糧庫糧情智能監(jiān)測系統(tǒng)的設(shè)計與實現(xiàn)

孫曉全, 周光, 何志鋒, 馬劉正, 蘇睿, 江敏，胡建東

(1.河南省計量科學(xué)研究院，河南 鄭州 450008； 2.河南農(nóng)業(yè)大學(xué)機電工程學(xué)院，河南 鄭州 450002； 3.河南省農(nóng)業(yè)激光技術(shù)國際聯(lián)合實驗室，河南 鄭州 450002； 4.小麥玉米作物學(xué)國家重點實驗室，河南 鄭州 450002； 5.河南農(nóng)業(yè)大學(xué)生命科學(xué)學(xué)院，河南 鄭州 450002)

中國是世界上糧食生產(chǎn)、儲藏及消費大國。糧食儲藏工作直接關(guān)系到國家的安全和社會穩(wěn)定。早期糧情監(jiān)測主要關(guān)注儲糧溫度指標，采用單片機采集單一溫度，傳感器一般用熱敏電阻等電子測溫元件。隨著電子科技和計算機技術(shù)的發(fā)展，PC機作為控制中心，通過分線器進行多點溫度采集。近年來，糧情監(jiān)測系統(tǒng)受益于微處理器技術(shù)和通信技術(shù)發(fā)展，通過新型溫度傳感器和濕度傳感器的使用，出現(xiàn)了基于CAN 總線、RS485 總線的小型數(shù)字化監(jiān)測系統(tǒng)。目前，隨著糧庫檢測指標的不斷增多，及無線傳感器網(wǎng)絡(luò)技術(shù) ( Zigbee 技術(shù)、藍牙、GPRS)的發(fā)展，糧情監(jiān)測開始實時監(jiān)測傳感器指標變化，通過互聯(lián)網(wǎng)協(xié)議傳輸數(shù)據(jù)[1]，為糧食儲藏管理部門提供決策支持或執(zhí)行行動，從而提高儲存的糧食品質(zhì)和數(shù)量。目前糧食儲藏技術(shù)水平有了很大提高，但儲糧早期發(fā)生感染霉變一直是糧情監(jiān)控的難點。因此，了解糧食儲藏早期霉變的感染因素，采取相應(yīng)的安全防護措施，對搞好糧食儲藏安全尤為關(guān)鍵。

糧食在儲藏期間，微生物在一定條件下進行旺盛的呼吸作用，糧食、霉菌、蟲卵在適宜的環(huán)境下新陳代謝將會加快，消耗大量的氧氣并呼出大量的CO2氣體，使儲糧溫度不正常的上升現(xiàn)象時有發(fā)生，大量的能量使糧食發(fā)熱霉變[2-5]。糧食自身與周圍環(huán)境時刻進行著溫度、濕度、水分、氣體等的交換，其中以糧堆生物介質(zhì)呼吸為基礎(chǔ)對糧堆中的二氧化碳或氧氣含量變化進行監(jiān)測，以及針對蟲霉自身代謝或分解糧食組分產(chǎn)生的可氣化、可隨氣體抽提的化合物進行監(jiān)測，建立儲藏期間糧食與生態(tài)因子(生物因子、非生物因子)的相互關(guān)系及其變化規(guī)律，是防止儲糧早期霉變感染的有力措施。目前，國內(nèi)大部分糧庫僅監(jiān)測溫度和濕度2個參數(shù)，從而判定糧情級別無法解決多元因素構(gòu)成的復(fù)雜環(huán)境對糧食儲存的影響。因此，作者設(shè)計了一個低成本的多傳感器構(gòu)建的多參數(shù)實時監(jiān)測系統(tǒng)預(yù)測糧情，為監(jiān)測及判定糧庫的儲糧狀態(tài)提供依據(jù)。

1 糧情智能監(jiān)測系統(tǒng)的結(jié)構(gòu)及設(shè)計

1.1 糧情智能監(jiān)測系統(tǒng)的結(jié)構(gòu)

糧庫外界環(huán)境隨天氣和季節(jié)的變化都會影響到糧庫內(nèi)部的溫度、濕度和CO2濃度，糧情監(jiān)控裝置必須能夠?qū)崟r監(jiān)控糧庫內(nèi)外的參數(shù)變化，保證數(shù)據(jù)的實時有效，從而降低外界環(huán)境干擾[6-8]。為了實時監(jiān)測糧庫內(nèi)外的溫度、濕度和CO2濃度，作者設(shè)計的糧情智能監(jiān)測系統(tǒng)結(jié)構(gòu)如圖1所示。圖1A糧情智能監(jiān)控系統(tǒng)結(jié)構(gòu)設(shè)計思想，圖1B是糧情智能監(jiān)控系統(tǒng)結(jié)構(gòu)實施方案。糧情監(jiān)控系統(tǒng)采用一體化氣體管道采樣方式，通過多傳感器組成的嵌入式ARM9系統(tǒng)實現(xiàn)多參數(shù)采集，各參數(shù)的實時監(jiān)控、傳輸和處理，確保數(shù)據(jù)真實有效。

A.糧情智能監(jiān)測系統(tǒng)結(jié)構(gòu)設(shè)計思想； B.糧情智能監(jiān)測系統(tǒng)結(jié)構(gòu)實施方案A.The structure design of grain intelligent monitoring system； B.The structure and implementation scheme of grain intelligent monitoring system

從圖1可以看出，嵌入式ARM9核心控制器為上位機，下位機由STC單片機構(gòu)成。上位機和下位機之間由現(xiàn)場控制總線和輔助設(shè)備信號通迅聯(lián)系，信息交換快速可靠。多傳感器組成的敏感陣列捕捉糧庫室內(nèi)的溫度、濕度和CO2濃度等信息。糧庫內(nèi)多點實時敏感的信息由STC單片機構(gòu)成的信號采集器依次采集、放大、轉(zhuǎn)換和處理。15個采集區(qū)域的實測值是經(jīng)過STC單片機內(nèi)置算法加權(quán)融合處理后獲取的綜合值，傳輸給上位機-嵌入式ARM9核心控制器。同時糧庫外界環(huán)境的溫度、濕度和CO2濃度等信息也作為環(huán)境參考值。糧庫淺圓倉直徑25.00 m、高22.50 m，糧庫環(huán)境信息空間分布大。為減少糧庫不同平層和同一平層各位置間的信息波動，依據(jù)JJF1101—2003《環(huán)境試驗設(shè)備溫度、濕度校準規(guī)范規(guī)程》，采用3×5方式將糧堆以上空間均勻分為上、中、下3層[9]，每層布置5個采樣點(如圖1A所示)，中心點位于每層的中心位置、其他4個采樣點與淺圓倉內(nèi)壁的距離為2.5 m，將糧庫空間分為15個采集區(qū)域，通過15個分支管道將指定區(qū)域內(nèi)的氣體傳輸?shù)綒怏w采集室(如圖1B所示)。糧情監(jiān)測裝置集信號采集室、多傳感器陣列、氣體管道切換裝置、STC單片機信號采集器和嵌入式ARM9核心控制器于一體，實現(xiàn)不同位置多信息實時快捷采集、處理和監(jiān)控。

1.2 糧情智能信號采集及控制系統(tǒng)

糧情智能信號采集及控制系統(tǒng)的上位機嵌入式ARM9核心控制器，采用RS232串口通信協(xié)議與下位機單片機控制模塊進行交互通信。上位機向下位機發(fā)送控制指令，下位機接受并響應(yīng)指令，通過控制總線向現(xiàn)場控制設(shè)備發(fā)送信號，通過繼電器實時響應(yīng)、循環(huán)切換氣體管道實現(xiàn)對糧庫不同區(qū)域環(huán)境信息的采集工作。單片機控制模塊是糧情智能采集及控制系統(tǒng)的核心組成，起承上啟下作用，主要完成環(huán)境信息(濕度、溫度、CO2濃度等)的采集工作。糧情智能信號采集及控制系統(tǒng)如圖2所示。

圖2 糧情智能監(jiān)測系統(tǒng)的信號采集與控制流程 Fig.2 Signal acquisition and control flow of the grain situation intelligent monitoring system

ARM9核心控制器實時可以顯示及處理氣體環(huán)境信息，完成儲糧安全級別預(yù)測，儲糧安全級別能否判定準確與CO2、溫度、濕度等參數(shù)[10]密切相關(guān)。因此，儲糧環(huán)境信息采集過程必須保證傳感器的兼容有效性。CO2傳感器選用美國GET6615傳感器，對CO2有良好的靈敏度和選擇性，受溫濕度的變化影響較小，精度2%。溫濕度傳感器選擇瑞士HC2-S(羅卓尼克)溫濕度探頭，采用兩路模擬量信號輸出，精度分別達到±0.8%和相對濕度±0.1℃。

1.3 糧情智能監(jiān)測控系統(tǒng)的設(shè)計

糧情智能監(jiān)測系統(tǒng)的信號采集與處理如圖3所示。

A.上位機-ARM9信號中央處理單元；B.糧情監(jiān)測系統(tǒng)軟件界面；C.信號采集及控制單元；D.下位機-STC單片機控制單元。A.The upper computer-ARM9 signal central processing unit; B.The software interface of grain monitoring system; C.Signal acquisition unit and control unit; D.The Lower machine-STC MCU control unit.

糧情智能監(jiān)測系統(tǒng)的信號采集與處理裝置的設(shè)計，上位機以嵌入式ARM9為硬件平臺，采用S3C2440A核心處理器為基礎(chǔ)，通過人機交互的方式使信息采集、融合處理、預(yù)測更加鮮明直觀。下位機采用STC單片機控制模塊分別構(gòu)建信號采集與外圍設(shè)備控制單元。其中，信號采集單元由電源、信號放大濾波及A/D轉(zhuǎn)換等模塊組成；外圍設(shè)備控制單元由外圍控制總線、控制裝置及多氣體采集切換通道等組成。糧情監(jiān)控系統(tǒng)模塊結(jié)構(gòu)如圖4所示。

圖4 糧情監(jiān)測系統(tǒng)模塊結(jié)構(gòu) Fig.4 The module structure of the grain monitoring system

糧情智能監(jiān)測系統(tǒng)軟件采用 Microsoft Visual Studio 2010開發(fā)平臺、使用VC++開發(fā)語言，建立MFC-智能糧庫監(jiān)測系統(tǒng)工程應(yīng)用程序。采用面向?qū)ο蟮木幊趟枷?，系統(tǒng)軟件主要包括：上位機智能監(jiān)測系統(tǒng)程序、單片機控制程序、糧情信息采集程序、外圍控制設(shè)備程序等。上位機智能監(jiān)測系統(tǒng)程序分為：系統(tǒng)監(jiān)測程序、多區(qū)域信息融合模塊和BP算法預(yù)測模塊三大部分。

2 結(jié)果與分析

2.1 糧情信息加權(quán)融合

因為不同地理區(qū)域的糧庫氣體環(huán)境流通性不同，為了消除誤差,采用15個采集區(qū)域數(shù)據(jù)融合作為一組預(yù)測因子，試驗前首先對傳感器進行標定及修正處理，通過拉依達準則對多傳感器所采集15個區(qū)域的數(shù)據(jù)信息進行粗大誤差剔除，然后對實測正常數(shù)據(jù)進行加權(quán)融合，將其加權(quán)融合后的平均值作為糧情監(jiān)測模型的輸入因子，多傳感器信息加權(quán)融合與處理結(jié)構(gòu)如圖5所示。

2.2 糧情BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型建立

由于BP神經(jīng)網(wǎng)絡(luò)對復(fù)雜的非線性系統(tǒng)具有很強的自適應(yīng)性和自學(xué)習(xí)能力[11]，能以任意精度逼近非線性函數(shù)，滿足糧庫相關(guān)多因素環(huán)境特征。因此，本實驗糧情監(jiān)測裝置采用適應(yīng)性很強的3層反饋神經(jīng)網(wǎng)絡(luò)算法進行學(xué)習(xí)、訓(xùn)練及預(yù)測。

圖5 多傳感器信息加權(quán)融合Fig.5 Weighted fusion of the signals from the multi-sensor based monitoring system

糧情監(jiān)測網(wǎng)絡(luò)選取均方誤(MSE)為糧情監(jiān)測網(wǎng)絡(luò)的評價標準，神經(jīng)元輸入層包括3種因素(糧庫內(nèi)外溫度差值、濕度差值、CO2濃度差值)。隱含層是連接輸入輸出的橋梁，隱含層節(jié)點個數(shù)默認為12，采用logsig傳遞函數(shù)；輸出層采用歸一化的微生物活性值指標，選用transig傳遞函數(shù)，如圖6A所示。

從圖6B和圖6C中整體效果可知，通過糧庫內(nèi)外環(huán)境差值進行預(yù)測與倉內(nèi)環(huán)境預(yù)測相比，倉內(nèi)環(huán)境預(yù)測法在6 000次左右達到最小誤差，差值預(yù)測在2 500次左右達到系統(tǒng)最小誤差，學(xué)習(xí)速度明顯更快，且能滿足系統(tǒng)要求的最小誤差。差值預(yù)測與倉內(nèi)環(huán)境預(yù)測網(wǎng)絡(luò)相比，有效地抑制了局部最小點，避免了倉外環(huán)境對糧情網(wǎng)絡(luò)造成的擾動；差值預(yù)測法在初始階段收斂速度較慢，過度階段的訓(xùn)練誤差下降平穩(wěn)，收斂階段迅速達到最小誤差，使糧情網(wǎng)絡(luò)有效避免前期糧情數(shù)據(jù)的不穩(wěn)定性。

A.BP神經(jīng)網(wǎng)絡(luò)預(yù)測拓撲結(jié)構(gòu)；B.環(huán)境差值的網(wǎng)絡(luò)訓(xùn)練效果 ； C.倉內(nèi)環(huán)境的網(wǎng)絡(luò)訓(xùn)練效果。A.The topological structure of prediction based on BP neural network； B.The network training effect of environment difference; C.The network training effect of warehouse environment.

2.3 糧情預(yù)測結(jié)果

參考生物學(xué)研究成果[12]和分析建立糧庫環(huán)境模型，逆向推導(dǎo)出糧庫CO2濃度對糧情判定的標準[13-14]，可知微生物的活性值直觀地反映了儲糧安全狀況。因此，網(wǎng)絡(luò)輸出層安全指標采用微生物的活性值，在此輸出層安全指標默認歸一化活性值[-1，1]，如表1所示。

表1 輸出層安全指標的定義Table 1 Definitions of the safety indexes at the output levels

以中糧(鄭州)產(chǎn)業(yè)園糧庫信息為樣本，BP神經(jīng)網(wǎng)絡(luò)糧情監(jiān)測模型采用2014—2016年小麥信息樣本作為訓(xùn)練數(shù)據(jù)，采用2017—1018年的小麥信息樣本進行預(yù)測和驗證。為了消除誤差波動性，取10次預(yù)測結(jié)果的算術(shù)平均值作為最終輸出指標，如表2和表3。

表2 采用糧庫內(nèi)的溫度、濕度、CO2糧情預(yù)測結(jié)果Table 2 Prediction effect of the grain situation monitoring system by applying the temperature, humidity, CO2 inside granary

表3 采用糧庫內(nèi)外的溫度、濕度和CO2的差值糧情預(yù)測結(jié)果Table 3 Prediction effect of the grain morning system by applying the difference between the temperatures, humidities, CO2 concentrations in granary and outer environment

由表2和表3可知，本模型采用糧庫內(nèi)外環(huán)境溫度差值、濕度差值、CO2濃度差值信息作為輸入因子，對糧情信息進行預(yù)測，輸出指標更加接近期望值，預(yù)測最大絕對誤差為0.02，最大相對誤差為5.66%；而采用常規(guī)溫度、濕度和CO2濃度進行預(yù)測，預(yù)測最大絕對誤差為0.04，其最大相對誤差為11.11%。因此，采用差值預(yù)測結(jié)果精度更高、誤差更小。

3 結(jié)論

作者設(shè)計了一個糧庫糧情智能監(jiān)測系統(tǒng)，并對建立的糧情預(yù)測模型進行了實例驗證。將糧庫15個采樣區(qū)域的氣體環(huán)境信息作為樣本，通過管道循環(huán)切換的采樣方式，在氣體儲藏室完成各區(qū)域樣本信息的模塊化采集?；贐P神經(jīng)網(wǎng)絡(luò)建立的糧情安全級別預(yù)測模型，通過采集糧庫倉內(nèi)氣體環(huán)境信息(溫度、濕度、CO2濃度)，并于倉外氣體環(huán)境信息進行對比試驗、通過BP神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練、學(xué)習(xí)及預(yù)測儲糧危險等級。結(jié)果表明，倉內(nèi)外氣體環(huán)境差值作為糧情輸入因子，系統(tǒng)預(yù)測的最大絕對誤差為0.02，最大相對誤差為5.56%，并且糧情誤差曲線收斂整體平滑，抑制了曲線的局部波動，從而降低了外界環(huán)境對糧情判定造成的影響。