒子群寻优过程中适应度变化
[0031]图9为对旋耕弯刀切土仿真控制的二次开发流程
[0032]图10为旋耕弯刀快速生成模型程序的设计思路
[0033]图11为旋耕弯刀快速生成模型程序界面
[0034]图12为旋耕弯刀切土仿真自动化控制程序设计思路
[0035]图13为数据处理程序设计思路
[0036]图14摘要附图
具体实施方式
[0037]下面结合附图进一步说明本专利技术的技术方案。
[0038]如图1所示，本专利技术提出的基于BP神经网络、粒子群优化与自动化仿真控制相结合的旋耕弯刀造型优化方法，包括了以下步骤：
[0039]S1、以旋耕弯刀的切土效果为优化目标，考虑旋耕弯刀的造型对旋耕弯刀切土性能的影响，建立一系列不同造型参数旋耕弯刀离散元切土仿真模型；
[0040]步骤S1中选择旋耕弯刀的可变参数进行二次开发获得旋耕弯刀快速生成模型，对旋耕弯刀的参数进行修改生成一系列不同造型的旋耕弯刀。
[0041]选择的旋耕弯刀的改变造型参数如图2，根据旋耕弯刀造型参数生成弯刀模型的程序设计思路如图10，该快速生成弯刀模型程序界面如图11，该程序以图 2中参数为输入，进行旋耕弯刀建模，生成一系列旋耕弯刀模型，其中旋耕弯刀造型参数取值如表1。
[0042]表1
[0043][0044][0045][0046][0047][0048]S2、随后使用旋耕弯刀切土仿真自动化程序，控制所有的旋耕弯刀进行切土仿真，该自动化控制程序设计思路如图12所示，旋耕弯刀切土仿真过程如图3 所示。
[0049]在对所有旋耕弯刀进行切土仿真过后，使用数据处理程序对所以仿真数据进行整理，该数据处理程序设计思路如图13所示，最终整理的数据如表2。
[0050]表2
[0051][0052][0053][0054][0055][0056]S3、在获得不同造型旋耕弯刀切土效果数据后，建立旋耕弯刀造本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于BP神经网络粒子群优化与自动化仿真控制的旋耕弯刀造型优化方法，其特征在于，包括以下步骤：S1、以优化旋耕弯刀在切土时的抛土能力、埋茬能力与受到的反力力矩为目标，选定所需控制的旋耕弯刀造型参数；S2、设计并实现用于旋耕弯刀切土仿真的二次开发程序，包括：快速生成弯刀模型程序、旋耕弯刀切土仿真自动控制程序、仿真数据收集整理程序；S3、通过改变选定的旋耕弯刀造型参数值设计多组不同造型旋耕弯刀，使用快速生成弯刀模型程序与SolidWorks以设计造型参数建立旋耕弯刀模型，使用旋耕弯刀切土仿真自动控制程序与EDEM完成多组旋耕弯刀切土仿真，使用仿真数据收集整理程序对旋耕弯刀切土仿真数据进行收集。S4、使用PyTorch建立关于旋耕弯刀造型优化的BP神经网络回归模型，并将旋耕弯刀切土仿真数据用于模型训练。S5：将粒子群算法与回归模型结合，并建立关于旋耕弯刀切土性能、埋茬性能与受反力力矩的适应度函数，对旋耕弯刀进行寻优。2.根据权利要求1所述的旋耕弯刀造型优化方法，其特征在于，所述步骤S1具体实现方法为：选择旋耕弯刀的切刃曲线参数、切部参数等7个参数做为旋耕弯刀造型控制参数，选择旋耕弯刀切土时受到的旋耕反了、抛土能力、埋茬能力作为优化指标...

【专利技术属性】
技术研发人员：鲁聪，杨靖，龙浪，申团辉，张锦程，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：