集成学习在直线振动筛的应用及参数优化.pdf

第４ １卷 第６期 华 侨 大 学 学 报 （自 然 科 学 版 ） Ｖ ｏ ｌ ． ４ １ Ｎ ｏ ． ６ ２ ０ ２ ０年１ １月 Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆＨ ｕ ａ ｑ ｉ ａ ｏＵ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ（Ｎ ａ ｔ ｕ ｒ ａ ｌＳ ｃ ｉ ｅ ｎ ｃ ｅ） Ｎ ｏ ｖ ． ２ ０ ２ ０ D O I１ ０． １ １ ８ ３ ０／Ｉ Ｓ Ｓ Ｎ． １ ０ ０ ０ - ５ ０ １ ３． ２ ０ １ ９ １ ２ ０ ２ ６ 集成学习在直线振动筛的 应用及参数优化 李威宏１，童昕１ ，２，李占福２，３，王耀坤１ （１．华侨大学 机电及自动化学院，福建 厦门３ ６ １ ０ ２ １； ２．福建工程学院 福建省数字化装备重点实验室，福建 福州３ ５ ０ １ ０ ８； ３．中建海峡建设发展有限公司，福建 福州３ ５ ０ ０ ０ ０） 摘要 针对振幅、 振动方向角、 振频、 筛长、 筛孔、 筛丝直径， 及筛面倾角７个因素的不同水平， 共设计４ ４ ２组 实验方案， 在Ｅ Ｄ ＥＭ软件中进行模拟仿真； 结合集成学习的方法对所得的实验数据进行建模和综合分析， 得 出不同振动参数对筛分效率的影响权重．结果表明 筛面位于波谷和波峰时， 筛上颗粒平均质心位置与筛网位 置的距离不一样， 当差值约为１． ３倍的筛孔尺寸时， 其筛分效果好， 且对应的触筛角度值在１ ２ ～２ ３ 浮动． 关键词 振动筛；振动参数；离散元；筛分效率；集成学习 中图分类号 Ｔ Ｄ４ ５ ２文献标志码 Ａ 文章编号 １ ０ ０ ０ - ５ ０ １ ３（２ ０ ２ ０）０ ６ - ０ ６ ９ ５ - ０ ６ A p p l i c a t i o na n dP a r a m e t e rO p t i m i z a t i o no fE n s e m b l e L e a r n i n g i nL i n e a rV i b r a t i n gS c r e e n Ｌ ＩＷ ｅ ｉ ｈ ｏ ｎ ｇ １， Ｔ ＯＮＧＸ ｉ ｎ １，２， Ｌ ＩＺ ｈ ａ ｎ ｆ ｕ ２，３，ＷＡＮＧＹ ａ ｏ ｋ ｕ ｎ１ （１． Ｃ ｏ ｌ ｌ ｅ ｇ ｅｏ ｆＭ ｅ ｃ ｈ ａ ｎ ｉ ｃ ａ ｌＥ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇａ ｎ ｄＡ ｕ ｔ ｏ ｍ ａ ｔ ｉ ｏ ｎ，Ｈ ｕ ａ ｑ ｉ ａ ｏＵ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ，Ｘ ｉ ａ ｍ ｅ ｎ３ ６ １ ０ ２ １，Ｃ ｈ ｉ ｎ ａ； ２． Ｆ ｕ ｊ ｉ ａ ｎＫ ｅ ｙＬ ａ ｂ ｏ ｒ ａ ｔ ｏ ｒ ｙｏ ｆＤ ｉ ｇ ｉ ｔ ａ ｌＥ ｑ ｕ ｉ ｐ ｍ ｅ ｎ ｔ，Ｆ ｕ ｊ ｉ ａ ｎＵ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙｏ ｆＴ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ，Ｆ ｕ ｚ ｈ ｏ ｕ３ ５ ０ １ ０ ８，Ｃ ｈ ｉ ｎ ａ； ３． Ｃ Ｓ Ｃ Ｅ ＣＳ ｔ ｒ ａ ｉ ｔＣ ｏ ｎ ｓ ｔ ｒ ｕ ｃ ｔ ｉ ｏ ｎａ ｎ ｄＤ ｅ ｖ ｅ ｌ ｏ ｐ ｍ ｅ ｎ ｔＬ ｉ ｍ ｉ ｔ ｅ ｄＣ ｏ ｍ ｐ ａ ｎ ｙ，Ｆ ｕ ｚ ｈ ｏ ｕ３ ５ ０ ０ ０ ０，Ｃ ｈ ｉ ｎ ａ） A b s t r a c t Ａ ｉ ｍ ｉ ｎ ｇａ ｔ ｔ ｈ ｅｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｔ ｌ ｅ ｖ ｅ ｌ ｓｏ ｆａ ｍ ｐ ｌ ｉ ｔ ｕ ｄ ｅ，ｖ ｉ ｂ ｒ ａ ｔ ｉ ｏ ｎｄ ｉ ｒ ｅ ｃ ｔ ｉ ｏ ｎａ ｎ ｇ ｌ ｅ，ｆ ｒ ｅ ｑ ｕ ｅ ｎ ｃ ｙ，ｓ ｃ ｒ ｅ ｅ ｎｌ ｅ ｎ ｇ ｔ ｈ， ｓ ｉ ｅ ｖ ｅｐ ｏ ｒ ｅ，ｓ ｃ ｒ ｅ ｅ ｎｄ ｉ ａ ｍ ｅ ｔ ｅ ｒａ ｎ ｄｓ ｃ ｒ ｅ ｅ ｎ ｉ ｎ ｃ ｌ ｉ ｎ ａ ｔ ｉ ｏ ｎａ ｎ ｇ ｌ ｅ，４ ４ ２ｇ ｒ ｏ ｕ ｐ ｓｏ ｆｓ ｉ ｍ ｕ ｌ ａ ｔ ｉ ｏ ｎｅ ｘ ｐ ｅ ｒ ｉ ｍ ｅ ｎ ｔ ｓｗ ｅ ｒ ｅｄ ｅ ｓ ｉ ｇ ｎ ｅ ｄ ｕ ｓ ｉ ｎ ｇＥ Ｄ ＥＭｓ ｏ ｆ ｔ ｗ ａ ｒ ｅ ． Ｃ ｏ ｍ ｂ ｉ ｎ ｅ ｄｗ ｉ ｔ ｈｅ ｎ ｓ ｅ ｍ ｂ ｌ ｅｌ ｅ ａ ｒ ｎ ｉ ｎ ｇｍ ｅ ｔ ｈ ｏ ｄ ｓ，ｔ ｈ ｅｅ ｘ ｐ ｅ ｒ ｉ ｍ ｅ ｎ ｔ ａ ｌｄ ａ ｔ ａｗ ｅ ｒ ｅｍ ｏ ｄ ｅ ｌ ｅ ｄａ ｎ ｄ ｃ ｏ ｍ ｐ ｒ ｅ ｈ ｅ ｎ ｓ ｉ ｖ ｅ ｌ ｙａ ｎ ａ ｌ ｙ ｚ ｅ ｄ ｔ ｏｏ ｂ ｔ ａ ｉ ｎ ｔ ｈ ｅ ａ ｆ ｆ ｅ ｃ ｔ ｉ ｎ ｇｗ ｅ ｉ ｇ ｈ ｔ ｓｏ ｆ ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｔ ｖ ｉ ｂ ｒ ａ ｔ ｉ ｏ ｎｐ ａ ｒ ａ ｍ ｅ ｔ ｅ ｒ ｓｏ ｎ ｔ ｈ ｅ ｓ ｃ ｒ ｅ ｅ ｎ ｉ ｎ ｇｅ ｆ ｆ ｉ - ｃ ｉ ｅ ｎ ｃ ｙ ． Ｔ ｈ ｅｒ ｅ ｓ ｕ ｌ ｔ ｓｓ ｈ ｏ ｗ ｅ ｄ ｔ ｈ ａ ｔ ｔ ｈ ｅｄ ｉ ｓ ｔ ａ ｎ ｃ ｅｂ ｅ ｔ ｗ ｅ ｅ ｎ ｔ ｈ ｅ ａ ｖ ｅ ｒ ａ ｇ ｅｍ ａ ｓ ｓ ｃ ｅ ｎ ｔ ｅ ｒ ｏ ｆ ｔ ｈ ｅｐ ａ ｒ ｔ ｉ ｃ ｌ ｅ ｓ ｏ ｎ ｔ ｈ ｅ ｓ ｃ ｒ ｅ ｅ ｎａ ｎ ｄ ｔ ｈ ｅｓ ｃ ｒ ｅ ｅ ｎｗ ａ ｓｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｔｗ ｈ ｅ ｎｔ ｈ ｅｓ ｃ ｒ ｅ ｅ ｎｓ ｕ ｒ ｆ ａ ｃ ｅｗ ａ ｓ ｉ ｎｔ ｒ ｏ ｕ ｇ ｈａ ｎ ｄｐ ｅ ａ ｋ ．Ｗ ｈ ｅ ｎｔ ｈ ｅｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｃ ｅｂ ｅ ｔ ｗ ｅ ｅ ｎｔ ｈ ｅ ｍ ｗ ａ ｓａ ｂ ｏ ｕ ｔ １． ３ｔ ｉ ｍ ｅ ｓｏ ｆ ｔ ｈ ｅｓ ｉ ｅ ｖ ｅｐ ｏ ｒ ｅ，ｔ ｈ ｅｓ ｃ ｒ ｅ ｅ ｎ ｉ ｎ ｇｅ ｆ ｆ ｉ ｃ ｉ ｅ ｎ ｃ ｙｗ ａ ｓｈ ｉ ｇ ｈ，ａ ｎ ｄｔ ｈ ｅｃ ｏ ｒ ｒ ｅ ｓ ｐ ｏ ｎ ｄ ｉ ｎ ｇｃ ｏ ｎ ｔ ａ ｃ ｔａ ｎ ｇ ｌ ｅ ｏ ｆ ｔ ｈ ｅｓ ｃ ｒ ｅ ｅ ｎｆ ｌ ｕ ｃ ｔ ｕ ａ ｔ ｅ ｄｆ ｒ ｏ ｍ１ ２ ｔ ｏ２ ３ ． K e y w o r d s ｖ ｉ ｂ ｒ ａ ｔ ｉ ｎ ｇｓ ｃ ｒ ｅ ｅ ｎ；ｖ ｉ ｂ ｒ ａ ｔ ｉ ｏ ｎｐ ａ ｒ ａ ｍ ｅ ｔ ｅ ｒ ｓ；ｄ ｉ ｓ ｃ ｒ ｅ ｔ ｅｅ ｌ ｅ ｍ ｅ ｎ ｔｍ ｅ ｔ ｈ ｏ ｄ；ｓ ｃ ｒ ｅ ｅ ｎ ｉ ｎ ｇｅ ｆ ｆ ｉ ｃ ｉ ｅ ｎ ｃ ｙ；ｅ ｎ ｓ ｅ ｍ ｂ ｌ ｅ ｌ ｅ ａ ｒ ｎ ｉ ｎ ｇ 筛分是日常生活中常见的粒子分离方法， 广泛应用于煤矿开采、 食品加工、 垃圾处理等各个行业．筛 收稿日期 ２ ０ １ ９ - １ ２ - ２ ０ 通信作者 童昕（１ ９ ６ ４ -） ， 男， 教授， 博士， 博士生导师， 主要从事机电系统动态分析与控制的研究． Ｅ - ｍ ａ ｉ ｌｘ ｔ ｏ ｎ ｇ＠ ｆ ｊ ｕ ｔ ． ｅ ｄ ｕ ． ｃ ｎ ． 基金项目 国家自然科学基金青年科学基金资助项目（５ １ ９ ０ ５ １ ０ ０） ；福建省教育厅中青年教师教育科研资助项目 （Ｊ Ｔ １ ８ ０ ３ ４ ２） ；福建省科技创新平台资助项目（２ ０ １ ４ Ｈ ２ ０ ２） ；华侨大学研究生科研创新基金资助项目 （１ ６ ０ １ １ ０ ３ ０ ０ ５） 万方数据 h t t p ∥w w w. h d x b . h q u . e d u . c n 分机械作为筛分作业使用的设备， 对于产品的生产效率和生产质量都有着重要的提升作用［ １ - ２］． 振动筛 按其筛面振动的形式可分为直线振动筛、 椭圆振动筛、 圆振动筛， 直线振动筛因其结构简单、 工作可靠， 备受企业的关注与应用．近年来， 众多学者［ ３ - ４］展开了对直线振动筛筛分效率的研究， 逐渐完善振动筛的 筛分机理及参数优化．由于振动筛的筛分过程颗粒碰撞、 受力与复杂多变运动， 在实物试验中也难以进 行测量， 为此， 采用Ｅ Ｄ ＥＭ软件在计算机上进行仿真模拟［ ５ - ６］． Ｗ ａ ｎ ｇ等［７］研究发现， 用球形颗粒模拟自 然界砂石颗粒， 虽然具体的实验结果可能与非球面颗粒的结果有所差异， 但所得出的变化规律却是相近 的， 说明用球形颗粒进行仿真模拟的可行性． Ｌ ｉ等［ ８］应用机器学习的各种优化算法， 对振动筛的筛分特 征量和筛分参数展开深入的研究， 发掘了更多潜在的规律， 说明了机器学习算法在实验数据研究上的优 势和便捷．但不管采用何种方法进行研究分析， 都是基于一定量的实验数据， 数据量的短缺很可能会造 成所得到规律的不完整性及不确定性．为此， 本文增加实验次数， 从而获取更加全面可靠的数据， 并使用 集成学习对实验数据进行建模分析， 力求更加全面准确地描述数据， 最终输出高筛分效率下的筛机振动 图１ Ｅ Ｄ ＥＭ软件中振动筛简化模型 Ｆ ｉ ｇ ． １ Ｓ ｉ ｍ ｐ ｌ ｉ ｆ ｉ ｅ ｄｖ ｉ ｂ ｒ ａ ｔ ｉ ｏ ｎ ｓ ｃ ｒ ｅ ｅ ｎｍ ｏ ｄ ｅ ｌ ｉ ｎＥ Ｄ ＥＭｓ ｏ ｆ ｔ ｗ ａ ｒ ｅ 参数， 为实际工程应用提供理论基础［ ９ - １ ２］． １ 模型的建立与仿真实验的设计 １. １ E D EM筛机模型的建立 采用Ｅ Ｄ ＥＭ软件仿真模拟筛分过程， 分析筛分过程中的 颗粒在筛面上的位置， 确定其是否透筛． Ｅ Ｄ ＥＭ软件中振动筛 简化模型， 如图１所示．由图１可知 模型简化振动筛中其他多 余的机械结构， 主要保留了筛箱、 筛网及产生颗粒的入料口３ 大部分．筛网模型作为仿真模型的核心部件， 其形状大小主要 根据工业上常用的钢丝编制的， 孔型为正方形的筛网． 为了更好模拟自然界颗粒的分布状态， 分别采用直径均 值为０． ５， １． ０ｍｍ双峰正态曲线生成的颗粒物料， 颗粒的总数 为２ ００ ０ ０个， 产生速率为１ ３３ ３ ３颗ｓ －１［１ ３］． 筛网的振动参数可以通过加载在筛网上的运动参数进行 控制． Ｅ Ｄ ＥＭ模型材料的泊松比为０． ３ ０； 剪切模量为２ ３； 密度为２６ ７ ８ｋ ｇｍ－３． Ｅ Ｄ ＥＭ模型筛网、 筛 箱的泊松比为０． ２ ９； 剪切模量为７ ９９ ２ ０； 密度为７８ ６ １ｋ ｇｍ－３． Ｅ Ｄ ＥＭ模型材料颗粒与颗粒碰撞的恢 表１ 筛机参数选取范围 Ｔ ａ ｂ ． １ Ｓ ｅ ｌ ｅ ｃ ｔ ｉ ｏ ｎｒ ａ ｎ ｇ ｅｏ ｆ ｓ ｃ ｒ ｅ ｅ ｎ ｍ ａ ｃ ｈ ｉ ｎ ｅｐ ａ ｒ ａ ｍ ｅ ｔ ｅ ｒ ｓ 筛机参数最小值最大值 f／Ｈ ｚ１ ４． ０３ ０． ０ Ａ／ｍｍ１． １３． ５ ω１／ （）０１ ８ ０ ω２／ （）１ ０２ ０ Ｌ／ｍｍ５ ７９ ９ a／ｍｍ０． ９１． ２ Ｄ／ｍｍ０． ３０． ７ 复系数为０． １； 静摩擦系数为０． ５ ４ ５； 滚动摩擦系数为０． ０ １． Ｅ Ｄ ＥＭ 模型颗粒与筛网、 筛箱碰撞的恢复系数为０． ２； 静摩擦系数为０． ５ ０ ０； 滚动摩擦系数为０． ０ １． １. ２ 仿真实验的设计 振动筛可控的参数很多， 如颗粒的大小、 形状、 入料的速度、 筛 机的尺寸大小、 筛网的形状等， 因此， 很难全部综合研究．而文中重 点在于筛机的振动参数， 其中， 筛长将以其在水平面方向上的投影 进行代替， 方便实验的记录与进行．筛机参数选取范围， 如表１所 示．表１中 f为振动频率；Ａ为振动幅度；ω１为振动方向角；ω２为筛 面倾角； Ｌ为筛长；a为筛孔尺寸；Ｄ为筛丝直径． 根据以上７个因素取值范围， 分别对每个因素取不同的水平值， 再对这些实验组进行合理的筛选， 在保证实验方案的均匀性和代表性的情况下减少实验次数， 选出４ ４ ２组实验方案进行模拟仿真［ １ ４］． ２ 数据的处理与分析 ２. １ 筛分效率的定义 根据与目标分离粒径， 入料颗粒可分为小于分离粒径的， 以及大于等于分离粒径的， 这两部分的质 量分别用mＳ ２， mＤ ２表示， 文中所用的目标分离粒径均为０． ９ｍｍ．经筛分后， 入料颗粒或者成为筛下物， 或者成为筛上物．试验中出现筛孔尺寸大于分离粒径的情况， 因此， 筛下物中不仅有小于分离粒径的颗 ６９６ 华 侨 大 学 学 报 （ 自 然 科 学 版） ２ ０ ２ ０年 万方数据 h t t p ∥w w w. h d x b . h q u . e d u . c n 图２ 入料与被筛物料关系 Ｆ ｉ ｇ ． ２ Ｒ ｅ ｌ ａ ｔ ｉ ｏ ｎ ｓ ｈ ｉ ｐｏ ｆ ｆ ｅ ｅ ｄ ｉ ｎ ｇａ ｎ ｄｓ ｃ ｒ ｅ ｅ ｎ ｅ ｄｍ ａ ｔ ｅ ｒ ｉ ａ ｌ ｓ 粒， 还可能会存在着大于分离粒径的颗粒， 其质量分别用mＳ １， mＤ １表示．入料与被筛物 料关系， 如图２所示．筛分效率为 η＝ mＳ １ mＳ ２ －m Ｄ １ mＤ ２． （ １） ２. ２ 数据模型的建立 ２． ２． １ 集成学习 集成学习的主要思路 是集合多个子模型， 综合每个子模型的判 断结果进行投票选择， 最终做出判断．在每 个子模型判断精度不需要都很高的情况 下， 最后的决策也能达到很高的精度， 同 时， 还可以兼顾到每个不同子模型的优势［ １ ５］． 如在二分类问题中， 在每个子模型的判断精度仅为p＝ ６ ０％的情况下， 当集合了Ｎ＝５ ０ ０时， 其准确率为 Ｆ＝ ∑ ５ ０ ０ i＝２ ５ １ Ｃ i ５ ０ ００． ６ i０． ４ ５ ０－i＝０． ９ ９ ９９ ９ ９． （ ２） 由式（ ２） 可知 集成学习在数据处理上的能力和准确性都是不错的．将实验得到的４ ４ ２组数据分为 两组 训练集占８ ０％； 测试集占２ ０％．训练集用于模型的训练， 而测试集则用来测试所得模型的准确性 和泛化性， 以免模型发生过拟合或者欠拟合． 集成的子模型是决策树模型， 经过多次的调参后， 确定决策树中的最大深度为４层， 并使用有放回 取样（ ｏ ｕ ｔｏ ｆｂ ａ ｇ，Ｏ Ｏ Ｂ） 模型 ［１ ６］， 样本为５ ０ ０个， 每次取３ ２ ０个， 模型在训练集的训练效果及测试集的训 练效果， 如图３， ４所示．图３，４中 ηｐ 为预测筛分效率； ηｅ 为实验筛分效率． 图３ 模型在训练集的训练效果 图４ 模型在测试集的训练效果 Ｆ ｉ ｇ ． ３ Ｔ ｒ ａ ｉ ｎ ｉ ｎ ｇｅ ｆ ｆ ｅ ｃ ｔｏ ｆｍ ｏ ｄ ｅ ｌ ｉ ｎｔ ｈ ｅ ｔ ｒ ａ ｉ ｎ ｉ ｎ ｇｓ ｅ ｔ Ｆ ｉ ｇ ． ４ Ｔ ｒ ａ ｉ ｎ ｉ ｎ ｇｅ ｆ ｆ ｅ ｃ ｔｏ ｆｍ ｏ ｄ ｅ ｌ ｉ ｎｔ ｅ ｓ ｔ ｓ ｅ ｔ 图５ 筛机参数影响筛分效率的权重 Ｆ ｉ ｇ ． ５ Ｗ ｅ ｉ ｇ ｈ ｔ ｓｏ ｆｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｔｖ ｉ ｂ ｒ ａ ｔ ｉ ｏ ｎ ｐ ａ ｒ ａ ｍ ｅ ｔ ｅ ｒ ｓｏ ｎｓ ｃ ｒ ｅ ｅ ｎ ｉ ｎ ｇｅ ｆ ｆ ｉ ｃ ｉ ｅ ｎ ｃ ｙ 由图３， ４可知 模型不管在训练集还是测试集上都 有较好的吻合度， 尤其是测试集上的表现效果， 更能体 现模型的适用性及可靠性， 其预测值偏差基本都在１ ０％ 以内， 少数几个偏差在１ ０％以外． ２． ２． ２ 影响权重的分析 筛机的筛分效率影响因素众 多， 在工程上的调整难免会出现一定的盲目性， 导致调 整的效果变化多样．采用集成学习的Ｘ Ｇ Ｂ ｏ ｏ ｓ ｔ（ ｅ ｘ ｔ ｒ ｅ ｍ ｅ ｇ ｒ ａ ｄ ｉ ｅ ｎ ｔｂ ｏ ｏ ｓ ｔ ｉ ｎ ｇ） ， 对训练好的模型进行筛机参数影响 权重的分析［ １ ７］， 筛机参数影响筛分效率的权重， 如图５ 所示．图５中 η为筛分效率． 对筛分效率影响最大的是振频、 振幅及振动方向角 （ 图３， ４）．在振频和振幅的协同作用下， 筛面上的颗粒在 一定的空间范围内上下窜动．当筛网由波谷向波峰运动时， 筛面上的颗粒不断被挤压堆积； 当筛网从波 ７９６ 第６期 李威宏，等集成学习在直线振动筛的应用及参数优化 万方数据 h t t p ∥w w w. h d x b . h q u . e d u . c n 峰向波谷运动时， 筛面上的颗粒在重力的作用下开始散落．通过不断挤压和松散， 小颗粒不断下沉和透 筛， 大颗粒不断上浮和流动．筛面位于波峰时， 筛上颗粒平均质心位置与筛网位置的距离为d １， 筛面位 于波谷时， 筛上颗粒平均质心位置与筛网位置的距离为d ２． 实验表明 d１与d２之差d约为１． ３倍筛孔 尺寸a时， 筛分效果较优， 即 d＝d２－d１≈１． ３a． （ ３） 振动方向角主要作用是控制着筛上颗粒跳动的方向， 从而直接影响着颗粒的触筛角度α， 进而引起 图６ 筛上颗粒在筛分过程中的触筛角度 Ｆ ｉ ｇ ． ６ Ｃ ｏ ｎ ｔ ａ ｃ ｔ ａ ｎ ｇ ｌ ｅｏ ｆｐ ａ ｒ ｔ ｉ ｃ ｌ ｅ ｓｏ ｎ ｓ ｃ ｒ ｅ ｅ ｎｄ ｕ ｒ ｉ ｎ ｇｓ ｃ ｒ ｅ ｅ ｎ ｉ ｎ ｇ 筛分效果的变动．触筛角度α过小时， 筛上颗粒得不到充分的松 散， 不利于小颗粒的下沉透筛； 而当α值过大时， 筛上颗粒的流动 能力受到限制， 从而影响筛分的效率．实验数据的统计表明， 当触 筛角度α控制在１ ２ ～２ ３ 时， 可以实现良好的筛分效果．筛上颗 粒在筛分过程中的触筛角度， 如图６所示． ３个振动参数为筛面上颗粒的跳动提供了主要的能量， 使其 在一定的空间范围内错开分布， 便于小颗粒的下落透筛， 以及大 颗粒的流动转移， 促进物料的持续筛分．而对于筛孔和筛丝直径， 一旦确定整个筛网镂空面积和筛网总面积比例， 他们两者的变化对筛分效率就起不到太大的作用， 因 此， 影响权重较小． ２. ３ 粒子群算法参数寻优 最优化问题的目的是找到使目标函数达到最值条件．传统的优化方法有牛顿法、 共轭梯度法、 模式 搜索法和单纯形法等， 通过一次次的迭代寻找最优值［ １ ８］． 近年来， 粒子群算法在数据处理上有了更多选 择， 其特点是简单便捷、 收敛速度快、 不易陷入局部最值、 涉及的理论知识较少等． 粒子群算法是受鸟群觅食行为的启发而建立的一种智能优化算法， 可运用在多种情况下的最优化 问题．粒子群算法流程图， 如图７所示．算法迭代的效果， 如图８所示．图８中 fｂ ｅ ｓ ｔ是函数最优值；n为迭 代次数． 图７ 粒子群算法流程图 图８ 算法迭代的效果 Ｆ ｉ ｇ ． ７ Ｆ ｌ ｏ ｗｃ ｈ ａ ｒ ｔｏ ｆｐ ａ ｒ ｔ ｉ ｃ ｌ ｅｓ ｗ ａ ｒ ｍａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ Ｆ ｉ ｇ ． ８ Ｅ ｆ ｆ ｅ ｃ ｔｏ ｆ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍｉ ｔ ｅ ｒ ａ ｔ ｉ ｏ ｎ 首先， 在７个维度上随机生成５ ０ ０个粒子， 且在每个维度上设置其搜索的范围．初始化后每个粒子 都包含两个信息量 位置信息Ｐ， 速度信息Ｖ， 将其两个信息量代入适应函数f x，i， 求出其适应值， 比较得 到粒子i在７个维度中经历过的最好位置pｂ ｅ ｓ ｔ i为 pｂ ｅ ｓ ｔ i＝（ pi１，pi２，pi３，pi４，pi５，pi６，pi７）． （ ４） 所有种群粒子经历过的最好位置gｂ ｅ ｓ ｔ i为 gｂ ｅ ｓ ｔ i＝（ g１，g２，g３，g４，g５，g６，g７）． （ ５） 每个粒子i在不同维度μ移动搜索过程中的速度更新公式为 Ｖ n i， μ＝w Ｖ n－１ i， μ ＋c１y１（pｂ ｅ ｓ ｔ i，μ－p n -１ i， μ）＋c２y２（gｂ ｅ ｓ ｔ μ－p n－１ i， μ ）．（ ６） 位置更新公式为 p n i， μ＝p n－１ i， μ ＋Ｖ n－１ i， μ ． （ ７） 式（ ４）～（７） 中Ｖ n i， μ为粒子i第n次迭代中速度信息在维度μ中的分量； p n i， μ为粒子i第n次迭代中位置 ８９６ 华 侨 大 学 学 报 （ 自 然 科 学 版） ２ ０ ２ ０年 万方数据 h t t p ∥w w w. h d x b . h q u . e d u . c n 信息在维度μ中的分量； c１，c２为学习因子， 调整学习步长；y１和y２是两个随机因子， 通常取值在０～１， 增加粒子群搜索的随机性； w为惯性权重， 一般取值在０． ５左右 ［１ ９-２ ０］． 为了遵循优化算法的惯例， 将是筛分效率最大值转化为最小值问题， 目标函数为f i＝－η． 完成基本参数的设置之后， 将训练好的模型放入粒子群算法中进行迭代搜索．经过迭代后， 最优参 数组合及筛分效率如下 振幅为１． ２ ７ｍｍ； 振动方向角为１ ７． ０ ； 振频为１ ４． １Ｈ ｚ； 筛长为９ ８． ９ｍｍ； 筛孔 尺寸为０． ９ ０ｍｍ； 筛丝直径为０． ６ ７ｍｍ； 筛面倾角为－１ ０． ７ ； 筛分效率为０． ９ ４ ６． ２. ４ 优化结果的验证 为了验证模型建立和优化算法的可靠性与准确性， 随机选取优化筛分效率较高的１ ０组筛机参数， 将其再进行一次仿真实验， 得到的结果与算法预测值对比分析， 优化筛机参数的验证， 如表２所示． 表２ 优化筛机参数的验证 Ｔ ａ ｂ ． ２ Ｖ ｅ ｒ ｉ ｆ ｉ ｃ ａ ｔ ｉ ｏ ｎｏ ｆｏ ｐ ｔ ｉ ｍ ｉ ｚ ｅ ｄｓ ｃ ｒ ｅ ｅ ｎｍ ａ ｃ ｈ ｉ ｎ ｅｐ ａ ｒ ａ ｍ ｅ ｔ ｅ ｒ ｓ 序号 f／Ｈ ｚω１／ （）Ａ／ｍｍＬ／ｍｍa／ｍｍＤ／ｍｍω２／ （） ηｐηｅ １１ ６． ９ ０１ ９． ５ ０１． １ ０９ ８． ６１． ０ ００． ６ ９－１ ０． ９０． ９ ２ ３０． ９ ２ １ ２１ ６． ６ ０３ ９． ８ ０１． ３ ０９ ８． ７０． ９ ２０． ７ ０－１ ０． ６０． ９ ２ ６０． ９ ２ ５ ３１ ４． ４ ０１ ０． ９ ０１． ６ ７９ ３． ５０． ９ ４０． ７ ０－１ １． ６０． ９ １ ９０． ９ ０ ９ ４１ ４． ８ ０１ ７． ３ ０１． ５ ３９ ８． １０． ９ ４０． ６ ３－１ ２． ００． ９ ２ １０． ９ ２ ０ ５１ ４． １ ０７． ２ ０１． ２ ０９ ０． １０． ９ １０． ７ ０－１ ０． ５０． ９ ２ ２０． ９ ２ ０ ６１ ４． １ ０３． ６ ０１． ８ ６９ ７． ５０． ９ ５０． ６ ２－１ ０． ６０． ９ ２ ００． ９ １ ２ ７１ ５． １ ０２ ４． １ ０１． ４ ５９ ８． ３０． ９ ２０． ６ ８－１ ０． ６０． ９ ３ ５０． ９ ３ ２ ８１ ４． ８ ０３． ２ ８１． ６ ０９ ５． ７０． ９ ００． ６ ８－１ ０． ９０． ９ ２ ４０． ９ ４ ２ ９１ ４． ２ ９１ ７． ３ ０１． １ ９９ ６． ７０． ９ ３０． ６ ７－１ １． ８０． ９ ２ ４０． ９ ２ ８ １ ０１ ５． ４ ７２ ５． １ ０１． １ ７９ ８． ６０． ９ １０． ７ ０－１ ０． ４０． ９ ３ ８０． ９ ３ ２ 由表２可知 预测的优化参数在仿真实验中同样有着良好的表现， 其最终的效率值和预测值差异性 只在４％的范围内波动， 说明了文中模型建立和优化算法的准确性和稳定性． 实验数据统计分析图， 如图９所示．由图９可知 当d约为１． ３倍的筛孔尺寸a时， 其筛分效果好， 且对应的触筛角度α在１ ２ ～２ ３ 浮动． （ａ）距离差值 （ｂ）触筛角度值 图９ 实验数据统计分析图 Ｆ ｉ ｇ ． ９ Ｓ ｔ ａ ｔ ｉ ｓ ｔ ｉ ｃ ａ ｌ ａ ｎ ａ ｌ ｙ ｓ ｉ ｓｃ ｈ ａ ｒ ｔｏ ｆ ｅ ｘ ｐ ｅ ｒ ｉ ｍ ｅ ｎ ｔ ａ ｌ ｄ ａ ｔ ａ ３ 结束语 对直线振动筛的筛机参数展开优化求解， 通过对实验的设计到数据的处理， 最终得到高筛分效率值 的各个筛机参数， 为工程上的筛分优化提供理论基础和指导方案， 有以下３个结论． １）对７个筛机参数选取合适的水平值， 在确保实验全面性和代表性的前提下减少试验次数， 最终 设计４ ４ ２组试验， 简化筛机模型， 将其核心部分导入离散元Ｅ Ｄ ＥＭ软件进行筛分仿真实验． ２）提取仿真实验的实验数据， 运用集成学习的方法集成多个决策树子模型对数据进行分析建模， 得出７个不同筛机参数对筛分效率的影响权重， 并对前３个影响权重最大的参数进行探讨， 当d约为 ９９６ 第６期 李威宏，等集成学习在直线振动筛的应用及参数优化 万方数据 h t t p ∥w w w. h d x b . h q u . e d u . c n １． ３倍的筛孔尺寸a时， 具有良好的筛分效果， 且对应的触筛角度值α在１ ２ ～２ ３ 浮动． ３）采用粒子群算法对建立好的数学模型进行参数寻优， 求出高筛分效率对应的筛机参数值， 此外， 再随机挑选出１ ０组优化过的筛机参数值， 重新做一次仿真实验， 验证模型建立和算法优化结果的准确 性及所得结论的可靠性． 参考文献 ［１］ 王新文， 庞锟锋， 于驰．改革开放以来我国振动筛分设备的发展［Ｊ］．选煤技术，２ ０ １ ９（１） ３ ７ - ４ ２． Ｄ Ｏ Ｉ１ ０． １ ６ ４ ４ ７／ ｊ ． ｃ ｎ ｋ ｉ ． ｃ ｐ ｔ ． ２ ０ １ ９． ０ １． ０ ０ ７． ［２］ 赵环帅．我国振动筛的市场现状及发展对策［Ｊ］．矿山机械，２ ０ １ ８，４ ６（４） １ - ６． Ｄ Ｏ Ｉ１ ０． １ ６ ８ １ ６／ ｊ ． ｃ ｎ ｋ ｉ ． ｋ ｓ ｊ ｘ ． ２ ０ １ ８． ０ ４． ０ ０ １． ［３］ Ｘ Ｉ Ａ ＯＪ ｉ ａ ｎ ｚ ｈ ａ ｎ ｇ，Ｔ ＯＮ ＧＸ ｉ ｎ ． Ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｒ ｉ ｓ ｔ ｉ ｃ ｓａ ｎ ｄｅ ｆ ｆ ｉ ｃ ｉ ｅ ｎ ｃ ｙｏ ｆ ａｎ ｅ ｗｖ ｉ ｂ ｒ ａ ｔ ｉ ｎ ｇｓ ｃ ｒ ｅ ｅ ｎｗ ｉ ｔ ｈａｓ ｗ ｉ ｎ ｇｔ ｒ ａ ｃ ｅ［Ｊ］． Ｐ ａ ｒ ｔ ｉ ｃ - ｕ ｏ ｌ ｏ ｇ ｙ，２ ０ １ ３，１ １（５） ６ ０ １ - ６ ０ ６． Ｄ Ｏ Ｉ１ ０． １ ０ １ ６／ｊ ． ｐ ａ ｒ ｔ ｉ ｃ ． ２ ０ １ ２． ０ ７． ０ １ ４． ［４］ 汪洋， 闫宏伟， 马建强， 等．直线筛筛网的空间运动轨迹计算及仿真［Ｊ］．煤炭工程，２ ０ １ ８，５ ０（９） １ ４ １ - １ ４ ４． Ｄ Ｏ Ｉ１ ０． １ １ ７ ９ ９／ｃ ｅ ２ ０ １ ８ ０ ９ ０ ３ ６． ［５］ Ｚ ＨＯＵ Ｈ ａ ｉ ｌ ｉ，ＨＵＺ ｈ ａ ｎ ｑ ｉ，ＣＨＥ ＮＪ ｉ ｇ ａ ｎ ｇ， e t a l． Ｃ ａ ｌ ｉ ｂ ｒ ａ ｔ ｉ ｏ ｎｏ ｆＤ ＥＭ ｍ ｏ ｄ ｅ ｌ ｓｆ ｏ ｒ ｉ ｒ ｒ ｅ ｇ ｕ ｌ ａ ｒｐ ａ ｒ ｔ ｉ ｃ ｌ ｅ ｓｂ ａ ｓ ｅ ｄｏ ｎｅ ｘ ｐ ｅ ｒ ｉ - ｍ ｅ ｎ ｔ ａ ｌ ｄ ｅ ｓ ｉ ｇ ｎｍ ｅ ｔ ｈ ｏ ｄａ ｎ ｄｂ ｕ ｌ ｋｅ ｘ ｐ ｅ ｒ ｉ ｍ ｅ ｎ ｔ ｓ［Ｊ］． Ｐ ｏ ｗ ｄ ｅ ｒＴ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ，２ ０ １ ８，３ ３ ２２ １ ０ - ２ ２ ３． Ｄ Ｏ Ｉ１ ０． １ ０ １ ６／ｊ ． ｐ ｏ ｗ ｔ ｅ ｃ ． ２ ０ １ ８． ０ ３． ０ ６ ４． ［６］ 沈国浪， 童昕， 李占福．应用ＧＡ - Ｂ Ｐ神经网络优化平摆复合振动筛的振动参数［Ｊ］．华侨大学学报（ 自然科学版） ， ２ ０ １ ８，３ ９（４） ５ ０ ９ - ５ １ ３． Ｄ Ｏ Ｉ１ ０． １ １ ８ ３ ０／Ｉ Ｓ Ｓ Ｎ． １ ０ ０ ０ - ５ ０ １ ３． ２ ０ １ ８ ０ ３ ０ １ ０． ［７］ ＷＡＮ ＧＸ ｉ ａ ｏ ｙ ｕ ｅ，Ｌ ＩＺ ｈ ａ ｎ ｆ ｕ，Ｔ ＯＮ ＧＸ ｉ ｎ， e t a l． Ｔ ｈ ｅ ｉ ｎ ｆ ｌ ｕ ｅ ｎ ｃ ｅｏ ｆｐ ａ ｒ ｔ ｉ ｃ ｌ ｅｓ ｈ ａ ｐ ｅｏ ｎｓ ｃ ｒ ｅ ｅ ｎ ｉ ｎ ｇＣ ａ ｓ ｅｓ ｔ ｕ ｄ ｉ ｅ ｓｒ ｅ ｇ ａ ｒ ｄ ｉ ｎ ｇ Ｄ ＥＭｓ ｉ ｍ ｕ ｌ ａ ｔ ｉ ｏ ｎ ｓ［Ｊ］． Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇＣ ｏ ｍ ｐ ｕ ｔ ａ ｔ ｉ ｏ ｎ ｓ，２ ０ １ ８，３ ５（３） １ ５ １ ２ - １ ５ ２ ７． Ｄ Ｏ Ｉ１ ０． １ １ ０ ８／Ｅ Ｃ - １ ２ - ２ ０ １ ６ - ０ ４ ２ ８． ［８］ Ｌ ＩＺ ｈ ａ ｎ ｆ ｕ，Ｌ ＩＫ ｕ ｎ ｙ ｕ ａ ｎ，Ｇ ＥＸ ｉ ａ ｏ ｌ ｅ， e t a l． Ｐ ｅ ｒ ｆ ｏ ｒ ｍ ａ ｎ ｃ ｅｏ ｐ ｔ ｉ ｍ ｉ ｚ ａ ｔ ｉ ｏ ｎｏ ｆｂ ａ ｎ ａ ｎ ａｖ ｉ ｂ ｒ ａ ｔ ｉ ｎ ｇｓ ｃ ｒ ｅ ｅ ｎ ｓｂ ａ ｓ ｅ ｄｏ ｎＰ Ｓ Ｏ - Ｓ Ｖ Ｒ ｕ ｎ ｄ ｅ ｒＤ ＥＭｓ ｉ ｍ ｕ ｌ ａ ｔ ｉ ｏ ｎ ｓ［Ｊ］． Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆＶ ｉ ｂ ｒ ｏ ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ，２ ０ １ ９，２ １（１） ２ ８ - ３ ９． Ｄ Ｏ Ｉ１ ０． ２ １ ５ ９ ５／ｊ ｖ ｅ ． ２ ０ １ ８． １ ９ ５ ４ ３． ［９］ Ｙ Ｉ ＮＸ ｕ ｃ ｈ ｅ ｎ ｇ，ＨＵＡＮ Ｇ Ｋ ａ ｉ ｚ ｈ ｕ，ＨＡ Ｏ Ｈ ｏ ｎ ｇ ｗ ｅ ｉ ． Ｄ Ｅ ２Ｄ ｙ ｎ ａ ｍ ｉ ｃｅ ｎ ｓ ｅ ｍ ｂ ｌ ｅｏ ｆｅ ｎ ｓ ｅ ｍ ｂ ｌ ｅ ｓｆ ｏ ｒ ｌ ｅ ａ ｒ ｎ ｉ ｎ ｇｎ ｏ ｎ ｓ ｔ ａ ｔ ｉ ｏ ｎ ａ ｒ ｙ ｄ ａ ｔ ａ［Ｊ］． Ｎ ｅ ｕ ｒ ｏ ｃ ｏ ｍ ｐ ｕ ｔ ｉ ｎ ｇ，２ ０ １ ５，１ ６ ５１ ４ - ２ ２． Ｄ Ｏ Ｉ１ ０． １ ０ １ ６／ｊ ． ｎ ｅ ｕ ｃ ｏ ｍ． ２ ０ １ ４． ０ ６． ０ ９ ２． ［１ ０］ ＷＡＮ ＧＧ ａ ｎ ｇ，Ｚ ＨＡＮ ＧＺ ｈ ｕ，Ｓ ＵＮＪ ｉ ａ ｎ ｓ ｈ ａ ｎ， e t a l． Ｐ Ｏ Ｓ - Ｒ ＳＡｒ ａ ｎ ｄ ｏ ｍｓ ｕ ｂ ｓ ｐ ａ ｃ ｅｍ ｅ ｔ ｈ ｏ ｄ ｆ ｏ ｒ ｓ ｅ ｎ ｔ ｉ ｍ ｅ ｎ ｔ ｃ ｌ ａ ｓ ｓ ｉ ｆ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｂ ａ ｓ ｅ ｄｏ ｎｐ ａ ｒ ｔ - ｏ ｆ - ｓ ｐ ｅ ｅ ｃ ｈａ ｎ ａ ｌ ｙ ｓ ｉ ｓ［Ｊ］． Ｉ ｎ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎＰ ｒ ｏ ｃ ｅ ｓ ｓ ｉ ｎ ｇ＆ Ｍ ａ ｎ ａ ｇ ｅ ｍ ｅ ｎ ｔ，２ ０ １ ５，５ １（４） ４ ５ ８ - ４ ７ ９． Ｄ Ｏ Ｉ１ ０． １ ０ １ ６／ ｊ ． ｉ ｐ ｍ． ２ ０ １ ４． ０ ９． ０ ０ ４． ［１ １］ 蔡毅， 朱秀芳， 孙章丽， 等．半监督集成学习综述［Ｊ］．计算机科学， ２ ０ １ ７，４ ４（ 增刊１） ７ - １ ３． ［１ ２］ 石浩辰， 罗涛， 韩飞， 等．浅谈大学物理实验数据处理的几种方法［Ｊ］．科技风，２ ０ １ ９（１ ２） ５ ２ - ５ ３． Ｄ Ｏ Ｉ１ ０． １ ９ ３ ９ ２／ ｊ ． ｃ ｎ ｋ ｉ ． １ ６ ７ １ - ７ ３ ４ １． ２ ０ １ ９ １ ２ ０ ４ ４． ［１ ３］ 袁翔．机制砂石粉颗粒分布对砂浆拌合物性能的影响规律研究［Ｊ］．墙材革新与建筑节能，２ ０ １ ６（７） ６ ８ - ７ １． Ｄ Ｏ Ｉ １ ０． ３ ９ ６ ９／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ ６ - ９ １ ３ ５． ２ ０ １ ６． ０ ７． ０ ４ ５． ［１ ４］ ＧＨＡ Ｄ Ｅ Ｒ Ｐ ＯＵＲ Ｅ． Ｃ ｏ ｎ ｓ ｔ ｒ ｕ ｃ ｔ ｉ ｏ ｎ ｓｆ ｏ ｒｏ ｒ ｔ ｈ ｏ ｇ ｏ ｎ ａ ｌｄ ｅ ｓ ｉ ｇ ｎ ｓｕ ｓ ｉ ｎ ｇｓ ｉ ｇ ｎ ｅ ｄｇ ｒ ｏ ｕ ｐｏ ｒ ｔ ｈ ｏ ｇ ｏ ｎ ａ ｌｄ ｅ ｓ ｉ ｇ ｎ ｓ［Ｊ］． Ｄ ｉ ｓ ｃ ｒ ｅ ｔ ｅ Ｍ ａ ｔ ｈ ｅ ｍ ａ ｔ ｉ ｃ ｓ，２ ０ １ ８，３ ４ １（１） ２ ７ ７ - ２ ８ ５． Ｄ Ｏ Ｉ１ ０． １ ０ １ ６／ｊ ． ｄ ｉ ｓ ｃ ． ２ ０ １ ７． ０ ８． ０ ３ ９． ［１ ５］ 何鸣， 李国正， 袁捷， 等．基于主成分分析的Ｂ ａ ｇ ｇ ｉ ｎ ｇ集成学习方法［Ｊ］．上海大学学报（ 自然科学版） ，２ ０ ０ ６，１ ２（４） ４ １ ５ - ４ １ ８． Ｄ Ｏ Ｉ１ ０． ３ ９ ６ ９／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ ７ - ２ ８ ６ １． ２ ０ ０ ６． ０ ４． ０ １ ９． ［１ ６］ 陈良维．决策树算法在农户小额贷款中的应用研究［Ｊ］．计算机工程与应用，２ ０ ０ ８（３ １） ２ ４ ２ - ２ ４ ４． Ｄ Ｏ Ｉ１ ０． ３ ７ ７ ８／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ ２ - ８ ３ ３ １． ２ ０ ０ ８． ３ １． ０ ７ １． ［１ ７］ 张钰， 陈珺， 王晓峰， 等． Ｘ ｇ ｂ ｏ ｏ ｓ ｔ在滚动轴承故障诊断中的应用［Ｊ］．噪声与振动控制，２ ０ １ ７，３ ７（４） １ ６ ６ - １ ７ ０． Ｄ Ｏ Ｉ １ ０． ３ ９ ６ ９／ ｊ ． ｉ ｓ ｓ ｎ ． １ ０ ０ ６ - １ ３ ５ ５． ２ ０ １ ７． ０ ４． ０ ３ ２． ［１ ８］ 仝卫国， 李敏霞， 张一可．深度学习优化算法研究［Ｊ］．计算机科学， ２ ０ １ ８，４ ５（ 增刊２） １ ５ ５ - １ ５ ９． ［１ ９］ 刘钊， 李晗， 朱平．基于粒子群算法的轿车车身多学科优化设计［Ｊ］．汽车工程，２ ０ １ ８，４ ０（３） ２ ５ １ - ２ ５ ８． Ｄ Ｏ Ｉ１ ０． １ ９ ５ ６ ２／ｊ ． ｃ ｈ ｉ ｎ ａ ｓ ａ ｅ ． ｑ ｃ ｇ ｃ ． ２ ０ １ ８． ０ ３． ０ ０ ２． ［２ ０］ Ｆ ＡＮ ＧＪ ｉ ａ ｎ ｃ ｈ ｅ ｎ ｇ，ＣＨＥ Ｎ Ｌ ｉ ｎ ｚ ｈ ｏ ｕ ｔ ｉ ｎ ｇ，ＹＡＯＪ ｉ ｆ ｅ ｎ ｇ ． Ａ ｎａ ｃ ｃ ｕ ｒ ａ ｔ ｅｇ ｒ ａ ｖ ｉ ｔ ｙｃ ｏ ｍ ｐ ｅ ｎ ｓ ａ ｔ ｉ ｏ ｎｍ ｅ ｔ ｈ ｏ ｄｆ ｏ ｒｈ ｉ ｇ ｈ - ｐ ｒ ｅ ｃ ｉ ｓ ｉ ｏ ｎ ａ ｉ ｒ ｂ ｏ ｒ ｎ ｅＰ Ｏ Ｓ［Ｊ］． Ｉ Ｅ Ｅ ＥＴ ｒ ａ ｎ ｓ ａ ｃ ｔ ｉ ｏ ｎ ｓｏ ｎＧ ｅ ｏ ｓ ｃ ｉ ｅ ｎ ｃ ｅａ ｎ ｄＲ ｅ ｍ ｏ ｔ ｅＳ ｅ ｎ ｓ ｉ ｎ ｇ，２ ０ １ ４，５ ２（８） ４ ５ ６ ４ - ４ ５ ７ ３． Ｄ Ｏ Ｉ１ ０． １ １ ０ ９／ ｔ ｇ ｒ ｓ ． ２ ０ １ ３． ２ ２ ８ ２ ４ ２ ３． （ 责任编辑陈志贤 英文审校崔长彩） ００７ 华 侨 大 学 学 报 （ 自 然 科 学 版） ２ ０ ２ ０年 万方数据