孫曉全, 周光, 何志鋒, 馬劉正, 蘇睿, 江敏，胡建東

(1.河南省計量科學研究院，河南 鄭州 450008； 2.河南農業(yè)大學機電工程學院，河南 鄭州 450002； 3.河南省農業(yè)激光技術國際聯(lián)合實驗室，河南 鄭州 450002； 4.小麥玉米作物學國家重點實驗室，河南 鄭州 450002； 5.河南農業(yè)大學生命科學學院，河南 鄭州 450002)

中國是世界上糧食生產、儲藏及消費大國。糧食儲藏工作直接關系到國家的安全和社會穩(wěn)定。早期糧情監(jiān)測主要關注儲糧溫度指標，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和通信技術發(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，及無線傳感器網絡技術 ( Zigbee 技術、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)網協(xié)議傳輸數據[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和數量。目前糧食儲藏技術水平有了很大提高，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，采取相應的安全防護措施，對搞好糧食儲藏安全尤為關鍵。

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呼吸為基礎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，國內大部分糧庫僅監(jiān)測溫度和濕度2個參數，從而判定糧情級別無法解決多元因素構成的復雜環(huán)境對糧食儲存的影響。因此，作者設計了一個低成本的多傳感器構建的多參數實時監(jiān)測系統(tǒng)預測糧情，為監(jiān)測及判定糧庫的儲糧狀態(tài)提供依據。

1 糧情智能監(jiān)測系統(tǒng)的結構及設計

1.1 糧情智能監(jiān)測系統(tǒng)的結構

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部的溫度、濕度和CO2濃度，糧情監(jiān)控裝置必須能夠實時監(jiān)控糧庫內外的參數變化，保證數據的實時有效，從而降低外界環(huán)境干擾[6-8]。為了實時監(jiān)測糧庫內外的溫度、濕度和CO2濃度，作者設計的糧情智能監(jiān)測系統(tǒng)結構如圖1所示。圖1A糧情智能監(jiān)控系統(tǒng)結構設計思想，圖1B是糧情智能監(jiān)控系統(tǒng)結構實施方案。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)多參數采集，各參數的實時監(jiān)控、傳輸和處理，確保數據真實有效。

A.糧情智能監(jiān)測系統(tǒng)結構設計思想； B.糧情智能監(jiān)測系統(tǒng)結構實施方案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單片機構成。上位機和下位機之間由現(xiàn)場控制總線和輔助設備信號通迅聯(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的溫度、濕度和CO2濃度等信息。糧庫內多點實時敏感的信息由STC單片機構成的信號采集器依次采集、放大、轉換和處理。15個采集區(qū)域的實測值是經過STC單片機內置算法加權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JJF1101—2003《環(huán)境試驗設備溫度、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)域內的氣體傳輸到氣體采集室(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，下位機接受并響應指令，通過控制總線向現(xiàn)場控制設備發(fā)送信號，通過繼電器實時響應、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測，儲糧安全級別能否判定準確與CO2、溫度、濕度等參數[10]密切相關。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，通過人機交互的方式使信息采集、融合處理、預測更加鮮明直觀。下位機采用STC單片機控制模塊分別構建信號采集與外圍設備控制單元。其中，信號采集單元由電源、信號放大濾波及A/D轉換等模塊組成；外圍設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)模塊結構如圖4所示。

圖4 糧情監(jiān)測系統(tǒng)模塊結構 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)工程應用程序。采用面向對象的編程思想，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算法預測模塊三大部分。

2 結果與分析

2.1 糧情信息加權融合

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)域數據融合作為一組預測因子，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)域的數據信息進行粗大誤差剔除，然后對實測正常數據進行加權融合，將其加權融合后的平均值作為糧情監(jiān)測模型的輸入因子，多傳感器信息加權融合與處理結構如圖5所示。

2.2 糧情BP神經網絡預測模型建立

由于BP神經網絡對復雜的非線性系統(tǒng)具有很強的自適應性和自學習能力[11]，能以任意精度逼近非線性函數，滿足糧庫相關多因素環(huán)境特征。因此，本實驗糧情監(jiān)測裝置采用適應性很強的3層反饋神經網絡算法進行學習、訓練及預測。

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

糧情監(jiān)測網絡選取均方誤(MSE)為糧情監(jiān)測網絡的評價標準，神經元輸入層包括3種因素(糧庫內外溫度差值、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)點個數默認為12，采用logsig傳遞函數；輸出層采用歸一化的微生物活性值指標，選用transig傳遞函數，如圖6A所示。

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

A.BP神經網絡預測拓撲結構；B.環(huán)境差值的網絡訓練效果 ； C.倉內環(huán)境的網絡訓練效果。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 糧情預測結果

參考生物學研究成果[12]和分析建立糧庫環(huán)境模型，逆向推導出糧庫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，網絡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)產業(yè)園糧庫信息為樣本，BP神經網絡糧情監(jiān)測模型采用2014—2016年小麥信息樣本作為訓練數據，采用2017—1018年的小麥信息樣本進行預測和驗證。為了消除誤差波動性，取10次預測結果的算術平均值作為最終輸出指標，如表2和表3。

表2 采用糧庫內的溫度、濕度、CO2糧情預測結果Table 2 Prediction effect of the grain situation monitoring system by applying the temperature, humidity, CO2 inside granary

表3 采用糧庫內外的溫度、濕度和CO2的差值糧情預測結果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，對糧情信息進行預測，輸出指標更加接近期望值，預測最大絕對誤差為0.02，最大相對誤差為5.66%；而采用常規(guī)溫度、濕度和CO2濃度進行預測，預測最大絕對誤差為0.04，其最大相對誤差為11.11%。因此，采用差值預測結果精度更高、誤差更小。

3 結論

作者設計了一個糧庫糧情智能監(jiān)測系統(tǒng)，并對建立的糧情預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。基于BP神經網絡建立的糧情安全級別預測模型，通過采集糧庫倉內氣體環(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神經網絡模型進行訓練、學習及預測儲糧危險等級。結果表明，倉內外氣體環(huán)境差值作為糧情輸入因子，系統(tǒng)預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。