藜麥，這種被譽為 “黃金谷物” 的南美原產作物，憑借其極高的營養價值在全球范圍內備受關注。我國自 20 世紀 80 年代引入藜麥后，種植面積不斷擴大，僅甘肅一省的種植面積就占全國總面積的 46.88%，產量更是占到全國總產量的 60%。然而，在藜麥產業蓬勃發展的背后，機械化收割設備的滯后成為了制約產業進一步發展的瓶頸。目前，國內藜麥收割大多還依賴人工或半機械方式，不僅作業成本高、周期長，而且采用普通谷物聯合收割機進行收割時，會出現嚴重的籽粒損失和清選效果差等問題。盡管國內已有研究人員開發出了自走式藜麥聯合收割機等設備，但在割臺設計方面仍存在諸如分禾器寬度、耙齒速度等參數不合理的情況，導致關鍵部件堵塞、割臺損失大以及籽粒脫落嚴重等問題，極大地影響了收割效率和質量。因此，如何提升藜麥機械化收割水平，減少收割過程中的各項損失，成為了我國藜麥產業亟待解決的重要課題。

為了攻克這些難題，國內相關研究機構的研究人員開展了深入研究。他們以藜麥莖稈的生物力學特性和農藝要求為基礎，開展了藜麥機械收割割臺參數優化的研究，相關成果發表在《Computers and Electronics in Agriculture》上。

研究人員采用了多種關鍵技術方法。首先，利用離散元法（DEM）建立了仿真模型，以此來研究藜麥莖稈與分禾器在分禾過程中的相互作用。接著，運用拉丁超立方抽樣方法獲取樣本數據，并訓練了三種神經網絡優化算法（GA-BP、DBO-BP、NGO-BP）進行預測。最后，借助 Isight 優化設計組件構建正交多項式模型，開展多目標優化工作。

通過 3D 表面圖分析各因素對藜麥莖稈平均移動速度的影響發現，當分禾器寬度（X₃）保持不變時，莖稈平均移動速度（Y₁）會隨著前進速度（X₁）的增加和耙齒速度（X₂）的減小而逐漸降低，并在 X₁和 X₂的某些組合下達到最小值；當耙齒速度（X₂）固定時，Y₁雖有波動，但總體上隨 X₁和 X₃的增加而降低，表明 X₁和 X₃對 Y₁有負向影響。

本研究創新性地將離散元法模擬、神經網絡算法與近似模型相結合，提出了一種農業機械實驗設計優化方法，并通過田間試驗進行了嚴格驗證，為農業機械化實驗設計及未來研究提供了重要的理論和實踐參考。研究表明，在三種神經網絡模型中，NGO-BP 模型在處理復雜非線性參數相互作用時，展現出了更優的預測準確性、穩定性和優化效率。田間驗證結果顯示，當前進速度為 1.26 m/s、耙齒速度為 1.47 m/s、分禾器寬度為 235.8 mm 時，籽粒脫落率可降低至 1.802%，顯著優于傳統收割設備。該研究不僅大幅提升了藜麥機械化收割效率，還為其他作物收獲機械的設計與優化提供了創新思路，對推動我國藜麥產業乃至整個農業機械化的發展具有重要意義。