基于灰色預(yù)測和SVM的茶葉烘焙溫濕度預(yù)測

趙合勝

(湖南環(huán)境生物職業(yè)技術(shù)學院 醫(yī)學院，湖南 衡陽 421005)

工業(yè)和農(nóng)業(yè)的生產(chǎn)進程中，溫度值和濕度量是關(guān)系著產(chǎn)品的生產(chǎn)質(zhì)量的兩個重要環(huán)境變量，人們經(jīng)常必須要同時對溫度和濕度進行控制.綠茶精細制作的關(guān)鍵的最后一道工序那就是恒溫環(huán)境中的干燥，這一步的目的就是為了不讓綠茶原有的色澤和香氣流失，以利于保持清香型烏龍茶翠綠的色澤和高銳的清香[1-2].綠茶精制過程中有一道關(guān)鍵的工藝就是茶葉烘焙，這道工藝的效果對茶葉的保存時間、茶香及口感有很大的影響.目前，國內(nèi)的綠茶烘焙手段主要使用的是炭焙和機焙兩種方式，機焙是由人工使用木炭焙籠來烘制，操作過程由人工控制，操作工人的經(jīng)驗對烘焙效果影響比較大，茶葉質(zhì)量難以得到穩(wěn)定的控制；機焙采用電烘箱進行烘焙，使用較為廣泛，國內(nèi)外學者主要在溫度和濕度控制方面進展飛速.文獻[3]設(shè)計提出了一個用于控制溫度量的模擬正交神經(jīng)網(wǎng)絡(luò)控制器，其主要應(yīng)用于電熱干燥方向；文獻[4]針對于研究恒溫箱內(nèi)的溫度環(huán)境變量控制的這一優(yōu)化問題，設(shè)計的電加熱器輸出功率溫度值的誤差往往大于5 ℃的，濕度誤差大于8%；文獻[5]對夏季時節(jié)溫室的溫度和濕度控制用的是模糊神經(jīng)網(wǎng)絡(luò)，這一方式將遺傳算法和模糊邏輯以及神經(jīng)網(wǎng)絡(luò)這3個算法進行了有機地結(jié)合后，將其應(yīng)用于夏天溫室的溫度及濕度同步控制.針對綠茶烘焙過程,伴隨著復(fù)雜的物質(zhì)交換和熱交換,溫度及濕度不斷變化并會伴隨嚴重的耦合現(xiàn)象發(fā)生.文獻[6]則就這個缺陷設(shè)計出了一種以逆模型解耦的變論域作為基礎(chǔ)的模糊控制方式.該文方法能夠有效提升綠茶烘焙過程的控制效果,提供了一種控制綠茶烘焙過程的新途徑.

在烘焙過程中，溫、濕度的控制非常重要，由于整個過程中的物理、化學環(huán)境的變化，會導致溫、濕度相互影響，形成非線性耦合情況，所以建立綠茶烘焙加工階段誤差率極小的數(shù)學模型是有很大困難的，如果只是僅選用文獻上面所述的控制方法以及各種策略是無法輕易地保證綠茶烘焙過程溫濕度的精確控制，因此有必要進行綠茶烘焙過程工藝分析，建立烘焙過程溫濕度預(yù)測模型，對于保證后續(xù)綠茶烘焙過程的穩(wěn)定控制起到了關(guān)鍵性的作用.

灰色預(yù)測能對系統(tǒng)的將來行為進行超前控制，所以得出來的控制策略對該系統(tǒng)比較適應(yīng).它的結(jié)構(gòu)簡單，并且自適應(yīng)性和實時性在它身上有較強的體現(xiàn).對于復(fù)雜系統(tǒng)動態(tài)變化的過程它也是同樣適用的[7].烘焙工藝物理、化學過程的復(fù)雜性，單一的預(yù)測模型難以較好地進行有效預(yù)測，而基于統(tǒng)計學習理論(Statistical Learning Theory,SLT)的支持向量機算法(Support Vector Machine,SVM)——一種新型機器學習方法卻比較可行.綠茶烘焙是隨機進行的，支持向量機(簡稱SVM)算法針對這樣的一類具有非線性和小樣本控制對象特性的過程也有著極優(yōu)的學習能力，甚至于泛化能力[8].因此本文針對綠茶烘焙過程的復(fù)雜特性，提出一種基于灰色預(yù)測和SVM的綠茶烘焙過程溫濕度預(yù)測模型，該模型首先利用灰色預(yù)測模型和SVM，分別對綠茶烘焙過程溫濕度做預(yù)估，為了將兩者進行有機融和，筆者選用熵值法確定各預(yù)測子模型的加權(quán)系數(shù)，進而得到了更為精準的綠茶烘焙過程溫濕度預(yù)測模型結(jié)果，保證溫濕度的穩(wěn)定控制.

1 綠茶烘焙集成預(yù)測模型

茶葉烘焙過程由于電熱絲和風機性能會呈現(xiàn)一點曲線變化，爐內(nèi)熱交換等物理、化學變化等因素影響，使得整個系統(tǒng)呈高度非線性狀態(tài)，難以構(gòu)造精確模型.一些學者利用基于專家規(guī)則的前饋補償方法對綠茶烘焙過程進行解耦控制，其控制算法環(huán)境適應(yīng)性較差.本文采用集成思想將灰色預(yù)測模型和SVM模型進行集成，建立綠茶烘焙的集成預(yù)測模型.

1.1 綠茶烘焙灰色預(yù)測模型

通過對綠茶烘焙溫濕度的數(shù)據(jù)進行分析，可知綠茶烘焙溫濕度的預(yù)估是帶有灰色特性的，所以溫度量和濕度量的預(yù)估問題是允許使用灰色預(yù)測來做預(yù)估的.本文以溫度為例建立綠茶烘焙溫度灰色預(yù)測模型.

假設(shè)系統(tǒng)中，溫度的原始時間序列為：X(0)={X(0)(1),X(0)(2),…，X(0)(m)}，考慮到整個過程中的溫、濕度會有瞬時性的峰值變動，所以直接用初始序列會產(chǎn)生比較大的誤差值.筆者綜合考慮新近時刻得到的數(shù)據(jù)與未來時刻的溫度變量數(shù)值關(guān)聯(lián)性比較大，為了能讓本預(yù)測數(shù)據(jù)和實際的綠茶烘焙過程溫度變化曲線相一致，故采用了加權(quán)平滑的方法來處理原始數(shù)列，使得其變化趨勢更為均衡，讓溫度預(yù)測更加精準.我們采取加權(quán)生成算子來平滑處理茶葉烘焙溫度的初始數(shù)據(jù)，如式(1)所示.

x′(k)=v1·x′(k)+v2·x′(k-1)+v3·x′(k-2)

(1)

(2)

最后，累減還原求解公式，得出溫度量的預(yù)測模型.

1.2 綠茶烘焙SVM預(yù)測模型

由Vapnik等研究者提出來的SVM算法不但能夠有效地進行非線性數(shù)據(jù)的處理，而且能限制過學習，另一方面又具有嚴格的理論及其數(shù)學的基礎(chǔ)，剔除了局部極值，針對于網(wǎng)絡(luò)的入侵檢測這樣的小樣本學習上的應(yīng)用具有很優(yōu)的泛化能力，不過分依賴于樣本的數(shù)量.標準SVM是一個凸二次優(yōu)化的問題，它總是能夠找到全局的最優(yōu)解.然而當訓練樣本的數(shù)量增加的時候，因為有過于多的約束，從而大幅度增加了訓練的時間以及內(nèi)存需求，這個問題是SVM應(yīng)用于實際的一大障礙.為了達到提高SVM的訓練效率的目的，Suyken教授嘗試改變一下標準SVM的約束條件以及風險函數(shù)，并由此提出了LS-SVM，即最小二乘支持向量機.LS-SVM的訓練僅僅需要求解一個線性方程組，使得SVM易于實現(xiàn)，并極大程度上提高了SVM訓練的效率.所以，筆者采用LS-SVM方法作為綠茶烘焙溫濕度的預(yù)測方法.本文以溫度為例建立綠茶烘焙溫度SVM預(yù)測模型.

設(shè)綠茶烘焙溫度預(yù)測訓練樣本集表示為(x1,x2,x3,x4,y)，其中，x1表示輸入樣本種類，x2為電熱絲溫度，x3為風機轉(zhuǎn)速，x4為當前采樣時刻綠茶烘焙溫度，y表示輸入樣本對應(yīng)的下一采樣時刻的溫度.進行線性回歸，得到：

f(x)=[ω×φ(x)]+bφ:Rn→F,ω∈F

(3)

式(3)中，b是閾值.這一逼近問題等價于

(4)

式(4)中，‖ω‖2是平坦復(fù)雜性，C是懲罰因子，Rreg(f)是目標函數(shù)，s為樣本數(shù)量，Remp(f)是風險函數(shù),λ是調(diào)整常量.

(5)

對式(5)進行極小化處理，可以得到SVM回歸函數(shù)，并采用拉格朗日乘子法以及核函數(shù)的方法來解決LM-SVM問題，從而進一步簡化這個問題的線性方程組，然后求解，從而構(gòu)建出綠茶烘焙溫度集成預(yù)測模型.

1.3 綠茶烘焙集成預(yù)測模型

我們必須集成從時間角度出發(fā)建立的灰色預(yù)測模型和從空間角度建立的SVM溫度預(yù)測模型，來達到使預(yù)測結(jié)果無限靠近茶葉烘焙溫度量和濕度量的實際數(shù)值.筆者融合集成思想，采用熵值法確定最優(yōu)加權(quán)系數(shù)，然后加權(quán)集成了灰色預(yù)測模型和SVM模型使其目標函數(shù)以預(yù)測偏差平方和最小，建立兼有兩者預(yù)測輸出的綠茶烘焙集成預(yù)測模型，來預(yù)測產(chǎn)生最終結(jié)果.圖1是綠茶烘焙集成預(yù)測模型.

圖1 綠茶烘焙預(yù)測模型的集成

2 試驗分析

試驗樣本選用產(chǎn)自江蘇的碧螺春半成品，樣本分為兩份各10 kg，用于對比試驗.采用目前綠茶烘焙過程中常用的PID算法以及上面試驗推導出來的控制方法，對系統(tǒng)性能進行對比試驗.其中，溫度設(shè)定值為75℃，相對濕度設(shè)定值為30%.針對碧螺春生產(chǎn)工藝所采集的歷史數(shù)據(jù)，建立灰色預(yù)測模型(GST)和SVM并分別預(yù)測綠茶烘焙溫濕度數(shù)據(jù)，采用熵值法計算出綠茶烘焙集成預(yù)測模型中GST和SVM的加權(quán)系數(shù).文中選擇樣本點為50個.選用絕對值平均相對偏差MAPE和均方根相對偏差MSE用以評價三種不同模型的預(yù)測效果和各自的性能(見表1).與灰色預(yù)測模型相比較來說集成預(yù)測模型的預(yù)測性能得到了許多改善：它的MSE由最初的0.010減少到了0.006，而MAPE則由0.015減少到了0.012.這兩個評價指標值的降低，足以證明集成預(yù)測模型比灰色預(yù)測模型預(yù)測精度高并且性能好.而與SVM神經(jīng)網(wǎng)絡(luò)模型相比較的話，集成預(yù)測模型的MSE則由0.013降低到0.006，MAPE由0.020降低到0.012，這些數(shù)據(jù)也能夠證明集成預(yù)測模型比SVM模型預(yù)測精度高且性能好.即集成預(yù)測模型明顯優(yōu)于兩種預(yù)測模型.

表1 三種模型性能與誤差對照表

圖2 溫度對比試驗曲線

采用本文提出的預(yù)測方法+PID控制后，圖2分別為在烘焙過程中溫度變化試驗對比曲線.由于采用了預(yù)測模型，控制精度相對于傳統(tǒng)的PID方法有了較大的提高，較好的保證了溫濕度的精確控制，提升了綠茶香氣和品質(zhì).

3 結(jié)論

本文在對綠茶烘焙過程深入分析的基礎(chǔ)上，針對綠茶烘焙過程中，物理化學復(fù)雜，溫、濕度之間具有很強的耦合度，提出了一種基于模糊系統(tǒng)解耦茶葉烘焙溫濕度控制方法.首先采用單獨PID控制器分布對溫濕度進行控制，然后采用模糊解耦控制方法，實現(xiàn)溫、濕度補償解耦，應(yīng)用效果表明了該方法的有效性.