好氧堆肥曝氣供氧量預測系統(tǒng)的設(shè)計

丁國超，徐艷婷，胡軍，施雪玲

（黑龍江八一農(nóng)墾大學，大慶 163319）

好氧堆肥是多種有機好氧微生物在一定條件下轉(zhuǎn)化為可溶性營養(yǎng)物質(zhì)和腐殖質(zhì)的過程，并可通過產(chǎn)生高溫，殺滅病原微生物。發(fā)酵產(chǎn)物既可以作為土壤改良劑，又可以作為農(nóng)作物的營養(yǎng)源，以實現(xiàn)原料的無害化[1]。

堆肥一直是我國處理有機廢棄物最有效、最環(huán)保的方法之一[2]。堆肥過程的監(jiān)測方法也在不斷發(fā)展，人工監(jiān)測是最早對堆肥的監(jiān)測手段，采用溫度計測量堆肥幾個點的溫度，但這種測量方法測量數(shù)據(jù)單一，且測量范圍較小，費時費力，數(shù)據(jù)量少，不利于統(tǒng)計和分析。經(jīng)過發(fā)展，溫度傳感器代替溫度計，但監(jiān)測由于反應(yīng)器本體體積較大，上部與中部溫差可能較大，導致測量結(jié)果不準確[3-5]。目前，監(jiān)測手段普遍使用多點溫度探頭、氧濃度探頭、二氧化碳濃度探頭，生物傳感器、免疫傳感器、紅外光譜等[6-8]對堆肥物料參數(shù)進行監(jiān)測，測量準確，效率顯著提升。尤其無線傳輸技術(shù)被應(yīng)用后，通過采集信息和分析數(shù)據(jù)來控制機械設(shè)備的運作，形成了一個完善的堆肥在線監(jiān)控系統(tǒng)，綜合分析整個堆肥的狀態(tài)，更好的掌控堆肥反應(yīng)[9-10]。

為完善好氧堆肥曝氣量監(jiān)測系統(tǒng)，實時監(jiān)測堆肥狀態(tài)，提高堆肥效率，利用Matlab App Designer設(shè)計了好氧堆肥曝氣預測系統(tǒng)界面，對預測系統(tǒng)進行初步搭建。將影響好氧堆肥曝氣量的因素，如氧氣濃度、溫度、濕度和室溫作為輸入量，好氧堆肥過程中釋放的曝氣供氧量作為輸出量，建立基于GA-BP神經(jīng)網(wǎng)絡(luò)的曝氣供氧量預測模型。通過STM32F103單片機將傳感器采集到的數(shù)據(jù)實時傳輸?shù)筋A測系統(tǒng)中，對數(shù)據(jù)進行運算處理，預測曝氣供氧量，根據(jù)預測數(shù)據(jù)控制曝氣閥門，從而提高實驗效率與準確性，實現(xiàn)精準曝氣。

1 實驗裝置及數(shù)據(jù)來源

1.1 實驗裝置

好氧堆肥實驗設(shè)備由北京市農(nóng)林科學院科技成果展示示范溫室提供，實驗原料由北京市密云區(qū)海華沼氣廠提供的雞糞和玉米秸稈。

好氧堆肥實驗裝置如圖1所示主要結(jié)構(gòu)分為三個單元：好氧發(fā)酵、測控和曝氣[11]。設(shè)計好氧堆肥曝氣供氧量預測系統(tǒng)，對好氧發(fā)酵過程的溫度、濕度、氧氣濃度以及室溫進行實時監(jiān)控，通過發(fā)酵罐內(nèi)的傳感器采集好氧發(fā)酵過程中各參數(shù)變化信息[12]。

圖1 好氧堆肥實驗裝置結(jié)構(gòu)簡圖Fig.1 Structure of aerobic composting experimental device

1.2 數(shù)據(jù)來源及選取

實驗選取的數(shù)據(jù)為2019年1月4日至2019年1月22日的海華沼氣廠3號雞糞和秸稈的反應(yīng)堆數(shù)據(jù)，實驗輸入數(shù)據(jù)為室溫、氧氣濃度、溫度和濕度，輸出數(shù)據(jù)為曝氣量。在實驗中選取268組有效數(shù)據(jù)作為數(shù)據(jù)樣本，其中的218組作為輸入數(shù)據(jù)，50組數(shù)據(jù)作為測試樣本，計算誤差并分析模型效果。

2 預測模型的建立與分析

2.1 GA-BP神經(jīng)網(wǎng)絡(luò)預測模型的建立

由于原始數(shù)據(jù)中不同的維數(shù)間的數(shù)值差距較大，為了提高訓練速率和運算精度，先對數(shù)據(jù)進行有效化預處理，再對數(shù)據(jù)做歸一化處理[13]。重構(gòu)基于BP神經(jīng)網(wǎng)絡(luò)的好氧堆肥曝氣量的預測模型如圖2所示：

圖2 基于BP神經(jīng)網(wǎng)絡(luò)建立的好氧堆肥曝氣量預測模型Fig.2 Prediction model of aerobic composting aeration rate based on BP neural network

BP神經(jīng)網(wǎng)絡(luò)在訓練時存在的缺點較為明顯，像是容易陷入局部極值增加訓練時間、訓練過程收斂速度過慢等，而遺傳算法則是從其他方面改善了BP神經(jīng)網(wǎng)絡(luò)訓練過程的缺陷，解決了非線性和多維空間尋優(yōu)的問題[14]。將BP神經(jīng)網(wǎng)絡(luò)和遺傳算法相結(jié)合，建立基于GA-BP神經(jīng)網(wǎng)絡(luò)的曝氣供氧量預測模型。遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，主要利用遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和訓練閾值[15]，通過遺傳算法的選擇、交叉和變異等操作獲取最優(yōu)的適應(yīng)度參數(shù)，將獲取的最優(yōu)適應(yīng)度參數(shù)對BP神經(jīng)網(wǎng)絡(luò)進行新一輪的賦值和訓練，最終得出基于GA-BP神經(jīng)網(wǎng)絡(luò)的曝氣供氧量預測模型的最優(yōu)網(wǎng)路訓練參數(shù)，GA-BP神經(jīng)網(wǎng)絡(luò)預測模型的參數(shù)如表1所示。

表1 GA-BP神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置Table 1 Parameter setting of GA-BP neural network

其算法流程如圖3所示：

圖3 算法流程圖Fig.3 Algorithm flow chart

為了能夠全面準確的評價曝氣供氧預測模型性能，選用平均絕對誤差（MAE）、平均絕對百分誤差（MAPE）和均方根誤差（MSE）作為評價指標[16-17]。

2.2 GA-BP神經(jīng)網(wǎng)絡(luò)預測模型的分析

由圖4可知，GA-BP神經(jīng)網(wǎng)絡(luò)算法和標準BP神經(jīng)網(wǎng)絡(luò)算法的預測值和真實值比較，GA-BP神經(jīng)網(wǎng)絡(luò)預測結(jié)果與真實值的差值幾乎為0，預測結(jié)果相比標準的BP神經(jīng)網(wǎng)絡(luò)算法更接近真實值，準確性更高。

圖4 BP與GA-BP結(jié)果比較Fig.4 Comparison of BP and GA-BP results

由表2可知，遺傳優(yōu)化BP的算法預測的數(shù)據(jù)相比標準BP算法得出的準確率要高得多，標準BP算法的準確率僅96.481 2%，經(jīng)優(yōu)化后準確率可達到98.979 7%。GA-BP模型中MAE、MAPE以及MSE分別是0.042 595、0.003 693 9以及0.002 28，相對先前BP神經(jīng)網(wǎng)絡(luò)而言，依次減少了73.238 2%、71.004 3%和87.809 6%，GA-BP的評價指標值更小，因此GABP算法的預測值更加準確。由此可見，GA-BP算法已經(jīng)得到了極大的優(yōu)化，精確率相比標準的算法而言有了極大的提高，可以更準確地對曝氣供氧量進行預測，為下一次曝氣提供數(shù)據(jù)。

表2 BP與GA-BP算法評價指標Table 2 BP and GA-BP algorithm evaluation index

該模型與標準的BP神經(jīng)網(wǎng)絡(luò)算法相比，在曝氣供氧量預測中具有準確的預測效果；研究內(nèi)容評價指標均優(yōu)于BP神經(jīng)網(wǎng)絡(luò)預測結(jié)果，能夠很高的預測曝氣供氧量。該模型可滿足好氧堆肥的曝氣供氧量需要，作為好氧堆肥曝氣供氧量預測系統(tǒng)的預測模型基礎(chǔ)。

3 系統(tǒng)硬件部分設(shè)計

3.1 硬件系統(tǒng)開發(fā)環(huán)境

使用KeilμVision5軟件作為集成開發(fā)環(huán)境，為STM32F103單片機提供良好的環(huán)境基礎(chǔ)，采用C語言進行開發(fā)，將固件庫中關(guān)鍵文件、芯片啟動文件等復制到工程目錄中，在Files中添加各分組需要的文件，設(shè)置.h頭文件路徑，完成了軟件環(huán)境的初始搭建，說明程序開發(fā)前的工作已經(jīng)完成，在開發(fā)軟件過程中可以根據(jù)使用功能進行不同的參數(shù)設(shè)置。完成主函數(shù)編寫后進行試運行，試運行也沒有任何編譯上的錯誤，就可以生成HEX文件，將其下載到STM-32F103單片機中，這樣就完成程序的初始搭建[18]。

借助jzx875無線通訊模塊，為下位機與上位機搭建數(shù)據(jù)交互通道。jzx875無線通信模塊通過收發(fā)器建立透明的傳輸通道，分別連接下位機和上位機的串口，上傳和存儲采集的數(shù)據(jù)。選用北京農(nóng)業(yè)智能裝備技術(shù)研究中心自主研發(fā)的STM-100型溫濕度一體型傳感器和SST氧氣傳感器；控制系統(tǒng)選用北京農(nóng)業(yè)智能裝備技術(shù)研究中心自主研發(fā)的ASE-300控制板作為下位機控制器[19]。

3.2 硬件系統(tǒng)工作流程

系統(tǒng)的設(shè)計主要分為預初始化、傳感器數(shù)據(jù)采集、數(shù)據(jù)顯示、存儲和傳輸[20-21]。如圖5所示為預測系統(tǒng)的流程圖。

圖5 好氧堆肥曝氣供氧量預測系統(tǒng)的流程圖Fig.5 Flow chart of aeration oxygen supply prediction system for aerobic composting

初始化部分主要包括系統(tǒng)中斷優(yōu)先級設(shè)置和定時器函數(shù)的初始化。系統(tǒng)初始化完成后，進入到主控程序中，控制各個傳感器進行數(shù)據(jù)采集，將采集參數(shù)按照指定的參數(shù)讀取方式進行計算，通過無線串口模塊進行數(shù)據(jù)收發(fā)，在上位機界面將接收到的采集數(shù)據(jù)進行顯示并存儲到數(shù)據(jù)庫當中。

4 系統(tǒng)軟件界面設(shè)計

采用Matlab設(shè)計一個實時監(jiān)測界面，在Matlab中，對數(shù)據(jù)進行預處理和建模，并在AppDesigner中設(shè)計一個好氧堆肥曝氣供氧量預測系統(tǒng)界面，接口可以實時顯示下位機采集到并發(fā)送到上位機的數(shù)據(jù)，預測系統(tǒng)可生成exe文件，脫離Matlab環(huán)境單獨使用，操作方便快捷。

在初步設(shè)計的應(yīng)用程序界面中，應(yīng)用到基本設(shè)計按鈕，包括按鈕、滑塊、選擇按鈕、文本、面板和其他可用的選項，好氧堆肥曝氣供氧量預測系統(tǒng)界面如圖6所示。實現(xiàn)了實時數(shù)據(jù)顯示、預測數(shù)據(jù)顯示、串口數(shù)據(jù)接收、數(shù)據(jù)搜索和閥門控制等功能。

圖6 好氧堆肥曝氣供氧量預測系統(tǒng)界面設(shè)計Fig.6 Interface design of aeration oxygen supply prediction system for aerobic composting

據(jù)預期的功能安排，設(shè)計每個模塊所需的文本、按鈕和下拉選項。針對每個控件的功能設(shè)計，實現(xiàn)相應(yīng)的回調(diào)函數(shù)?；卣{(diào)函數(shù)的設(shè)計主要對應(yīng)界面的主要功能。當按下按鈕時，執(zhí)行接收或輸出數(shù)據(jù)的指令，調(diào)用相應(yīng)的回調(diào)函數(shù)完成用戶界面對應(yīng)的程序指令，如表3所示。

表3 主要回調(diào)函數(shù)名與實際功能對應(yīng)表Table 3 Corresponding table of main callback function name and actual function

5 結(jié)論

初步搭建好氧堆肥曝氣量預測系統(tǒng)，以GA-BP神經(jīng)網(wǎng)絡(luò)好氧堆肥的曝氣供氧量預測模型為運算基礎(chǔ)，實現(xiàn)好氧堆肥實驗中對曝氣供氧量的預測和影響因素的監(jiān)測，計算曝氣速率并作為驅(qū)動閥門開關(guān)的理論依據(jù)，系統(tǒng)結(jié)構(gòu)簡單，操作方便。

結(jié)果表明，曝氣供氧預測模型能夠在好氧堆肥曝氣供氧預測系統(tǒng)中實時掌握影響的曝氣量因素和變化情況，為控制閥門曝氣提供理論支撐，提高了實驗中的曝氣效率，為好氧堆肥提供充足的氧氣，減少翻堆次數(shù)和增加實驗成功率。系統(tǒng)在實際應(yīng)用中，可實現(xiàn)較好監(jiān)測作用，具有一定的實用價值。