基于BP神經(jīng)網(wǎng)絡(luò)的旁熱式輻射與對流糧食干燥過程模型

代愛妮 周曉光 劉相東 劉景云 張 馳

(1.北京郵電大學(xué)自動化學(xué)院， 北京 100876； 2.青島農(nóng)業(yè)大學(xué)理學(xué)與信息學(xué)院， 青島 266109；3.中國農(nóng)業(yè)大學(xué)工學(xué)院， 北京 100083； 4.北京聯(lián)合大學(xué)自動化學(xué)院， 北京 100101)

基于BP神經(jīng)網(wǎng)絡(luò)的旁熱式輻射與對流糧食干燥過程模型

代愛妮1,2周曉光1劉相東3劉景云4張 馳1

(1.北京郵電大學(xué)自動化學(xué)院， 北京 100876； 2.青島農(nóng)業(yè)大學(xué)理學(xué)與信息學(xué)院， 青島 266109；3.中國農(nóng)業(yè)大學(xué)工學(xué)院， 北京 100083； 4.北京聯(lián)合大學(xué)自動化學(xué)院， 北京 100101)

針對旁熱式輻射與對流糧食干燥機(jī)的干燥特點，建立了一種糧食干燥機(jī)干燥過程的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。該模型采用了3層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)(8-10-1)，模型輸入為糧食干燥機(jī)的8個變量，模型輸出為出口糧食水分比或干燥速率。通過編寫Matlab建模程序，基于實際干燥實驗的樣本數(shù)據(jù)訓(xùn)練與測試網(wǎng)絡(luò)，實現(xiàn)了紅外輻射與對流聯(lián)合干燥的動力學(xué)模型，并給出了相應(yīng)的模型數(shù)學(xué)表達(dá)式，模型預(yù)測的出口水分比與干燥速率的R2分別為0.998 9和0.998 0，均方根誤差分別為0.009和0.004 1，預(yù)測結(jié)果與實際測量數(shù)據(jù)擬合較好；另外，結(jié)合實驗干燥條件對模型干燥性能的預(yù)測結(jié)果進(jìn)行了分析與總結(jié)，并依據(jù)同樣方法建立了順逆流糧食干燥過程的出口糧食水分比預(yù)測模型，對比了2種干燥方式的干燥性能。仿真預(yù)測表明用BP神經(jīng)網(wǎng)絡(luò)方法建模簡單，具有自適應(yīng)性、靈活性和自學(xué)習(xí)性等特點，相比于其他糧食干燥的經(jīng)驗數(shù)學(xué)模型，能綜合考慮多種影響因素，可為紅外輻射與對流聯(lián)合干燥過程提供一種新的建模方法。

糧食； 紅外輻射與對流干燥； BP神經(jīng)網(wǎng)絡(luò)； 預(yù)測模型

引言

實現(xiàn)糧食干燥的精確控制需要較為精確的數(shù)學(xué)模型，然而糧食干燥是一個典型的非線性復(fù)雜系統(tǒng)，干燥過程中，各變量因素相互耦合，具有滯后性和多干擾性[1]，從而建立一個符合實際干燥過程的數(shù)學(xué)模型非常困難。

目前，各項研究中建立的糧食干燥數(shù)學(xué)模型很多，主要有單顆粒干燥模型、薄層干燥模型和深床干燥模型。通常，實際干燥中，針對糧食干燥機(jī)的數(shù)學(xué)模型均為深床干燥模型，其中的典型模型是PDE偏微分方程，該類模型基于熱質(zhì)傳遞原理，通用性較好，應(yīng)用廣泛。相關(guān)學(xué)者主要利用此類模型進(jìn)行干燥過程的數(shù)值模擬，以此了解干燥過程中各個參量的變化規(guī)律，為簡化模型提供參考數(shù)據(jù)。但該類模型復(fù)雜，求解比較困難，無法利用該模型進(jìn)行有效的實時控制[2]。分布參數(shù)DP模型計算耗時少，可用于干燥機(jī)的控制[3-4]，該類模型通常在分析與計算時把深床谷物分為若干個薄層，利用現(xiàn)有的薄層方程計算熱空氣狀態(tài)與糧食溫度和水分的變化，最后簡化成多個薄層方程的疊加[4]。然而，DP模型通常在建立時均做了很多假設(shè)，而且只考慮了部分因素，與實際復(fù)雜系統(tǒng)有一定的差距。

對于此類復(fù)雜不確定系統(tǒng)的數(shù)學(xué)建模還可以依靠實驗的方法，采集一定的輸入、輸出數(shù)據(jù)對系統(tǒng)進(jìn)行辨識從而得到數(shù)學(xué)模型，通常這種方法得到的數(shù)學(xué)模型參數(shù)可能不具有明確的物理意義，但并不影響利用該模型進(jìn)行控制系統(tǒng)的設(shè)計與分析[5]。例如，神經(jīng)網(wǎng)絡(luò)辨識方法在解決復(fù)雜系統(tǒng)的辨識方面具有很大的潛力。

神經(jīng)網(wǎng)絡(luò)在糧食等干燥系統(tǒng)辨識和建模中有很多應(yīng)用[6-10]，從文獻(xiàn)分析可以看出，利用神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、自適應(yīng)功能，以及逼近任意非線性函數(shù)的特點，通過輸入、輸出數(shù)據(jù)辨識系統(tǒng)的模型是糧食干燥過程辨識的有效途徑。

紅外輻射干燥技術(shù)是一種節(jié)能、高效、無污染的新型干燥技術(shù)，是糧食干燥技術(shù)發(fā)展的新方向[11-12]，具有產(chǎn)品干燥品質(zhì)高、生產(chǎn)效率高、干燥速率快和節(jié)約能源等優(yōu)點。目前，國內(nèi)外很多學(xué)者在紅外輻射干燥建模方面已經(jīng)開展了相關(guān)研究[12-25]。綜合來看，研究文獻(xiàn)中所建紅外輻射干燥過程模型基本還是傳統(tǒng)的經(jīng)驗和半經(jīng)驗?zāi)Ｐ突蛘咂渌唵位貧w模型，未考慮諸多復(fù)雜的紅外輻射干燥影響因素，其應(yīng)用領(lǐng)域也基本在食品及蔬菜方面。

本文基于BP神經(jīng)網(wǎng)絡(luò)算法，利用實時在線測量的數(shù)據(jù)，把干燥時間、入口糧食含水率和溫度、出口糧食溫度、紅外輻射段的糧溫、對流段的糧溫、熱風(fēng)對流溫度和排糧速度作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入量，預(yù)測紅外輻射與對流糧食干燥機(jī)的出口糧食水分比和干燥速率，確定糧食被干燥至目標(biāo)含水率所需要的循環(huán)干燥次數(shù)，以期為該糧食干燥機(jī)的智能控制提供預(yù)測模型。

1 BP神經(jīng)網(wǎng)絡(luò)

1.1 BP神經(jīng)網(wǎng)絡(luò)算法原理

如圖1所示，人工神經(jīng)元模型是一個多輸入多輸出的非線性信息處理節(jié)點，把每一個這樣的節(jié)點當(dāng)作一個神經(jīng)元，由這些神經(jīng)元組成的網(wǎng)絡(luò)就是神經(jīng)網(wǎng)絡(luò)[26]。

圖1中，x1～xn為人工神經(jīng)元i的輸入，通過權(quán)與神經(jīng)元連接；win為神經(jīng)元的連接權(quán)值；yi為人工神經(jīng)元i的輸出；f(·)為人工神經(jīng)元的非線性作用函數(shù)。人工神經(jīng)元i的輸出可以寫為

(1)

式中θi——閾值

神經(jīng)網(wǎng)絡(luò)有許多不同的算法，其中應(yīng)用比較廣泛的算法是反向傳播(Back propagation,BP)學(xué)習(xí)算法，簡稱BP算法。

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，X和y是網(wǎng)絡(luò)的輸入、輸出向量，每個神經(jīng)元用一個節(jié)點表示，網(wǎng)絡(luò)由輸入層、隱含層和輸出層節(jié)點組成，隱含層可以是一層，也可以是多層，其模型的可調(diào)參數(shù)分布在網(wǎng)絡(luò)內(nèi)部的連接權(quán)值上，非線性函數(shù)隱含在神經(jīng)元及網(wǎng)絡(luò)結(jié)構(gòu)中。

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Structure of BP neural network

BP學(xué)習(xí)算法屬于σ算法，基本思想是最小二乘算法(Levenberg-Marquardt)，是有導(dǎo)師的學(xué)習(xí)，基本原理是最速梯度下降法，由正向傳播和反向傳播組成。正向傳播中，輸入信號從輸入層經(jīng)隱含層傳向輸出層，輸入層到隱含層的作用函數(shù)通常為非線性函數(shù)，隱含層到輸出層的作用函數(shù)可以是非線性，也可以是線性函數(shù)。若輸出層得到了期望的輸出，學(xué)習(xí)算法結(jié)束；否則，轉(zhuǎn)向反向傳播。反向傳播是將誤差信號(樣本輸出與網(wǎng)絡(luò)輸出之差)按原連接通路反向計算，由梯度下降法調(diào)整各層神經(jīng)元的權(quán)值和閾值，使網(wǎng)絡(luò)輸出層誤差信號的平方和最小[26]。其實質(zhì)是把一組輸入輸出問題轉(zhuǎn)換為一個非線性優(yōu)化問題。

1.2 模型評價指標(biāo)

圖4 糧食干燥機(jī)控制系統(tǒng)框圖Fig.4 Control schematic of grain dryer

評價模型好壞的指標(biāo)有：和方差、決定系數(shù)R2、均方根誤差和均方誤差。通常，均方根誤差和均方誤差越接近于0，R2越接近于1，函數(shù)擬合性能越好。

2 實驗裝置

2.1 旁熱式輻射與對流糧食干燥機(jī)系統(tǒng)

2.1.1 機(jī)械系統(tǒng)及控制系統(tǒng)結(jié)構(gòu)

實驗裝置是自行設(shè)計的已在東北某機(jī)械有限公司投入使用的旁熱式輻射與對流糧食干燥機(jī)系統(tǒng)，系統(tǒng)由機(jī)械結(jié)構(gòu)和控制結(jié)構(gòu)組成。其中機(jī)械系統(tǒng)結(jié)構(gòu)如圖3所示，主要由存放被干燥糧食的濕谷倉、加熱干燥糧食的5HSHF10型干燥機(jī)和存放糧食的干谷倉組成，其形狀均為矩形體。此外還有膠帶輸送機(jī)、提升機(jī)及電動機(jī)等。

圖3 糧食干燥機(jī)系統(tǒng)機(jī)械結(jié)構(gòu)示意圖Fig.3 Mechanical structure diagram of grain dryer system 1、4、8.提升機(jī) 2.濕谷倉 3、5、6、9、11.膠帶輸送機(jī) 7.干谷倉 10.干燥機(jī)

糧食干燥機(jī)的檢測控制系統(tǒng)由計算機(jī)、PLC、變頻器及各種檢測傳感器組成，控制方案如圖4所示，主要由檢測部分及控制部分組成。實時檢測的信息有21個溫度、3個風(fēng)速和2個濕度，另外干燥機(jī)頂端與底端都安裝了電容式水分在線監(jiān)測裝置，可以實現(xiàn)干燥機(jī)入口糧食及出口糧食含水率的實時檢測，各傳感器及檢測位置如圖5中1～13所示；控制部分主要對3臺糧食提升機(jī)、5臺糧食膠帶輸送機(jī)以及供熱風(fēng)機(jī)、除塵風(fēng)機(jī)、油爐電動機(jī)和濕倉閥門電動機(jī)進(jìn)行啟?？刂疲瑢鞖怆妱娱y門進(jìn)行開度控制，對排糧電動機(jī)進(jìn)行變頻控制。傳感器檢測的數(shù)據(jù)經(jīng)PLC：s7-300輸入輸出模塊采集后，經(jīng)以太網(wǎng)通信，在計算機(jī)上或觸摸屏上進(jìn)行存儲、顯示和計算，操作人員通過計算機(jī)或觸摸屏對干燥機(jī)設(shè)備進(jìn)行控制。

圖5 干燥機(jī)結(jié)構(gòu)與原理圖Fig.5 Schematic of structure and principle of grain dryer1.主熱風(fēng)道風(fēng)速傳感器監(jiān)測點 2.熱風(fēng)溫度傳感器監(jiān)測點 3.紅外廢氣溫度傳感器監(jiān)測點 4.紅外廢氣風(fēng)速傳感器監(jiān)測點5.廢氣溫度和濕度傳感器監(jiān)測點 6.干燥廢氣風(fēng)速傳感器監(jiān)測點 7.入口糧食溫度和水分傳感器監(jiān)測點 8.出口糧食溫度及水分傳感器監(jiān)測點 9.對流段糧食溫度傳感器監(jiān)測點 10.紅外輻射段糧食溫度傳感器監(jiān)測點 11.燃燒管溫度傳感器監(jiān)測點 12.煙氣溫度傳感器監(jiān)測點 13.環(huán)境溫度和濕度傳感器監(jiān)測點14.電動調(diào)節(jié)閥 15.廢氣室 16.油爐

其中依據(jù)出口糧食含水率及相關(guān)數(shù)據(jù)對排糧電動機(jī)進(jìn)行變頻控制是糧食干燥控制的關(guān)鍵，本研究主要為該糧食干燥機(jī)出口糧食含水率的控制建立預(yù)測模型。

2.1.2 糧食干燥機(jī)結(jié)構(gòu)及干燥工藝

糧食干燥機(jī)結(jié)構(gòu)如圖5所示，干燥機(jī)長2.06 m，寬1.3 m，高4.7 m，主體由儲糧段、對流段、輻射段和排糧段組成，其中儲糧段高1.6 m，對流段高1.1 m，輻射段高0.8 m，排糧段高1.2 m。干燥機(jī)的對流段為組合設(shè)計，方便拆解和更換，有3種工藝可供選擇：順流、順逆流和混流；輻射段4個油爐為旁熱輻射式，能自動點火，配有相應(yīng)安全裝置；燃燒室采用了鍋爐鋼板結(jié)構(gòu)并且所有鋼板均做了防銹處理。

糧食從干燥機(jī)頂端由上而下流動經(jīng)過對流段與輻射段依次進(jìn)行對流干燥與輻射干燥，到達(dá)排糧口時，判斷出口糧食水分傳感器檢測的糧食含水率是否達(dá)到目標(biāo)值，如達(dá)到，則膠帶輸送機(jī)6正轉(zhuǎn)，糧食送入干谷倉，至此干燥結(jié)束，如未達(dá)到目標(biāo)含水率，則膠帶輸送機(jī)6反轉(zhuǎn)，糧食重新進(jìn)入干燥機(jī)，繼續(xù)循環(huán)干燥。其中輻射段與對流段干燥糧食的基本原理如下：

輻射干燥時，燃燒機(jī)加熱的輻射筒溫度可以達(dá)到380℃左右，利用其高溫對輻射段糧食進(jìn)行紅外輻射干燥。紅外輻射干燥后的紅外廢氣溫度為150℃左右，利用其余熱進(jìn)行熱風(fēng)對流干燥可有效節(jié)約能源。

對流干燥時，將輻射段產(chǎn)生的紅外廢氣中混入適量冷空氣，通過電動調(diào)節(jié)閥調(diào)節(jié)冷風(fēng)量實現(xiàn)對混合后空氣溫度的調(diào)節(jié)，混合空氣經(jīng)管道進(jìn)入對流段與糧食接觸進(jìn)行熱風(fēng)對流干燥。因其利用了紅外輻

射干燥的余熱進(jìn)行了熱風(fēng)對流干燥，輻射段與對流段使用同一熱源，實現(xiàn)了能源的循環(huán)利用；另外，輻射干燥時不需要加熱中間介質(zhì)，熱量直接傳入物料內(nèi)部，可使物料內(nèi)部受熱均勻，所以比較節(jié)能，干燥后糧食品質(zhì)較好。

2.2 糧食干燥機(jī)出口糧食含水率控制模型

2.2.1 研究對象的確立

本系統(tǒng)的控制對象為新型糧食干燥機(jī)的出口糧食含水率，該變量是一個隨干燥時間連續(xù)變化的物理量，通常，糧食在干燥機(jī)中的干燥時間通過排糧電動機(jī)的轉(zhuǎn)速來調(diào)節(jié)，控制算法的目的是根據(jù)糧食干燥系統(tǒng)的相關(guān)影響因素，自動計算出系統(tǒng)所需要的最優(yōu)排糧轉(zhuǎn)速，最終將出口糧食含水率穩(wěn)定調(diào)節(jié)到所需要的范圍。

2.2.2 影響因素分析

在糧食干燥機(jī)干燥過程中，影響出口糧食含水率的因素主要有：干燥工藝、環(huán)境因素(環(huán)境溫度、環(huán)境濕度)、谷物因素(品種、初始含水率、排糧速度、干燥流型)、熱風(fēng)因素(風(fēng)溫、風(fēng)濕、風(fēng)量)等。糧食干燥機(jī)控制過程中各變量選擇如下：被控變量為出口糧食含水率；控制變量為排糧電動機(jī)轉(zhuǎn)速；干擾量為糧食初始含水率、各熱風(fēng)段溫度、濕度、環(huán)境溫度和濕度。

經(jīng)綜合分析，建立糧食干燥機(jī)的干燥過程模型時，設(shè)熱風(fēng)風(fēng)速、風(fēng)量及品種等在整個實驗過程中基本不變，看作常量，主要選取了干燥時間(Dt)、入口糧食含水率(Min)和溫度(Tin)、出口糧食溫度(Tout)、紅外輻射段的糧溫(Tir)、對流段的糧溫(Tcon)、熱風(fēng)對流溫度(Th)以及干燥機(jī)排糧速度(V)共8個主要影響因素作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入，將糧食干燥機(jī)的出口水分比或干燥速率作為模型的輸出。

2.2.3 控制策略

神經(jīng)網(wǎng)絡(luò)預(yù)測控制模型結(jié)構(gòu)如圖6所示，首先依據(jù)干燥實驗中傳感器檢測的實驗數(shù)據(jù)，建立糧食干燥機(jī)的神經(jīng)網(wǎng)絡(luò)模型，對該模型進(jìn)行離線訓(xùn)練和學(xué)習(xí)，實時控制過程中在線優(yōu)化神經(jīng)網(wǎng)絡(luò)模型參數(shù)，使模型逼近實際干燥過程。該控制器不是單純的依據(jù)出口糧食含水率來調(diào)整排糧速度，而是綜合了多種因素，當(dāng)其中的任何一個相關(guān)因素發(fā)生變化時，神經(jīng)網(wǎng)絡(luò)模型都能自動計算分析，得到下一時刻出口糧食含水率的預(yù)測值，控制模型中的智能控制器依據(jù)該預(yù)測值優(yōu)化計算出該時刻排糧電動機(jī)的轉(zhuǎn)速最優(yōu)值給變頻器，從而控制糧食在干燥機(jī)中的干燥時間，實現(xiàn)出口糧食含水率的最優(yōu)控制。

圖6 干燥機(jī)控制算法原理圖Fig.6 Control model structure of grain dryer

3 糧食干燥機(jī)的神經(jīng)網(wǎng)絡(luò)模型建立

3.1 實驗條件及計算公式

進(jìn)行實驗的玉米為黑龍江省哈爾濱市賓縣農(nóng)戶當(dāng)季自然收獲的品種星星一號，初始含水率在28%左右，實驗環(huán)境溫度為-10～8℃，濕度60%～70%，熱風(fēng)溫度在80～120℃之間，熱風(fēng)風(fēng)速12 m/s，出口糧食水分傳感器校準(zhǔn)采用105℃標(biāo)準(zhǔn)干燥箱法進(jìn)行(GB/T 5497—1985)。

實驗過程中相關(guān)計算公式如下：

干燥箱試樣糧食含水率計算公式為

M=(W1-W2)/(W1-W0)×100%

(2)

式中W0——稱量瓶質(zhì)量，gW1——干燥前試樣和稱量瓶質(zhì)量，gW2——干燥后試樣和稱量瓶質(zhì)量，g

t時刻出口糧食含水率(濕基含水率)計算公式為

Mt=wh(t)/w(t)×100%

(3)

式中wh(t)——t時刻糧食中水分的質(zhì)量，kgw(t)——t時刻糧食的總質(zhì)量，kg

t時刻的糧食水分比與初始含水率、t時刻的糧食濕基含水率以及t時刻的平衡含水率有關(guān)，公式為

MR=(Mt-Me)/(M0-Me)

(4)

式中M0——初始含水率,%Me——t時刻的平衡含水率,%

平衡含水率會隨著干燥過程中空氣溫度和濕度的改變而改變，因此，干燥機(jī)出口糧食的平衡含水率是一個隨出口空氣溫度與濕度變化的值，計算公式為

(5)

式中RH——t時刻干燥機(jī)出口空氣相對濕度，%T——t時刻干燥機(jī)出口空氣溫度，℃

t時刻瞬時干燥速率計算公式為

DV=(M1-M2)/Δt

(6)

式中M1——t1時刻的濕基含水率，%M2——t2時刻的濕基含水率，% Δt——t1到t2之間的時間差，min

3.2 實驗數(shù)據(jù)選取

為了建立神經(jīng)網(wǎng)絡(luò)模型，首先需采集實驗樣本數(shù)據(jù)，神經(jīng)網(wǎng)絡(luò)依靠學(xué)習(xí)樣本來確定網(wǎng)絡(luò)中的權(quán)值和閾值等參數(shù)。表1為2015年11月25日順流紅外輻射干燥實驗中各傳感器采集到的部分實測樣本數(shù)據(jù)，實測樣本數(shù)據(jù)為糧食干燥機(jī)運行0.5 h后，輻射溫度達(dá)到380℃左右，熱風(fēng)溫度達(dá)到120℃后各傳感器每隔1 min采集的干燥數(shù)據(jù)。表1中DR為該點附近10個瞬時干燥速率的平均值。

首先對采集的數(shù)據(jù)進(jìn)行處理，剔除明顯不合理的數(shù)據(jù)，例如，實驗初始，糧食內(nèi)部結(jié)冰現(xiàn)象造成的糧食水分傳感器測量不準(zhǔn)確，或供熱系統(tǒng)故障等產(chǎn)生的隨機(jī)誤差影響較大的不符合正常干燥過程的數(shù)據(jù)等，最終選擇了274組實驗樣本數(shù)據(jù)，其中隨機(jī)選擇了204組數(shù)據(jù)作為網(wǎng)絡(luò)訓(xùn)練集，剩余70組數(shù)據(jù)作為預(yù)測驗證集。

表1 糧食干燥機(jī)實驗部分樣本數(shù)據(jù)Tab.1 Partial experiment samples result for grain dryer

訓(xùn)練時，將數(shù)據(jù)進(jìn)行了歸一化操作，標(biāo)準(zhǔn)的歸一化公式為

(7)

式中Xi——樣本數(shù)據(jù)中輸入/輸出向量的實測值Xmax——樣本數(shù)據(jù)中輸入/輸出向量的最大值Xmin——樣本數(shù)據(jù)中輸入/輸出向量的最小值

3.3BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型結(jié)構(gòu)

根據(jù)采集到的數(shù)據(jù)特點，在Matlab中，編寫神經(jīng)網(wǎng)絡(luò)建模程序，確立新型糧食干燥機(jī)的神經(jīng)網(wǎng)絡(luò)預(yù)測模型結(jié)構(gòu)如圖7所示，輸入層M有8個節(jié)點，分別為選定的影響糧食干燥的8個主要影響因素，隱含層N有10個節(jié)點，輸出層L有1個節(jié)點，為出口糧食水分比或干燥速率。最佳隱含層的個數(shù)滿足公式

(8)

式中a——1～10之間的常數(shù)

圖7 建立的3層共19個神經(jīng)元的神經(jīng)網(wǎng)絡(luò)預(yù)測模型結(jié)構(gòu)Fig.7 BP prediction model structure based on three layers with 19 neurons

圖7中xj為網(wǎng)絡(luò)的第j個輸入變量值；ni為隱含層第i個節(jié)點的輸入；Oi為隱含層第i個節(jié)點的輸出；N′1為輸出層節(jié)點y1的輸入；N′2為輸出層節(jié)點y2的輸入；y1、y2分別為水分比模型MR、干燥速率模型DR的輸出；wij為輸入層到隱含層的權(quán)值；wki為隱含層到輸出層的權(quán)值。隱含層到輸出層的作用函數(shù)為線性函數(shù)，輸入層到隱含層作用函數(shù)及其導(dǎo)數(shù)形式為

f(x)=1/(1+e-x)

(9)

f′(x)=f(x)(1-f(x))

(10)

網(wǎng)絡(luò)初始權(quán)值和閾值為(0,1]之間的隨機(jī)數(shù)，初始迭代次數(shù)為100次，學(xué)習(xí)率為0.1，訓(xùn)練目標(biāo)誤差為0.000 4。

3.4BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型實現(xiàn)

網(wǎng)絡(luò)預(yù)測模型的訓(xùn)練過程采用Levenberg-Marquardt (LM)算法，學(xué)習(xí)算法流程如圖8所示。

圖8 BP神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)流程Fig.8 Learning process of BP neural network model

輸入學(xué)習(xí)樣本為xp=(x1p,x2p,…,x8p)，已知對應(yīng)的輸出樣本為dp=d1p(若為干燥速率模型則為d2p，學(xué)習(xí)的目的是用網(wǎng)絡(luò)的預(yù)測輸出y1p(若為干燥速率模型則為y2p)與目標(biāo)量d1p或d2p的誤差來修正其權(quán)值，使誤差信號逐漸減少。

對于每一個樣本p的二次型誤差準(zhǔn)則函數(shù)Ep，取L2范數(shù)，即

(11)

系統(tǒng)P個訓(xùn)練樣本訓(xùn)練后的總誤差準(zhǔn)則函數(shù)為

(12)

每次迭代時的誤差梯度下降法公式為

(13)

(14)

wij=wij+Δwij

(15)

wki=wki+Δwki

(16)

其中

(17)

η為學(xué)習(xí)速率，范圍在(0,1]之間。

最終水分比預(yù)測模型經(jīng)過13次迭代(干燥速率模型經(jīng)過24次迭代) 后網(wǎng)絡(luò)訓(xùn)練結(jié)束。建立的順流紅外輻射的出口水分比MR及干燥速率預(yù)測模型DR的公式分別為(輸出層的激勵函數(shù)為線性函數(shù))

1.66O2-0.13O3-0.33O4+0.14O5-0.44O6-

0.25O7+0.68O8-1.55O9+0.32O10+1.16

(18)

3.35O2+8.2O3+3.74O4+0.79O5+14.35O6+

5.67O7+10.39O8-5.68O9+2.62O10-0.99

(19)

其中

x0=θiwi0=-1 (i=1,2,…,10)

MR模型和DR模型的wij權(quán)系數(shù)矩陣和θi閾值矩陣分別如表2和表3所示。

表2 水分比和干燥速率模型的權(quán)系統(tǒng)矩陣Tab.2 Weight coefficient matrix of MR and DR models

表3 水分比和干燥速率的θi閾值矩陣Tab.3 θi threshold matrix of MR and DR models

3.5 BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果分析

網(wǎng)絡(luò)訓(xùn)練結(jié)束后，利用70組驗證數(shù)據(jù)集進(jìn)行測試，其中出口糧食水分比模型訓(xùn)練的均方根誤差為0.009；R2為0.998 9，總誤差為0.504，絕對誤差在±0.03范圍內(nèi)，相對誤差在±0.04范圍內(nèi)；干燥速率模型預(yù)測的均方根誤差為0.004 1，R2為0.998 0，預(yù)測的總誤差為0.212，絕對誤差在±0.02范圍內(nèi)，大多集中在±0.005附近，相對誤差基本在±0.1范圍內(nèi)。

基于均方根誤差的水分比模型和干燥速率模型的訓(xùn)練性能曲線分別如圖9a、9b所示；出口水分比和干燥速率的模型預(yù)測總誤差分別如圖9c、9d所示。

圖9 糧食干燥機(jī)的神經(jīng)網(wǎng)絡(luò)模型預(yù)測性能Fig.9 Prediction performance of BP neural network model for grain dryer

4 模型應(yīng)用結(jié)果分析

應(yīng)用上述模型分別預(yù)測了新型糧食干燥機(jī)干燥過程的出口水分比隨時間的變化趨勢，干燥速率隨時間變化的曲線，如圖10a所示；干燥水分比、干燥速率及對流熱風(fēng)溫度變化關(guān)系如圖10b所示。通過與實際實驗曲線對比分析可以看出，預(yù)測曲線與實際實驗曲線擬合良好，證明該模型能正確預(yù)測該糧食干燥機(jī)的動力學(xué)曲線。

圖10a為干燥30 min之后的干燥特性曲線，此時的輻射筒溫度已經(jīng)升高到380℃左右，干燥時的熱風(fēng)溫度基本維持在120℃，干燥初期，儲糧段糧食會有吸濕現(xiàn)象，越上層吸濕現(xiàn)象越明顯，被干燥糧食含水率出現(xiàn)分層現(xiàn)象，越靠近上層含水率越高，因最下層的糧食首先到達(dá)排糧段，所以出口糧食水分比會出現(xiàn)不降反升的現(xiàn)象，隨著干燥時間的進(jìn)行，糧食水分比開始下降，說明糧食開始被干燥。干燥速率隨著輻射筒溫度的升高而逐漸升到最大值，之后開始出現(xiàn)的下降-上升-下降趨勢，應(yīng)該與干燥條件變化、輻射溫度變化和糧食含水率分布不均等諸多影響因素有關(guān)，大約經(jīng)過90 min，糧食水分比下降到0.7左右，平均干燥速率下降，糧食含水率減小7%～8%，此后糧食水分比與干燥速率重復(fù)相同變化趨勢，同樣大約持續(xù)90 min，重復(fù)剛才趨勢，糧食含水率減小3%～4%，之后經(jīng)過兩次同樣變化趨勢，每次都比前一次稍微變緩，平均干燥速率比前一次下降，由此可以推斷，紅外輻射與對流糧食干燥機(jī)循環(huán)干燥時一個干燥循環(huán)大約需要90 min，此次干燥大約需4個循環(huán)。

圖10 紅外輻射對流聯(lián)合干燥的干燥動力學(xué)預(yù)測 曲線分析Fig.10 Analysis of drying dynamics prediction curves of infrared radiation and convection grain dryer

從圖10b基本可以看出前90 min平均干燥速率較快，此階段熱風(fēng)溫度基本維持在120℃，糧食含水率較高，糧食內(nèi)部水氣分壓較大，平均干燥速率較快，糧食吸收的熱量與蒸發(fā)水分所用熱量大致平衡，因此糧食升溫并不明顯；90～180 min平均干燥速度比第一次循環(huán)下降，溫度比第一次循環(huán)干燥時上升，變化不大；180 min后雖然熱風(fēng)溫度降為100℃，仍可以看出糧食溫度有明顯的升高，糧食干燥進(jìn)入降速段，此時蒸發(fā)吸熱減少。

依據(jù)同樣的建模方法，利用2015年11月28日的實驗數(shù)據(jù)建立順逆流干燥水分比預(yù)測模型(網(wǎng)絡(luò)結(jié)構(gòu)為7-10-1，模型去掉了一個影響因素：輻射糧溫)，與建立的紅外輻射對流聯(lián)合加熱的模型預(yù)測的出口水分比進(jìn)行對比分析，由圖11可以看出，根據(jù)干燥到相同水分所用時間的對比，紅外輻射與對流聯(lián)合干燥所用時間最短，干燥速度最快，證明紅外輻射與對流聯(lián)合干燥相對于普通對流干燥有明顯的優(yōu)勢。

圖11 對流干燥與紅外輻射對流聯(lián)合干燥的水分比 預(yù)測曲線對比Fig.11 Comparison of MR curves of convective drying and infrared radiative and convective drying

5 結(jié)束語

建立了糧食干燥的水分比與干燥速率的神經(jīng)網(wǎng)

絡(luò)模型，模型結(jié)構(gòu)為8-10-1，給出了模型的數(shù)學(xué)表達(dá)式及擬合指標(biāo)值，R2分別為0.998 9和0.998 0，均方根誤差分別為0.009和0.004 1，能較好地預(yù)測紅外輻射與對流聯(lián)合加熱的干燥機(jī)干燥性能，同時對紅外輻射與對流糧食干燥的動力學(xué)特性進(jìn)行了分析，分析了該糧食干燥機(jī)干燥過程中的出口水分比及干燥速率的變化情況以及各個干燥階段糧食溫度的變化情況，總結(jié)了本次紅外輻射對流糧食干燥機(jī)的循環(huán)干燥過程大約需要經(jīng)過4個循環(huán)到達(dá)目標(biāo)水分。相比于其它經(jīng)驗?zāi)Ｐ?，該模型能綜合考慮多個影響因素，能較真實地反映糧食干燥的實際實驗情況；最后利用該方法建立了順逆流干燥實驗的出口水分比預(yù)測模型，其預(yù)測性能較好，說明神經(jīng)網(wǎng)絡(luò)建模方法具有普遍適用的辨識結(jié)構(gòu)，并且通過對2種不同干燥工藝的出口糧食水分比預(yù)測分析，證明了紅外輻射干燥與對流聯(lián)合干燥相對于普通對流干燥的優(yōu)越性。該建模方法可以為紅外輻射與對流聯(lián)合干燥過程提供一種新的建模方法，應(yīng)用該方法可以更好地指導(dǎo)實際生產(chǎn)，為不確定系統(tǒng)的建模方法及其應(yīng)用提供參考。

1 MUJUMDAR A S. Handbook of industrial drying [M].Second edition revised and expanded. New York: Marcel Dekker, Inc.,1995:417-424.

2 胡志超,王海鷗,謝煥雄,等.幾種谷物橫流干燥數(shù)學(xué)模型及其應(yīng)用[J].農(nóng)業(yè)工程學(xué)報,2010, 26(增刊1):76-82. HU Zhichao, WANG Haiou,XIE Huanxiong, et al.Mathematical models of cross flow grain drying and their applications[J].Transactions of the CSAE,2010,26(Supp.1):76-82.(in Chinese)

3 LIU Q, BAKKER-ARKEMA F W. A model-predictive controller for grain drying [J]. Journal of Food Engineering,2001，49(4): 321-326.

4 張立輝. 谷物干燥過程模擬及測控新方法的研究[D]. 長春：吉林大學(xué),2014. ZHANG Lihui. Research on grain drying process simulation and new measurement and control methods [D].Changchun: Jilin University, 2014.(in Chinese)

5 劉英暉,劉賀平.多變量耦合系統(tǒng)的神經(jīng)網(wǎng)絡(luò)預(yù)測建模[J].微計算機(jī)信息,2009(34):153-155. LIU Yinghui, LIU Heping. Forecasting modeling based on neural network of multivariable coupling system[J].Microcomputer Information, 2009(34):153-155.(in Chinese)

6 FARKAS I, REMENYI P, BIRO A. Modelling aspects of grain drying with a neural network [J]. Computers and Electronics in Agriculture,2000, 29 (1-2): 99-113.

7 KAMYAR Movagharnejad,MARYAM Nikzad.Modeling of tomato drying using artificial neural network[J].Computers and Electronics in Agriculture,2007,59(1-2):78-85.

9 朱文學(xué),孫淑紅,陳鵬濤,等.基于BP神經(jīng)網(wǎng)絡(luò)的牡丹花熱風(fēng)干燥含水率預(yù)測模型[J].農(nóng)業(yè)機(jī)械學(xué)報,2011,42(8):128-130,137. ZHU Wenxue,SUN Shuhong,CHEN Pengtao, et al.Moisture content prediction modeling of hot-air drying for pressed peony based on BP neural network[J].Transactions of the Chinese Society for Agricultural Machinery,2011,42(8):128-130,137.(in Chinese)

10 王佩東,基于BP神經(jīng)網(wǎng)絡(luò)的水稻干燥智能控制研究[D].哈爾濱：哈爾濱工程大學(xué),2011. WANG Peidong. Study on the intelligent control of rice drying based on BP neural network [D]. Harbin: Harbin Engineering University, 2011.(in Chinese)

11 潘永康,王喜忠，劉相東.現(xiàn)代干燥技術(shù)[M].北京:化學(xué)工業(yè)出版社,1998:94.

12 汪喜波,胡瓊,肖波,等.稻谷紅外輻射與對流聯(lián)合干燥過程的模型模擬[J/OL].農(nóng)業(yè)機(jī)械學(xué)報,2013,44(9):145-151.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20130926&flag=1.DOI:10.6041/j.issn.1000-1298.2013.09.026. WANG Xibo, HU Qiong, XIAO Bo, et al. Modeling simulation of combined convective and infrared radiation in rice drying process[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2013,44(9):145-151.(in Chinese)

13 RIADHMUHMMED Hussain, AHMAD Siti Anom Binti,MARHABANMOHDHAMIRUCE, et al.Infrared heating in food drying: an overview [J].Drying Technology, 2015, 33(3):322-335.

14 DAS I, DAS S K, BAL S. Drying performance of a batch type vibration aided infrared dryer[J]. Journal of Food Engineering, 2004, 64(1):129-133.

15 LIKITRATTANAPORN Charun,NOOMHORM Athapol. Effects of simultaneous parboiling and drying by infrared radiation heating on parboiled rice quality [J].Drying Technology, 2011, 29(9):1066-1075.

16 WANG J.A single-layer model for far-infrared radiation drying of onion slices [J].Drying Technology, 2002,20(10):1941-1953.

17 張麗麗,王相友,魏忠彩,等.紅外輻射干燥胡蘿卜切片結(jié)構(gòu)特性研究[J/OL].農(nóng)業(yè)機(jī)械學(xué)報,2016,47(7):246-251. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20160734&flag=1. DOI:10.6041/j.issn.1000-1298.2016.07.034. ZHANG Lili,WANG Xiangyou,WEI Zhongcai, et al.Structural properties research of infrared radiation drying for carrot slices[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2016,47(7):246-251.(in Chinese)

18 劉云宏,朱文學(xué),劉建學(xué).地黃真空紅外輻射干燥質(zhì)熱傳遞分析[J].農(nóng)業(yè)機(jī)械學(xué)報,2011,42(10):135-140. LIU Yunhong, ZHU Wenxue, LIU Jianxue. Mass and heat transfer analysis of vacuum infrared radiation drying on rehmanniae[J].Transactions of the Chinese Society for Agricultural Machinery,2011,42(10):135-140.(in Chinese)

19 謝小雷,張春暉,賈偉,等.連續(xù)式中紅外-熱風(fēng)組合干燥設(shè)備的研制與試驗[J].農(nóng)業(yè)工程學(xué)報,2015,31(6):282-289. XIE Xiaolei, ZHANG Chunhui, JIA Wei, et al. Development and test of continuous combined mid-infrared with hot air drying equipment[J].Transactions of the CSAE,2015,31(6):282-289.(in Chinese)

20 林喜娜,王相友.蘋果切片紅外輻射干燥模型建立與評價[J].農(nóng)業(yè)機(jī)械學(xué)報,2010,41(6)：128-132. LIN Xi’na, WANG Xiangyou. Modeling and evaluation of infrared radiation drying for apple slices [J]. Transactions of the Chinese Society for Agricultural Machinery, 2010, 41(6):128-132.(in Chinese)

21 李超新,張學(xué)軍,朱自成.基于神經(jīng)網(wǎng)絡(luò)紅棗紅外輻射干燥預(yù)測模型建立[J].農(nóng)機(jī)化研究，2015(5):220-223. LI Chaoxin, ZHANG Xuejun, ZHU Zicheng. Predicted model of red jujube infrared radiation drying based on artificial neural network [J]. Journal of Agriculture of Mechanization Research， 2015(5)：220-223.(in Chinese)

22 DHIB R. Infrared drying: from process modeling to advanced process control [J].Drying Technology, 2007, 25(1):97-105.

23 AFZAL T M, ABE T.Some fundamental attributes of far infrared radiation drying of potato [J].Drying Technology, 1999, 17(1-2):138-155.

24 LAMPINEN M J, OJALA K T, KOSKI E. Modeling and measurements of infrared dryers for coated paper [J].Drying Technology, 1991, 9(4):973-1017.

25 吳振,李紅,羅楊,等.銀耳紅外輻射干燥特性研究及動力學(xué)模型構(gòu)建[J].天然產(chǎn)物研究與開發(fā),2014(4):471-474,503. WU Zhen, LI Hong, LUO Yang, et al. Drying characteristics ofTremellafuciformisunder infrared ray and its kinetics model [J]. Natural Product Research and Development,2014(4): 471-474,503.(in Chinese)

26 李國勇.神經(jīng)模糊控制理論及應(yīng)用[M].北京:電子工業(yè)出版社,2009.

Model of Drying Process for Combined Side-heat Infrared Radiation and Convection Grain Dryer Based on BP Neural Network

DAI Aini1,2ZHOU Xiaoguang1LIU Xiangdong3LIU Jingyun4ZHANG Chi1

(1.SchoolofAutomation,BeijingUniversityofPostsandTelecommunications,Beijing100876,China2.ScienceandInformationCollege,QingdaoAgriculturalUniversity,Qingdao266109,China3.CollegeofEngineering,ChinaAgriculturalUniversity,Beijing100083,China4.SchoolofAutomation,BeijingUnionUniversity,Beijing100101,China)

The drying mechanism of combined side-heat infrared radiation and convection (IRC) grain dryer is more complicated compared with that of the traditional convection drying. In order to explore the model of uncertain system like the grain drying and application of BP artificial neural network method, a new intelligent prediction model for the combined side-heated IRC dryer used to predict the outlet core moisture content ratio and drying rate is developed based on BP neural network algorithm. The model which has three layer neural network structures (8-10-1) is trained and tested based on the train data set and test data set by programming the model in Matlab. The model inputs are the eight influence variables of grain dryer, and the model output is the outlet grain moisture ratio of the dryer or the drying rate. The corresponding mathematical expressions of moisture ratio and drying rate model are also given, and the determination coefficients (R2) of model prediction are 0.998 9 and 0.998 0, and the root mean square errors (RMSE) are 0.009 and 0.004 1, respectively. The predicted results are fitted well with the measured data, and the prediction accuracy is high. In addition, combined with the experimental drying conditions, the prediction results of the model are analyzed and summarized. According to the same method, the prediction model of outlet moisture ratio for the counter-current grain drying is also successfully established. By the comparison of predicted performance curves for two types of drying process, it is proved that the combined side-heat IRC drying has faster drying rate and less time to dry to the target moisture value than those of the conventional hot air convection drying. It can be used to predict the drying performance of different drying processes and to realize the comparison of different drying processes. In addition, compared with other grain drying mathematical models, various influence factors of grain drying can be comprehensively considered, which can provide a new modeling method for the complex system like the drying of combined side-heat IRC.

grain; combined infrared radiation and convection drying; BP neural network; prediction model

10.6041/j.issn.1000-1298.2017.03.045

2016-07-03

2016-08-09

國家糧食公益性行業(yè)科研專項(201413006)

代愛妮(1977—)，女，博士生，青島農(nóng)業(yè)大學(xué)講師，主要從事糧食干燥控制和智能控制研究，E-mail: dan20023@163.com

周曉光(1957—)，男，教授，博士生導(dǎo)師，主要從事控制理論及其在工程中的應(yīng)用研究，E-mail: zxg@bupt.edu.cn

TP273; S226

A

1000-1298(2017)03-0351-10