基于極限學(xué)習(xí)機的玉米干燥系統(tǒng)出機水分含量預(yù)測模型

邢思敏，高香蘭，林子木，王德華，曹英麗，曹 毅，劉國輝

（1.遼寧省糧食科學(xué)研究所，沈陽 110032；2.沈陽農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院，沈陽 110161）

近年來，糧食生產(chǎn)技術(shù)水平不斷提高。玉米作為我國的主要糧食作物之一，其生產(chǎn)和加工也受到了廣泛的關(guān)注。我國現(xiàn)有的玉米干燥系統(tǒng)自動化程度普遍較低，對水分監(jiān)測的及時性、準(zhǔn)確性差，直接影響到玉米干燥的品質(zhì)和效率，容易造成經(jīng)濟損失與資源浪費[1-3]。目前，針對糧食干燥系統(tǒng)或干燥過程的自動控制研究主要集中在常規(guī)控制方法上，如比例積分微分控制（proportional-integral-derivative control，PID）和模糊控制（fuzzy control，F(xiàn)C）[4-5]。這些方法可以實現(xiàn)對干燥過程的控制，但存在控制精度不高、適用性有限等問題。

神經(jīng)網(wǎng)絡(luò)具備較強的自適應(yīng)性、訓(xùn)練效率[6]?；谏窠?jīng)網(wǎng)絡(luò)的預(yù)測、分類控制模型已經(jīng)在農(nóng)業(yè)自動化領(lǐng)域得到廣泛應(yīng)用，如農(nóng)田管理環(huán)節(jié)的病蟲害預(yù)測[7]、農(nóng)作物營養(yǎng)水平監(jiān)測[8-9]、灌溉用水量預(yù)測[10]，農(nóng)產(chǎn)品生產(chǎn)環(huán)節(jié)的品種[11]、品質(zhì)分類識別等[12]。該類模型均體現(xiàn)了較高的精確度和實用性。國內(nèi)外研究團隊已經(jīng)開始探索基于神經(jīng)網(wǎng)絡(luò)的預(yù)測控制模型在干燥過程中的應(yīng)用。墨西哥韋拉克魯斯科技研究所有關(guān)團隊基于人工神經(jīng)網(wǎng)絡(luò)，構(gòu)建了木薯和芒果干燥過程熱質(zhì)傳遞預(yù)測模型，實現(xiàn)了對干燥過程的狀態(tài)監(jiān)測和控制[13]。MU?OZ 等[14]開發(fā)了人工神經(jīng)網(wǎng)絡(luò)模型（artificial neural network，ANN），模擬稻谷干燥過程并得到了較高的擬合度。吉林大學(xué)的研究團隊提出了基于反向傳播神經(jīng)網(wǎng)絡(luò)（back propagation network，BP）的連續(xù)式稻谷干燥機智能控制方法，基本實現(xiàn)了對稻谷干燥過程的精準(zhǔn)調(diào)控[15]。在王赫等[16]、雷得超等[17]針對玉米水分含量預(yù)測模型的研究中，BP神經(jīng)網(wǎng)絡(luò)均表現(xiàn)良好。這些研究實例都展現(xiàn)了神經(jīng)網(wǎng)絡(luò)在玉米干燥過程中亟待挖掘的能力與應(yīng)用前景[18-19]。

綜上所述，依托神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)玉米干燥系統(tǒng)出機水分含量的精準(zhǔn)預(yù)測，是提升玉米干燥技術(shù)水平及設(shè)備效率的關(guān)鍵環(huán)節(jié)。本研究旨在建立一種基于極限學(xué)習(xí)機（extreme learning machine,ELM）的預(yù)測模型，實現(xiàn)對出機玉米水分含量的精準(zhǔn)預(yù)測，為玉米干燥過程自動化和智能化控制提供模型基礎(chǔ)。

1 材料與方法

1.1 材料

試驗采購玉米籽?？傎|(zhì)量2 000 kg，產(chǎn)自遼寧省開原市，品種為M81；玉米供測試前未經(jīng)晾曬，濕基含水率為21.18%~23.01%，平均值22.11%。

1.2 試驗裝置

試驗裝置為批次式糧食干燥模擬試驗系統(tǒng)，系統(tǒng)工作原理與結(jié)構(gòu)如圖1和圖2。圖3為試驗期間溫濕度特征數(shù)據(jù)測定點的名稱與位置，所標(biāo)注位置裝有溫濕度傳感器，可實時采集玉米干燥過程溫濕度特征數(shù)據(jù)，通過電信號傳輸至可編程控制器（programmable logic controller，PLC）模塊，并儲存數(shù)據(jù)。

圖1 糧食干燥模擬試驗系統(tǒng)工作流程簡圖Figure 1 Grain drying simulation test system workflow sketch

圖2 糧食干燥模擬試驗系統(tǒng)正視圖Figure 2 Front view of grain drying simulation test system

圖3 溫濕度特征數(shù)據(jù)測定點Figure 3 Temperature and humidity characteristics mea‐surement points

1.3 試驗設(shè)計

試驗于2022年11月-2023年2月在遼寧省糧食科學(xué)研究所糧食干燥中試試驗間開展，選擇晴朗、無雨雪的天氣狀態(tài)下進(jìn)行玉米干燥試驗，單次樣品用量為（98±2）kg。為豐富數(shù)據(jù)變化范圍，更好地描繪干燥過程中的變化規(guī)律、理解每個特征的獨立作用以及相互影響，采用控制變量法分別調(diào)節(jié)干燥過程的熱風(fēng)溫度、干燥段溫度以及排糧頻率，設(shè)置8個平行試驗，每個試驗兩次重復(fù)，用于檢驗試驗的可重復(fù)性與結(jié)果的一致性，具體參數(shù)設(shè)置如表1。

表1 試驗參數(shù)設(shè)置表Table 1 Test parameter setting table

1.4 數(shù)據(jù)獲取

以啟動糧食干燥模擬試驗系統(tǒng)為試驗開始時間，每15 min取樣1次，采用國標(biāo)方法測定玉米樣品的濕基含水率，出機玉米水分干燥至（12.8±0.5）%時停止取樣，并將糧食干燥模擬試驗系統(tǒng)測得的12 種特征:上出口溫度、上出口濕度、下出口溫度、下出口濕度、上部溫度、下部溫度、干燥段1溫度、干燥段2溫度、干燥段3溫度、干燥段1濕度、干燥段2濕度、干燥段3濕度數(shù)據(jù)導(dǎo)出；實時監(jiān)測的溫、濕度特征數(shù)據(jù)量龐大，每分鐘數(shù)據(jù)取平均值處理，以供后續(xù)研究。

出機玉米濕基含水率檢測采用國標(biāo)方法GB5009.3-2016 食品安全國家標(biāo)準(zhǔn)食品中水分的測定[20]，同一樣品兩次測量，以兩次測量結(jié)果的平均值作為當(dāng)前時刻出機玉米濕基含水率。

2 數(shù)據(jù)平滑處理

2.1 數(shù)據(jù)預(yù)處理

8組平行試驗驗后，經(jīng)統(tǒng)計分析、剔除誤差值，共保留了玉米干燥過程出機水分含量、對應(yīng)溫濕度特征數(shù)據(jù)207組，將樣本集按照2∶1的比例劃分為訓(xùn)練集和驗證集，其統(tǒng)計數(shù)據(jù)如表2。

表2 出機玉米水分?jǐn)?shù)據(jù)統(tǒng)計Table 2 Statistics of corn moisture out of the machine

圖4 是干燥段溫度1、干燥段濕度1 與出機玉米水分含量的關(guān)系圖。由圖4 可知，干燥段1 溫度、濕度這兩種特征的初始數(shù)據(jù)具有明顯變化趨勢，但波動幅度較大、噪聲明顯。其他10組特征也表現(xiàn)為上述規(guī)律。

圖4 干燥段1溫度(a)、濕度(b)與玉米水分含量變化關(guān)系Figure 4 Relationship between temperature (a), humidity (b) and changes in moisture content of corn in drying section 1

2.2 相鄰平均法平滑數(shù)據(jù)

為最大程度地保留試驗所得各類原始數(shù)據(jù)，強化數(shù)據(jù)變化特征、降低噪聲，研究采用相鄰平均法平滑分別對12組特征數(shù)據(jù)進(jìn)行降噪處理。相鄰平均法平滑常用于降低數(shù)據(jù)中的噪聲和抖動，其原理是通過計算數(shù)據(jù)中一定時間范圍內(nèi)的數(shù)據(jù)均值來代替原始數(shù)據(jù)點，從而使得數(shù)據(jù)曲線更加平滑，平滑短期波動和噪聲具有較好效果。

在每個數(shù)據(jù)點yi處計算它前后一定范圍內(nèi)的數(shù)據(jù)點的平均值，得到平滑后的值si。公式為：

式中：i為當(dāng)前計算的數(shù)據(jù)點位置；k為用于計算平均值的數(shù)據(jù)點個數(shù)；j為用于計算平均值的數(shù)據(jù)點的下標(biāo)。

2.3 平滑處理結(jié)果

相鄰平均法用于計算平均值的數(shù)據(jù)點個數(shù)設(shè)置為5，邊界點采用外推法計算，得到的平滑處理結(jié)果如圖5。圖5中實線、虛線分別由原始數(shù)據(jù)點、平滑后數(shù)據(jù)點連結(jié)形成，從圖形來看，經(jīng)平滑處理的數(shù)據(jù)點集合毛刺減少，相鄰數(shù)據(jù)點之間的波動明顯緩解，數(shù)據(jù)趨勢更加明顯和連續(xù)。以玉米水分含量與溫濕度特征的Pearson相關(guān)系數(shù)為評價標(biāo)準(zhǔn)，對比平滑處理前后的Pearson相關(guān)性，結(jié)果見圖6。經(jīng)相鄰平均法平滑后的數(shù)據(jù)，與玉米水分含量的相關(guān)系數(shù)明顯提高。經(jīng)相鄰平均法平滑處理后，溫、濕度特征數(shù)據(jù)更加穩(wěn)定，更加適合用于預(yù)測和建模。

圖5 相鄰平均法平滑處理后的干燥段1 溫度(a)、濕度(b)Figure 5 Temperature and humidity results of drying section 1 smoothed by adjacent averaging method

圖6 平滑處理前后Person相關(guān)系數(shù)對比圖Figure 6 Comparison of Person correlation coefficient before and after smoothing treatment

3 玉米干燥系統(tǒng)出機水分含量預(yù)測模型

3.1 基于ELM的玉米出機水分含量預(yù)測模型構(gòu)建

極限學(xué)習(xí)機是一種單層前向神經(jīng)網(wǎng)絡(luò)[21]，其主要特點是隨機初始化隱藏層的權(quán)重和偏置，而不需要對這些參數(shù)進(jìn)行迭代優(yōu)化，訓(xùn)練速度快、計算量小[22]，其在谷物干燥領(lǐng)域研究實例鮮少、探索空間廣闊。研究以12 組溫濕度特征數(shù)據(jù)為模型輸入，構(gòu)建基于ELM的玉米出機水分含量預(yù)測模型的實現(xiàn)過程如下：

初始化參數(shù)：隨機初始化輸入層到隱藏層的權(quán)重w和隱藏層的偏置b，手動設(shè)定隱含層神經(jīng)元個數(shù)，一般設(shè)定在特征數(shù)量的2~3倍。

前向傳播：將輸入數(shù)據(jù)通過輸入層傳遞到隱藏層，并使用非線性激活函數(shù)處理隱藏層的輸出結(jié)果。

輸出權(quán)重的計算：使用矩陣求逆的方法計算輸出權(quán)重β，其中輸出權(quán)重通過最小二乘法求解得到。

輸出預(yù)測：將隱藏層的輸出與輸出權(quán)重相乘得到預(yù)測輸出結(jié)果。

式中：xi為輸入節(jié)點數(shù)為i時的特征向量集；βj為第j個隱含層節(jié)點的輸出權(quán)值向量；aj為第j個隱含層節(jié)點的輸入權(quán)值向量；bj為第j個隱含層節(jié)點的偏置參數(shù)；i為輸入節(jié)點數(shù)；L為隱含層節(jié)點數(shù)。

簡化后，即：

模型評估：使用評價指標(biāo)對模型進(jìn)行評估，研究以擬合優(yōu)度（R2）、均方根誤差（root mean square error，RMSE）作為評價指標(biāo)。

3.2 模型結(jié)果

ELM 模型依托Matlab 軟件實現(xiàn)，研究以sigmoid 函數(shù)作為模型隱含層神經(jīng)元激活函數(shù)，隱含層神經(jīng)元個數(shù)設(shè)定22，模型運行時間為0.018 794 s，預(yù)測結(jié)果如圖7。

圖7 ELM模型預(yù)測結(jié)果Figure 7 ELM model prediction results

模型訓(xùn)練集擬合優(yōu)度R2為0.988 6，均方根誤差RMSE為0.281 1%，驗證集R2為0.981 2，RMSE為0.382 1%。模型訓(xùn)練集R2相對較高，表明該模型可以很好地擬合訓(xùn)練數(shù)據(jù)，具有很強的預(yù)測能力，同時預(yù)測誤差較小；訓(xùn)練集與驗證集R2接近，表明該模型不會出現(xiàn)過度擬合情況；驗證集的均方根誤差為0.382 1%，與訓(xùn)練集相比略有增加，但差距很小。

3.3 模型的驗證與評價

圖8為玉米干燥系統(tǒng)出機水分含量模型預(yù)測值與值的對比。由圖8可知，預(yù)測值與實際值差距較小，模型預(yù)測效果較好。

圖8 實際值與預(yù)測值對比圖Figure 8 Comparison of actual and predicted values

4 討論與結(jié)論

本研究的主要目的是通過建立一種基于ELM 的玉米干燥系統(tǒng)出機水分含量預(yù)測模型，以提高玉米干燥中過程對出機水分含量的控制精度，提升干燥質(zhì)量和效率。研究供試驗的批次式糧食干燥模擬試驗系統(tǒng)屬于順逆流干燥段組合機型。該類型烘干塔為現(xiàn)階段玉米干燥生產(chǎn)中的主流機型，依據(jù)此類型干燥模擬系統(tǒng)進(jìn)行玉米干燥試驗、分析溫濕度數(shù)據(jù)、構(gòu)建水分預(yù)測模型，對順逆流烘干塔的實際生產(chǎn)具有重要意義。研究構(gòu)建的玉米干燥系統(tǒng)出機水分含量預(yù)測模型訓(xùn)練集擬合精度較高、誤差較小，驗證效果理想，為玉米干燥工藝參數(shù)優(yōu)化和過程的自動控制提供技術(shù)支撐[23]。但該模型仍有一些可以改進(jìn)的方向：

首先，ELM 模型訓(xùn)練集與驗證集擬合系數(shù)易產(chǎn)生顯著差異，ELM 模型存在一定的訓(xùn)練過度情況，模型的泛化能力亟待提升，同時ELM 模型在預(yù)測精度、預(yù)測誤差上也具備優(yōu)化空間，未來研究中考慮使用交叉驗證[24]、集成學(xué)習(xí)[25]、仿生優(yōu)化[26]等方法進(jìn)一步優(yōu)化ELM模型。當(dāng)然，為深入探索玉米干燥過程出機水分預(yù)測模型的構(gòu)建，未來也考慮采用其他的機器學(xué)習(xí)算法和深度學(xué)習(xí)方法，對比提升的預(yù)測模型精度[27]。其次，可以進(jìn)一步豐富試驗設(shè)計，增加更多的訓(xùn)練樣本及特征數(shù)據(jù)，以便進(jìn)一步提高模型的泛化能力和預(yù)測能力。同時，在大型玉米干燥系統(tǒng)開展試驗，探究該模型在實際生產(chǎn)中的應(yīng)用效果。

本研究設(shè)計了基于糧食干燥模擬試驗系統(tǒng)的玉米干燥試驗，獲得了玉米干燥過程溫濕度特征數(shù)據(jù)、對應(yīng)出機水分含量數(shù)據(jù)，以相鄰平均法對干燥段溫濕度特征進(jìn)行了降噪處理，進(jìn)而建立了基于ELM 的玉米干燥過程出機水分含量預(yù)測模型，并進(jìn)行驗證評價。主要結(jié)論為：（1）依據(jù)相鄰平均法對干燥段溫濕度數(shù)據(jù)的平滑、降噪處理，能夠顯著提升溫濕度數(shù)據(jù)與出機玉米水分含量的相關(guān)性，同時表明，采用平滑降噪的方式對構(gòu)建ELM 模型的輸入量進(jìn)行前置處理，能夠為構(gòu)建出機玉米水分含量預(yù)測模型提供基礎(chǔ)。（2）基于ELM 的玉米干燥系統(tǒng)出機水分含量預(yù)測模型可以取得較好的擬合效果和預(yù)測準(zhǔn)確性，訓(xùn)練集和驗證集R2分別為0.988 6 和0.981 2，預(yù)測誤差為0.281 1%和0.382 1%，表明極限學(xué)習(xí)機模型能夠應(yīng)用于玉米干燥過程出機含水量的預(yù)測，且預(yù)測精度較高，能夠為玉米干燥過程水分測定的工藝優(yōu)化提供參考。