孫曉全, 周光, 何志鋒, 馬劉正, 蘇睿, 江敏，胡建東

(1.河南省計(jì)量科學(xué)研究院，河南 鄭州 450008； 2.河南農(nóng)業(yè)大學(xué)機(jī)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(guó)際聯(lián)合實(shí)驗(yàn)室，河南 鄭州 450002； 4.小麥玉米作物學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)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(guó)是世界上糧食生產(chǎn)、儲(chǔ)藏及消費(fèi)大國(guó)。糧食儲(chǔ)藏工作直接關(guān)系到國(guó)家的安全和社會(huì)穩(wěn)定。早期糧情監(jiān)測(cè)主要關(guān)注儲(chǔ)糧溫度指標(biāo)，采用單片機(jī)采集單一溫度，傳感器一般用熱敏電阻等電子測(cè)溫元件。隨著電子科技和計(jì)算機(jī)技術(shù)的發(fā)展，PC機(jī)作為控制中心，通過(guò)分線器進(jìn)行多點(diǎn)溫度采集。近年來(lái)，糧情監(jiān)測(cè)系統(tǒng)受益于微處理器技術(shù)和通信技術(shù)發(fā)展，通過(guò)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(cè)系統(tǒng)。目前，隨著糧庫(kù)檢測(cè)指標(biāo)的不斷增多，及無(wú)線傳感器網(wǎng)絡(luò)技術(shù) ( Zigbee 技術(shù)、藍(lán)牙、GPRS)的發(fā)展，糧情監(jiān)測(cè)開(kāi)始實(shí)時(shí)監(jiān)測(cè)傳感器指標(biāo)變化，通過(guò)互聯(lián)網(wǎng)協(xié)議傳輸數(shù)據(jù)[1]，為糧食儲(chǔ)藏管理部門提供決策支持或執(zhí)行行動(dòng)，從而提高儲(chǔ)存的糧食品質(zhì)和數(shù)量。目前糧食儲(chǔ)藏技術(shù)水平有了很大提高，但儲(chǔ)糧早期發(fā)生感染霉變一直是糧情監(jiān)控的難點(diǎn)。因此，了解糧食儲(chǔ)藏早期霉變的感染因素，采取相應(yīng)的安全防護(hù)措施，對(duì)搞好糧食儲(chǔ)藏安全尤為關(guān)鍵。

糧食在儲(chǔ)藏期間，微生物在一定條件下進(jìn)行旺盛的呼吸作用，糧食、霉菌、蟲(chóng)卵在適宜的環(huán)境下新陳代謝將會(huì)加快，消耗大量的氧氣并呼出大量的CO2氣體，使儲(chǔ)糧溫度不正常的上升現(xiàn)象時(shí)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(shí)刻進(jìn)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(duì)糧堆中的二氧化碳或氧氣含量變化進(jìn)行監(jiān)測(cè)，以及針對(duì)蟲(chóng)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(jìn)行監(jiān)測(cè)，建立儲(chǔ)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(chǔ)糧早期霉變感染的有力措施。目前，國(guó)內(nèi)大部分糧庫(kù)僅監(jiān)測(cè)溫度和濕度2個(gè)參數(shù)，從而判定糧情級(jí)別無(wú)法解決多元因素構(gòu)成的復(fù)雜環(huán)境對(duì)糧食儲(chǔ)存的影響。因此，作者設(shè)計(jì)了一個(gè)低成本的多傳感器構(gòu)建的多參數(shù)實(shí)時(shí)監(jiān)測(cè)系統(tǒng)預(yù)測(cè)糧情，為監(jiān)測(cè)及判定糧庫(kù)的儲(chǔ)糧狀態(tài)提供依據(jù)。

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

1.1 糧情智能監(jiān)測(cè)系統(tǒng)的結(jié)構(gòu)

糧庫(kù)外界環(huán)境隨天氣和季節(jié)的變化都會(huì)影響到糧庫(kù)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(shí)監(jiān)控糧庫(kù)內(nèi)外的參數(shù)變化，保證數(shù)據(jù)的實(shí)時(shí)有效，從而降低外界環(huán)境干擾[6-8]。為了實(shí)時(shí)監(jiān)測(cè)糧庫(kù)內(nèi)外的溫度、濕度和CO2濃度，作者設(shè)計(jì)的糧情智能監(jiān)測(cè)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(jì)思想，圖1B是糧情智能監(jiān)控系統(tǒng)結(jié)構(gòu)實(shí)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(guò)多傳感器組成的嵌入式ARM9系統(tǒng)實(shí)現(xiàn)多參數(shù)采集，各參數(shù)的實(shí)時(shí)監(jiān)控、傳輸和處理，確保數(shù)據(jù)真實(shí)有效。

A.糧情智能監(jiān)測(cè)系統(tǒng)結(jié)構(gòu)設(shè)計(jì)思想； B.糧情智能監(jiān)測(cè)系統(tǒng)結(jié)構(gòu)實(shí)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(jī)，下位機(jī)由STC單片機(jī)構(gòu)成。上位機(jī)和下位機(jī)之間由現(xiàn)場(chǎng)控制總線和輔助設(shè)備信號(hào)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(kù)室內(nèi)的溫度、濕度和CO2濃度等信息。糧庫(kù)內(nèi)多點(diǎn)實(shí)時(shí)敏感的信息由STC單片機(jī)構(gòu)成的信號(hào)采集器依次采集、放大、轉(zhuǎn)換和處理。15個(gè)采集區(qū)域的實(shí)測(cè)值是經(jīng)過(guò)STC單片機(jī)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(jī)-嵌入式ARM9核心控制器。同時(shí)糧庫(kù)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(kù)淺圓倉(cāng)直徑25.00 m、高22.50 m，糧庫(kù)環(huán)境信息空間分布大。為減少糧庫(kù)不同平層和同一平層各位置間的信息波動(dòng)，依據(jù)JJF1101—2003《環(huán)境試驗(yàn)設(shè)備溫度、濕度校準(zhǔn)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(gè)采樣點(diǎn)(如圖1A所示)，中心點(diǎn)位于每層的中心位置、其他4個(gè)采樣點(diǎn)與淺圓倉(cāng)內(nèi)壁的距離為2.5 m，將糧庫(kù)空間分為15個(gè)采集區(qū)域，通過(guò)15個(gè)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(cè)裝置集信號(hào)采集室、多傳感器陣列、氣體管道切換裝置、STC單片機(jī)信號(hào)采集器和嵌入式ARM9核心控制器于一體，實(shí)現(xiàn)不同位置多信息實(shí)時(shí)快捷采集、處理和監(jiān)控。

1.2 糧情智能信號(hào)采集及控制系統(tǒng)

糧情智能信號(hào)采集及控制系統(tǒng)的上位機(jī)嵌入式ARM9核心控制器，采用RS232串口通信協(xié)議與下位機(jī)單片機(jī)控制模塊進(jìn)行交互通信。上位機(jī)向下位機(jī)發(fā)送控制指令，下位機(jī)接受并響應(yīng)指令，通過(guò)控制總線向現(xiàn)場(chǎng)控制設(shè)備發(fā)送信號(hào)，通過(guò)繼電器實(shí)時(shí)響應(yīng)、循環(huán)切換氣體管道實(shí)現(xiàn)對(duì)糧庫(kù)不同區(qū)域環(huán)境信息的采集工作。單片機(jī)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(hào)采集及控制系統(tǒng)如圖2所示。

圖2 糧情智能監(jiān)測(cè)系統(tǒng)的信號(hào)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(shí)時(shí)可以顯示及處理氣體環(huán)境信息，完成儲(chǔ)糧安全級(jí)別預(yù)測(cè)，儲(chǔ)糧安全級(jí)別能否判定準(zhǔn)確與CO2、溫度、濕度等參數(shù)[10]密切相關(guān)。因此，儲(chǔ)糧環(huán)境信息采集過(guò)程必須保證傳感器的兼容有效性。CO2傳感器選用美國(guó)GET6615傳感器，對(duì)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(hào)輸出，精度分別達(dá)到±0.8%和相對(duì)濕度±0.1℃。

1.3 糧情智能監(jiān)測(cè)控系統(tǒng)的設(shè)計(jì)

糧情智能監(jiān)測(cè)系統(tǒng)的信號(hào)采集與處理如圖3所示。

A.上位機(jī)-ARM9信號(hào)中央處理單元；B.糧情監(jiān)測(cè)系統(tǒng)軟件界面；C.信號(hào)采集及控制單元；D.下位機(jī)-STC單片機(jī)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(cè)系統(tǒng)的信號(hào)采集與處理裝置的設(shè)計(jì)，上位機(jī)以嵌入式ARM9為硬件平臺(tái)，采用S3C2440A核心處理器為基礎(chǔ)，通過(guò)人機(jī)交互的方式使信息采集、融合處理、預(yù)測(cè)更加鮮明直觀。下位機(jī)采用STC單片機(jī)控制模塊分別構(gòu)建信號(hào)采集與外圍設(shè)備控制單元。其中，信號(hào)采集單元由電源、信號(hào)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(cè)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(cè)系統(tǒng)軟件采用 Microsoft Visual Studio 2010開(kāi)發(fā)平臺(tái)、使用VC++開(kāi)發(fā)語(yǔ)言，建立MFC-智能糧庫(kù)監(jiān)測(cè)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(jī)智能監(jiān)測(cè)系統(tǒng)程序、單片機(jī)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(jī)智能監(jiān)測(cè)系統(tǒng)程序分為：系統(tǒng)監(jiān)測(cè)程序、多區(qū)域信息融合模塊和BP算法預(yù)測(cè)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?yàn)椴煌乩韰^(qū)域的糧庫(kù)氣體環(huán)境流通性不同，為了消除誤差,采用15個(gè)采集區(qū)域數(shù)據(jù)融合作為一組預(yù)測(cè)因子，試驗(yàn)前首先對(duì)傳感器進(jìn)行標(biāo)定及修正處理，通過(guò)拉依達(dá)準(zhǔn)則對(duì)多傳感器所采集15個(gè)區(qū)域的數(shù)據(jù)信息進(jìn)行粗大誤差剔除，然后對(duì)實(shí)測(cè)正常數(shù)據(jù)進(jìn)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(cè)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(cè)模型建立

由于BP神經(jīng)網(wǎng)絡(luò)對(duì)復(fù)雜的非線性系統(tǒng)具有很強(qiáng)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(kù)相關(guān)多因素環(huán)境特征。因此，本實(shí)驗(yàn)糧情監(jiān)測(cè)裝置采用適應(yīng)性很強(qiáng)的3層反饋神經(jīng)網(wǎng)絡(luò)算法進(jìn)行學(xué)習(xí)、訓(xùn)練及預(yù)測(cè)。

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(cè)網(wǎng)絡(luò)選取均方誤(MSE)為糧情監(jiān)測(cè)網(wǎng)絡(luò)的評(píng)價(jià)標(biāo)準(zhǔn)，神經(jīng)元輸入層包括3種因素(糧庫(kù)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(diǎn)個(gè)數(shù)默認(rèn)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(biāo)，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(guò)糧庫(kù)內(nèi)外環(huán)境差值進(jìn)行預(yù)測(cè)與倉(cāng)內(nèi)環(huán)境預(yù)測(cè)相比，倉(cāng)內(nèi)環(huán)境預(yù)測(cè)法在6 000次左右達(dá)到最小誤差，差值預(yù)測(cè)在2 500次左右達(dá)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(cè)與倉(cāng)內(nèi)環(huán)境預(yù)測(cè)網(wǎng)絡(luò)相比，有效地抑制了局部最小點(diǎn)，避免了倉(cāng)外環(huán)境對(duì)糧情網(wǎng)絡(luò)造成的擾動(dòng)；差值預(yù)測(cè)法在初始階段收斂速度較慢，過(guò)度階段的訓(xùn)練誤差下降平穩(wěn)，收斂階段迅速達(dá)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(cè)拓?fù)浣Y(jié)構(gòu)；B.環(huán)境差值的網(wǎng)絡(luò)訓(xùn)練效果 ； C.倉(cāng)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(cè)結(jié)果

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

表1 輸出層安全指標(biāo)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(kù)信息為樣本，BP神經(jīng)網(wǎng)絡(luò)糧情監(jiān)測(cè)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(jìn)行預(yù)測(cè)和驗(yàn)證。為了消除誤差波動(dòng)性，取10次預(yù)測(cè)結(jié)果的算術(shù)平均值作為最終輸出指標(biāo)，如表2和表3。

表2 采用糧庫(kù)內(nèi)的溫度、濕度、CO2糧情預(yù)測(cè)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(kù)內(nèi)外的溫度、濕度和CO2的差值糧情預(yù)測(cè)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(kù)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(duì)糧情信息進(jìn)行預(yù)測(cè)，輸出指標(biāo)更加接近期望值，預(yù)測(cè)最大絕對(duì)誤差為0.02，最大相對(duì)誤差為5.66%；而采用常規(guī)溫度、濕度和CO2濃度進(jìn)行預(yù)測(cè)，預(yù)測(cè)最大絕對(duì)誤差為0.04，其最大相對(duì)誤差為11.11%。因此，采用差值預(yù)測(cè)結(jié)果精度更高、誤差更小。

3 結(jié)論

作者設(shè)計(jì)了一個(gè)糧庫(kù)糧情智能監(jiān)測(cè)系統(tǒng)，并對(duì)建立的糧情預(yù)測(cè)模型進(jìn)行了實(shí)例驗(yàn)證。將糧庫(kù)15個(gè)采樣區(qū)域的氣體環(huán)境信息作為樣本，通過(guò)管道循環(huán)切換的采樣方式，在氣體儲(chǔ)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(jí)別預(yù)測(cè)模型，通過(guò)采集糧庫(kù)倉(cāng)內(nèi)氣體環(huán)境信息(溫度、濕度、CO2濃度)，并于倉(cāng)外氣體環(huán)境信息進(jìn)行對(duì)比試驗(yàn)、通過(guò)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練、學(xué)習(xí)及預(yù)測(cè)儲(chǔ)糧危險(xiǎn)等級(jí)。結(jié)果表明，倉(cāng)內(nèi)外氣體環(huán)境差值作為糧情輸入因子，系統(tǒng)預(yù)測(cè)的最大絕對(duì)誤差為0.02，最大相對(duì)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(dòng)，從而降低了外界環(huán)境對(duì)糧情判定造成的影響。