CC BY
54
Таким образом, системность методов в исследованиях технологических систем уборки зерновых культур обеспечит более глубокое изучение и познание функционирования процессов уборки урожая.
Литература
1. Системные исследования. Методологические проблемы. - М.: Наука, 1988. - 491 с.
2. Эффективность сложных систем. Динамические модели. - М.: Наука, 1989. - 281 с.
3. Саклаков, В.Д. Технико-экономическое обоснование выбора средств механизации / В.Д. Саклаков, М.П. Сергеев. - М.: Колос, 1973. - 234 с.
4. Сатановский, Р.Л. Методы снижения производственных потерь / Р.Л. Сатановский. - М.: Экономика, 1988. - 301 с.
5. Ловчиков, А.П. Микроповреждения зерна и выход продукции при помоле / А.П. Ловчиков // Техника и оборудование для села. - 2004. - №3. - С. 25.
6. Кучин, Б.Л. Управление развитием экономических систем / Б.Л. Кучин, Е.В. Якушева. - М.: Экономика, 1990. - 157 с.
7. Эшли, Х. Оптимизация в авиации. О том, как делать все наилучшим образом / Х. Эшли // Аэрокосмическая техника. - 1983. - Т. 1. - № 4. - С. 161.
8. Гранберг, А.Г. Моделирование экономики / А.Г. Гоанберг. - М.: Экономика, 1988. - 487 с.
9. Эйлон, С. Система показателей эффективности производства (прикладной анализ) / С. Эйлон, Б. Голд, Ю. Сезанн. - М.: Экономика, 1980. - 210 с.
---------♦-----------
УДК 636.085.57 А.П. Селиванов, В.М. Долбаненко
ОПТИМИЗАЦИЯ РЕЖИМОВ И ПАРАМЕТРОВ УСТРОЙСТВА ДЛЯ СУХОЙ ОЧИСТКИ КОРНЕКЛУБНЕПЛОДОВ
В статье предложена математическая модель работы устройства для сухой очистки корнеклубнеплодов и определены его оптимальные режимы и параметры.
Для оптимизации конструктивных параметров устройства для сухой очистки корнеклубнеплодов проведены экспериментальные исследования рабочего процесса методом активного эксперимента. Конструкция устройства позволяла изменять параметры в заданных пределах [1].
В ходе проведения предварительных экспериментов было установлено, что на критерии оптимизации оказывают влияние на такие факторы, как время очистки корнеклубнеплодов Т на элеваторе, частота колебаний полотна элеватора V, амплитуда колебаний полотна элеватора Е, то есть эксцентриситет звездочек пруткового элеватора.
Экспериментальные исследования осуществляли согласно методике проведения экспериментов [2].
Опыты проводились в фермерском хозяйстве «Тюльпан» Ирбейского района Красноярского края на картофе-
ле, привозимом с поля после уборки. Влажность связанной почвы составляла 18-20%. Тип почвы суглинок.
Для получения математической модели эксперимента был реализован план проведения эксперимента (табл.). В результате получены математические модели эффективности очистки (1), энергозатрат с учетом эффективности очистки (2), энергозатрат без учета эффективности очистки (3), остаточной загрязненности корнеклубнеплодов (4).
После проведения экспериментов и обработки полученных данных были рассчитаны коэффициенты регрессии. Расчет коэффициентов регрессии и статистическая обработка данных проводились при помощи компьютерной программы DataFit.
Математические модели имеют вид:
У 1 = Ь 0 + Ь 1 X 1 + Ь 2 X 2 + Ь 3 X 3 + Ь 12 X1 X 2 + Ь 13 X1 X 3 + (1)
+ Ь 23 X2X 3 + Ь 11 X12 + Ь 22 X 2 + Ь 33 X
у1 = -480,96 -969ДЗТ +15401Д9Е + 216, 18у - 28271,85ТЕ + + 2857,42Т V - 5355Е V - -506841,33 Т2 + 51625Е 2 - 12,42у2;
I со
О -1=
§ -г
со аз о
><
"О
о
_с
со
—I
ш
т:
О
о
-8-
-8-
гн
3 X йэ ^ ^ го
О "О Ь СО СО ^ СП аз
М
!□ —I
О
ь о
о
"О
"О
со
о со ь —
‘С
со
_ т СО 03 ої о Н т
о
"О
о
со
‘С
"О
со
со
1=1
ь
о
1=1
0 со
1
гп
‘С
1=1
О)
7ч
о
ь
со
СП
(5- *
В II
^ <3-*
Ю О
* +
+ ^
$3“ *
V +
+
ь+'°
53“
+
53“
+
$3“
*
* + $2“ * +
+
5^
+
+
<5-
<5-
о
+
+
+
°+
*
+
*
°+
СП
о
ь
со
со
03
—I
о
"О
ш
со
План опытов Нижний уровень Основной уровень Верхний уровень Уровень варьирования факторами и план опытов
-1^ СО IV) - о со 00 сг> сл -1^ со IV) - і о +
О о о о 1 + 1 + 1 + 1 + 1 + 0,0027 0,0056 О О о 00 со —1 _С Время нахождения корнеклубнеплодов на установке Фактор
О о 1 + о о 1 1 + + 1 1 + + О О _о О сл о о ю 14? т Амплитуда колебаний полотна элеватора
і + о о о о 1 1 1 1 + + + + 2,78 N3 “со СО со о 00 & < —і Частота колебаний полотна элеватора
64,19 00 -ч со со 72,10 83,12 68,79 76,05 49,64 54,47 О) 00 о -ч со со со 77,93 89,63 82,78 со о *Чі -VI >0 О4 Эффективность очистки корнеклубнеплодов Критерий оптимизации
0,76 _о О) со _о О) со _о О) 00 О со 00 О 4Ь. О) СО ю о со 00 о со 0,35 0,95 О со сл 0,98 Ээ, кВтч/ т ед. ст. 04. Удельные энергозатраты на ед. ст. очистки
О 4^. 00 о ел сл о 4Ь. со о сл О) _о ю О) _о V] О) _о ю со _о V] ю _о ю О) о со _о ю -VI О со сл _о ю со о со со Э, кВтч/т Энергозатраты без учета эффективности
5,85 IV) ю -р^ -1^ сл О) IV) *Чі со сл 4Ь. 00 -1^ о со 00 сл со 00 сл о сл О) -1^ со -1^ о 00 со о IV) со -р^ сл ? >0 О4 Остаточная загрязненность
О)
н
"О
О)
"О
о
00
О)
Сі)
о
ф
+
<5- ю
й II
*
[О о
* +
+
<5* ^
1—*
+
*
+
'5*
+
*
+
+
*
л> . 1 .
■О ^
і * а
Гй
г>
£ *« а п
+ 2 * к> о о
Оо § ■и
Y2 = 13,01 + 399,98Т -186,81Е - 7,94v -1082,90ТЕ -102,91Т v +
+ 56,67Е v + 3798,70Т 2 + 700Е 2 + 1,22v2;
Y 3 = 3,54 - 50,95Т + 6,24Е - 2,46 v + 730,53ТЕ + 42,42Т v --10Е v + 1315,54Т 2 + 800Е 2 + 0,44 v2;
Y4 = 121,89+ 652Т - 2723,37Е-52,8v -941,43ТЕ-715,72Tv +
+965Ev + 111015,81Т2 -10375Е2 +4,92v2.
(6)
(7)
(8)
Однородность дисперсий проверялась при помощи критерия Кохрена; дисперсии однородны. Значимость коэффициентов регрессии определяли по критерию Стьюдента; коэффициенты значимы. Адекватность математических моделей проверяли при помощи критерия Фишера; модели адекватны [3].
Анализ полученных уравнений регрессии проводился с помощью пакета программ Maple 10.
На рис. 1 представлены поверхности отклика, характеризующие эффективность очистки корнеклубнеплодов (рис. 1, а), энергозатраты с учетом (рис. 1, б) и энергозатраты без учета эффективности очистки (рис. 1, в), а также остаточную загрязненность (рис. 1, г) в зависимости от времени очистки и амплитуды колебаний полотна элеватора.
0.8:
0.6;
0.4:
2.0
б
a
в
г
Рис. 1. Поверхности отклика при Т - Х, ч (время очистки), Е - У, м (амплитуда колебаний),
V =0, Гц (частота колебаний); а - У1 - эффективность очистки, %; б - У2 - энергетика с учетом эффективности, кВтч/т.ед.ст.оч.; в - Уз - энергетика без учета эффективности очистки, кВтч/т;
г - У4 - остаточная загрязненность, %
При анализе графиков видно, что зависимость эффективности очистки корнеклубнеплодов от времени и амплитуды колебаний (см. рис. 1, а) имеет нелинейный характер. Наибольшее влияние на повышение эффективности оказывает амплитуда колебаний полотна пруткового элеватора. Зависимость энергозатрат с учетом эффективности от этих же факторов (см. рис. 1, б) имеет линейный характер, наибольшее влияние оказывает время очистки корнеклубнеплодов. Зависимость энергозатрат без учета эффективности (см. рис. 1, в) носит также линейный характер, наибольшее влияние на энергозатраты с учетом эффективности оказывает время очистки. Зависимость остаточной загрязненности (см. рис. 1, г) имеет нелинейный характер, на снижение остаточной загрязненности большее влияние оказывает амплитуда колебаний.
На рис. 2 представлены поверхности отклика, характеризующие эффективность очистки корнеклубнеплодов (рис. 2, а), энергозатраты с учетом (рис. 2, б) и энергозатраты без учета эффективности очистки (рис. 2, в), а также остаточную загрязненность (рис. 2, г) в зависимости от амплитуды и частоты колебаний полотна элеватора. При анализе графиков делаем вывод, что зависимость эффективности очистки корнеклубнеплодов (см. рис. 2, а) носит линейный характер, наибольшее влияние оказывает частота колебаний полотна элеватора. Зависимость энергозатрат с учетом эффективности очистки от этих же факторов (см. рис. 2, б) имеет нелинейный вид, также нелинейный характер имеют зависимости энергозатрат без учета эффективности (см. рис. 2, в) и остаточной загрязненности (см. рис. 2, г).
Рис. 2. Поверхности отклика при Т = 0, ч (время очистки), Е - Х, м (амплитуда колебаний),
V - У, Гц (частота колебаний); а - У1 - эффективность очистки, %; б - У2 - энергетика с учетом эффективности, кВтч/т.ед.ст.оч.; в - Уз - энергетика без учета эффективности очистки, кВтч/т;
г - У4 - остаточная загрязненность, %
Наибольшее влияние на увеличение энергозатрат как с учетом эффективности, так и без ее учета, а также на снижение остаточной загрязненности, оказывает частота колебаний.
На рис. 3 представлены поверхности отклика, характеризующие эффективность очистки корнеклубнеплодов (рис. 3, а), энергозатраты с учетом (рис. 3, б) и энергозатраты без учета (рис. 3, в) эффективности очистки, а также остаточную загрязненность (рис. 3, г) в зависимости от времени очистки и частоты колебаний полотна элеватора.
'Вц
70-х
Рис. 3. Поверхности отклика при Т-Х, ч (время очистки), Е =0, м (амплитуда колебаний),
V - У, Гц (частота колебаний); а - У1 - эффективность очистки, %; б - У2 - энергетика с учетом эффективности, кВтч/т.ед.ст.оч.; в - Уз - энергетика без учета эффективности очистки, кВтч/т;
г - У4 - остаточная загрязненность, %
б
а
в
г
При анализе графиков делаем вывод, что зависимость эффективности очистки корнеклубнеплодов (см. рис. 3, а) носит нелинейный характер, наибольшее влияние оказывает частота колебаний полотна элеватора. Зависимость энергозатрат с учетом эффективности очистки от этих же факторов (см. рис. 3, б) имеет нелинейный вид, наибольшее влияние оказывает время очистки корнеклубнеплодов. Линейный характер имеет зависимость энергозатрат без учета эффективности (см. рис. 3, в), наибольшее влияние оказывает время очистки. Зависимость остаточной загрязненности (см. рис. 3, г) имеет нелинейный вид, наибольшее влияние оказывает частота колебаний полотна элеватора.
Проведенный анализ математических моделей при помощи поверхностей отклика показал, что оптимальные значения факторов находятся в пределах: время очистки корнеклубнеплодов - Т = 0,005-0,006 ч; амплитуда колебаний полотна элеватора - Е = 0,0185-0,02 м; частота колебаний полотна элеватора -V=3,01-3,08 Гц.
При этом критерии оптимизации будут находиться в следующих пределах: эффективность очистки корнеклубнеплодов - 84,47-91,25%; энергозатраты с учетом эффективности - 0,54-0,66 кВт; энергозатраты без учета эффективности очистки - 0,45-0,56 кВт; остаточная загрязненность корнеклубнеплодов -1,34-2,53%. Математические модели (1)-(4) могут быть применены при расчетах и разработке очистителей данного типа.
Литература
1. Селиванов, А.П. Механизация и технологии в животноводстве / А.П. Селиванов, А.Н. Ковальчук, А.В. Татарченко. - Красноярск: Изд-во КрасГАУ, 2007. - 255 с.
2. Мельников, С.В. Планирование эксперимента в исследованиях сельскохозяйственных процессов / С.В. Мельников, В.Р. Алшкин, П.М. Рощин. - Л.: Колос, 1980. - 168 с.
3. Веденяпин, Г.В. Общая методика экспериментального исследования и обработки опытных данных / Г.В. Веденяпин. - М.: Колос, 1973. - 199 с.
--------♦-----------
УДК 631.3.004.67 С.Ю. Журавлев, В.А. Терское
ПРИМЕНЕНИЕ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ ПРИ ОПТИМИЗАЦИИ ФУНКЦИОНИРОВАНИЯ СЛОЖНЫХ МЕХАНИЧЕСКИХ СИСТЕМ
В статье рассматривается возможность применения генетических алгоритмов для определения оптимальных параметров и режимов работы машиннотракторного агрегата. Генетические алгоритмы основаны на использовании искусственного интеллекта и обладают более широкими возможностями по сравнению с классическими методами оптимизации.
Использование математических моделей значительно облегчает понимание исследуемой системы, позволяет производить исследования в абстрактном плане, упрощать изучаемые задачи. Моделирование позволяет воспроизводить и исследовать реальные процессы, их структуру, свойства и поведение. С помощью моделей можно получить параметры и характеристики системы и ее отдельных подсистем значительно проще, быстрее и экономичней, чем при исследовании реальной системы. При разработке моделей сложных систем очень часто возникают задачи оптимизации, обладающие такими свойствами, как многоэкстремаль-ность, алгоритмическое задание целевых функций, сложная конфигурация допустимой области, наличие нескольких типов переменных, нестационарность целевой функции. Причина нестационарности кроется в специфике окружающего нас мира, а с повышением уровня развития науки и техники, усложнением функциональной, структурной и других составляющих технических систем и взаимосвязей между ними все чаще в инженерной практике встречаются задачи, в которых приходится учитывать эту возможность.
Задачи оптимизации нестационарных многокритериальных алгоритмически заданных функций разнотипных переменных не решаются с помощью обычных оптимизационных процедур. Это обстоятельство значительно затрудняет применение на стадии проектирования классических методов оптимизации, поскольку большинство из них основываются на использовании априорной информации о характере поведения целевой функции, а задача определения принадлежности функции тому или иному классу сопоставима по сложности с исходной. В связи с этим встает вопрос о применении таких методов оптимизации, которые бы позволяли отыскивать решения практически при полном отсутствии предположений о характере исследуемой функции. К таким методам относятся, в частности, эволюционные алгоритмы, доказавшие свою эффективность при решении многих сложных задач, и являющиеся одним из наиболее перспективных подходов в этой области [1].
В основе большинства концепций искусственного интеллекта лежит богатое разнообразие природных явлений. Один из примеров - искусственные нейронные сети, основная идея которых основывается на функционировании нейронов мозга. Генетические алгоритмы являются направлением более общей теории эволюционных алгоритмов, основанной на следующем принципе: каждый биологический вид целенаправленно развивается и изменяется для того, чтобы наилучшим образом приспособиться к окружающей среде.
