崔宏偉，吳文福，吳子丹，蘭天憶，竇建鵬

基于糧溫統(tǒng)計(jì)特征的糧倉(cāng)庫(kù)存狀態(tài)檢測(cè)方法

崔宏偉，吳文福，吳子丹※，蘭天憶，竇建鵬

（吉林大學(xué)生物與農(nóng)業(yè)工程學(xué)院，長(zhǎng)春 130022）

糧倉(cāng)歷史庫(kù)存狀態(tài)的準(zhǔn)確檢測(cè)可以為清倉(cāng)查庫(kù)工作提供線索，該文通過(guò)分析糧溫統(tǒng)計(jì)特征，提出了一種基于歷史糧溫統(tǒng)計(jì)特征的糧倉(cāng)庫(kù)存狀態(tài)（主要包括空倉(cāng)、新糧、通風(fēng)3種狀態(tài)）檢測(cè)方法。利用糧堆上下相鄰層溫差和糧溫的新異眾比例檢測(cè)空倉(cāng)態(tài)，利用相鄰層溫差和糧溫標(biāo)準(zhǔn)差檢測(cè)新糧態(tài)，利用層溫變化率和糧溫標(biāo)準(zhǔn)差變化率檢測(cè)通風(fēng)態(tài)。提出了一種類多變量決策樹(shù)的糧倉(cāng)庫(kù)存狀態(tài)檢測(cè)方法；通過(guò)分析11個(gè)糧倉(cāng)歷史糧溫的統(tǒng)計(jì)特征，確定了決策樹(shù)節(jié)點(diǎn)特征參數(shù)的最優(yōu)閾值。最后選擇7個(gè)不同省份的糧倉(cāng)，利用提出的檢測(cè)方法進(jìn)行庫(kù)存狀態(tài)檢測(cè)試驗(yàn)，試驗(yàn)結(jié)果顯示空倉(cāng)態(tài)、新糧態(tài)、通風(fēng)態(tài)的查準(zhǔn)率分別為78%、74%、91%，查全率分別為82%、70%、88%。試驗(yàn)結(jié)果表明基于歷史糧溫統(tǒng)計(jì)特征的糧倉(cāng)庫(kù)存狀態(tài)檢測(cè)方法能夠較好的實(shí)現(xiàn)對(duì)空倉(cāng)態(tài)和通風(fēng)態(tài)的檢測(cè)，能夠基本實(shí)現(xiàn)對(duì)新糧態(tài)的檢測(cè)。

糧食；溫度；統(tǒng)計(jì)特征；庫(kù)存狀態(tài)；空倉(cāng)；新糧；通風(fēng)

0 引 言

在中國(guó)，糧食儲(chǔ)藏周期長(zhǎng)（一般為2～4 a），這期間容易發(fā)生以差換好、違規(guī)倒倉(cāng)等影響庫(kù)存糧食數(shù)量的問(wèn)題，也容易發(fā)生結(jié)露、霉變等影響質(zhì)量的問(wèn)題，因此需適時(shí)進(jìn)行庫(kù)存檢查。糧倉(cāng)庫(kù)存檢查是糧食監(jiān)管部門通過(guò)人工或機(jī)器協(xié)助的方式，定時(shí)對(duì)歷史儲(chǔ)藏過(guò)程中糧倉(cāng)庫(kù)存數(shù)量、質(zhì)量的變化情況進(jìn)行檢查。國(guó)家每隔10 a會(huì)進(jìn)行全國(guó)性庫(kù)存實(shí)物檢查，各省每年也會(huì)進(jìn)行庫(kù)存檢查。但目前庫(kù)存檢查多由人工完成，工作量比較大，發(fā)現(xiàn)歷史儲(chǔ)藏中數(shù)量或質(zhì)量問(wèn)題的難度較大，因此需研究歷史庫(kù)存糧食狀態(tài)的檢測(cè)方法，為庫(kù)存檢查工作提供線索。

庫(kù)存檢查中質(zhì)量檢查主要是判斷儲(chǔ)藏過(guò)程中糧堆是否發(fā)生結(jié)露、霉變等影響糧食質(zhì)量的問(wèn)題。目前，關(guān)于糧堆質(zhì)量預(yù)測(cè)判斷的研究較多，吳子丹團(tuán)隊(duì)通過(guò)研究糧堆的物理場(chǎng)、生物場(chǎng)等之間的耦合關(guān)系提出了糧堆多場(chǎng)耦合理論，開(kāi)辟了運(yùn)用糧堆溫度場(chǎng)、濕度場(chǎng)云圖分析糧食質(zhì)量變化的新途徑[1-4]。Roberta等[5]研究了筒倉(cāng)中玉米儲(chǔ)存時(shí)的溫度場(chǎng)模型。在前期研究基礎(chǔ)上，吳子丹團(tuán)隊(duì)利用溫濕度場(chǎng)、微氣流場(chǎng)等多場(chǎng)耦合模型實(shí)現(xiàn)小麥糧堆結(jié)露、霉變位置的分析和預(yù)測(cè)[6-8]；程樹(shù)峰等利用溫濕度場(chǎng)研究了稻谷、玉米、大豆儲(chǔ)藏早期的真菌生長(zhǎng)規(guī)律[9-11]。上述基于糧堆溫濕度場(chǎng)進(jìn)行結(jié)露、霉變的研究提出了一些預(yù)測(cè)判斷模型，已經(jīng)可以在庫(kù)存檢查中應(yīng)用。庫(kù)存檢查中數(shù)量檢查主要包括查驗(yàn)檢查時(shí)的庫(kù)存數(shù)量，同時(shí)檢查歷史儲(chǔ)藏過(guò)程中糧食數(shù)量發(fā)生的異常變化（與出入倉(cāng)等指令不匹配）?，F(xiàn)有糧倉(cāng)庫(kù)存數(shù)量檢測(cè)的方法包括基于壓力傳感器檢測(cè)[12-15]、電磁波檢測(cè)技術(shù)[16]、基于三維激光掃描技術(shù)[17-19]等，上述方法多需在糧倉(cāng)內(nèi)加裝傳感器，會(huì)增加糧倉(cāng)管理和檢測(cè)成本。目前，中國(guó)大部分糧庫(kù)都已經(jīng)安裝了檢溫系統(tǒng)，檢溫系統(tǒng)采集獲得了大量的歷史糧溫?cái)?shù)據(jù)，部分研究者利用糧溫?cái)?shù)據(jù)提出一些檢測(cè)方法，如秦驍[20]提出了儲(chǔ)備糧數(shù)字監(jiān)管策略，主要為AID策略、3R策略和ABC策略。崔宏偉等[21]通過(guò)分析糧溫?cái)?shù)據(jù)的時(shí)空分布規(guī)律，提出了利用測(cè)溫系統(tǒng)內(nèi)的點(diǎn)、線、面之間的相關(guān)性進(jìn)行儲(chǔ)糧監(jiān)管的方法；同時(shí)提出通過(guò)分析溫度場(chǎng)云圖RGB顏色特征進(jìn)行儲(chǔ)藏?cái)?shù)量異常時(shí)間的檢測(cè)方法[22]。上述研究策略與方法可以在不增加管理成本的基礎(chǔ)上實(shí)現(xiàn)檢測(cè)，但僅能對(duì)糧倉(cāng)異常時(shí)段進(jìn)行檢測(cè)，并未對(duì)糧倉(cāng)庫(kù)存狀態(tài)進(jìn)行分類和判斷，檢測(cè)結(jié)果仍需大量人工分析和歸類。為此，朱浩天[23]將糧倉(cāng)庫(kù)存狀態(tài)歸類為數(shù)量異常狀態(tài)與質(zhì)量異常狀態(tài)，并利用糧溫?cái)?shù)據(jù)的統(tǒng)計(jì)特征基本實(shí)現(xiàn)了不同異常狀態(tài)的檢測(cè)。但其只依據(jù)一個(gè)統(tǒng)計(jì)特征判斷異常狀態(tài)，檢測(cè)結(jié)果的準(zhǔn)確性和可靠性不足。

為充分利用糧倉(cāng)歷史檢溫?cái)?shù)據(jù)，提高庫(kù)存狀態(tài)檢測(cè)結(jié)果的準(zhǔn)確性與可靠性，同時(shí)減輕查庫(kù)人員的工作量，為查庫(kù)工作提供有效線索，本文主要研究基于糧溫?cái)?shù)據(jù)的糧倉(cāng)庫(kù)存狀態(tài)檢測(cè)方法。根據(jù)前期研究基礎(chǔ)，將查庫(kù)時(shí)需檢查的庫(kù)存狀態(tài)分為滿倉(cāng)、空倉(cāng)、新糧、通風(fēng)、結(jié)露與霉變6種狀態(tài)，其中結(jié)露與霉變檢測(cè)方法可以參考文獻(xiàn)[1-4，6-8]，其余4種狀態(tài)的檢測(cè)方法為本文主要研究?jī)?nèi)容。通過(guò)分析歷史糧溫?cái)?shù)據(jù)的統(tǒng)計(jì)特征規(guī)律，歸納總結(jié)檢測(cè)每種狀態(tài)所需的統(tǒng)計(jì)特征，提出基于糧溫統(tǒng)計(jì)特征的庫(kù)存狀態(tài)檢測(cè)方法，通過(guò)試驗(yàn)選擇統(tǒng)計(jì)特征的最優(yōu)閾值區(qū)間，完成糧倉(cāng)庫(kù)存狀態(tài)檢測(cè)的類多變量決策樹(shù)的設(shè)計(jì)，最后根據(jù)檢測(cè)方法，利用多地區(qū)不同糧倉(cāng)的糧溫?cái)?shù)據(jù)進(jìn)行驗(yàn)證試驗(yàn)。

1 數(shù)據(jù)與方法

1.1 糧倉(cāng)庫(kù)存狀態(tài)定義

根據(jù)儲(chǔ)備糧庫(kù)存檢查需求，本文主要研究庫(kù)存狀態(tài)中的正常滿倉(cāng)儲(chǔ)藏、空倉(cāng)態(tài)、新糧態(tài)、通風(fēng)態(tài)4種。糧倉(cāng)機(jī)械通風(fēng)會(huì)影響整個(gè)糧堆溫度場(chǎng)的分布，影響空倉(cāng)與新糧的檢測(cè)與判斷，因此將通風(fēng)態(tài)也作為庫(kù)存狀態(tài)檢測(cè)的研究對(duì)象。正常滿倉(cāng)儲(chǔ)藏是指糧食滿倉(cāng)儲(chǔ)藏過(guò)程中，沒(méi)有出現(xiàn)局部異常的狀態(tài)，空倉(cāng)態(tài)是指糧倉(cāng)內(nèi)沒(méi)有裝糧的狀態(tài)；新糧態(tài)是指糧倉(cāng)內(nèi)剛裝滿糧食一段時(shí)間的狀態(tài)；通風(fēng)態(tài)是指進(jìn)行機(jī)械通風(fēng)、出現(xiàn)整倉(cāng)溫濕度場(chǎng)快速變化的狀態(tài)。糧倉(cāng)通風(fēng)可以分為橫向與縱向通風(fēng)，本文所述通風(fēng)態(tài)均指縱向通風(fēng)。

1.2 糧情數(shù)據(jù)

1.2.1 糧倉(cāng)與庫(kù)存變化基本情況

選擇陜西省寶雞市A儲(chǔ)備庫(kù)的糧倉(cāng)用于方法分析。寶雞市地處中國(guó)中部，為大陸季風(fēng)氣候，季節(jié)交替明顯，儲(chǔ)備庫(kù)儲(chǔ)藏穩(wěn)定。A儲(chǔ)備庫(kù)具有高大平方倉(cāng)22座，糧倉(cāng)編號(hào)01～22號(hào)糧倉(cāng)，其中偶數(shù)號(hào)糧倉(cāng)尺寸約為42 m×26 m，糧高約6 m，倉(cāng)內(nèi)布置66根測(cè)溫電纜，每條電纜上4個(gè)測(cè)溫點(diǎn)，如圖1所示，圖中灰色平面表示水平測(cè)溫平面，虛線為平面的邊界，豎直紅線表示測(cè)溫電纜。與方向分別6、4個(gè)測(cè)溫點(diǎn)，方向有11個(gè)測(cè)溫點(diǎn)（圖中省略測(cè)溫點(diǎn)8個(gè)）；奇數(shù)號(hào)糧倉(cāng)尺寸約為46 m×26 m，糧高6 m，倉(cāng)內(nèi)布置72根測(cè)溫電纜，每條電纜上4個(gè)測(cè)溫點(diǎn)，如圖1所示，、、方向分別12、6、4個(gè)測(cè)溫點(diǎn)。圖1中方向測(cè)溫點(diǎn)只顯示部分。

圖1 糧堆內(nèi)傳感器布置示意圖

儲(chǔ)藏糧種均為小麥，平均儲(chǔ)藏周期3a，具有代表性，從中選擇糧情數(shù)據(jù)包含從空倉(cāng)、新糧、通風(fēng)，最后穩(wěn)定儲(chǔ)藏這個(gè)過(guò)程的糧倉(cāng)用于分析，10號(hào)倉(cāng)為其中一個(gè)糧倉(cāng)。10號(hào)倉(cāng)長(zhǎng)（）×寬（）×高（）約為42 m×26 m×6 m，倉(cāng)內(nèi)傳感器布置為11×6×4，方向測(cè)溫點(diǎn)間距約4 m，邊距約1 m，方向測(cè)溫點(diǎn)間距約5 m，邊距約0.5 m，Z方向測(cè)溫點(diǎn)間距約1.5 m，距糧倉(cāng)表面約0.7m，距糧倉(cāng)底部約0.8 m。按照從糧面至糧堆底部的順序分為第1層～第4層。10號(hào)倉(cāng)2017-06-01—2018-06-01之間的庫(kù)存狀態(tài)變化過(guò)程如圖2所示。10號(hào)倉(cāng)2017-07-04開(kāi)始入倉(cāng)，07-25入倉(cāng)完畢，2017-10-11、2017-11-22、2018-01-02進(jìn)行了3次通風(fēng)。因此將2017-07-04之前作為空倉(cāng)態(tài)，2017-07-25—08-24作為新糧態(tài)，3次通風(fēng)過(guò)程中稱為通風(fēng)態(tài)，即2017-10-11—10-24、2017-11-22—12-02和2018-01-02—01-12共3個(gè)時(shí)間段。

圖2 10號(hào)倉(cāng)庫(kù)存狀態(tài)變化過(guò)程

1.2.2 糧溫變化過(guò)程

本節(jié)將糧溫?cái)?shù)據(jù)依據(jù)糧倉(cāng)測(cè)溫傳感器的布置，排列形成11×6×4的矩陣，共4層，每層測(cè)溫點(diǎn)個(gè)數(shù)長(zhǎng)×寬為11×6（平行于平面），如圖3a為倉(cāng)溫和每層糧溫的變化曲線。平行于方向的測(cè)溫平面測(cè)溫點(diǎn)個(gè)數(shù)長(zhǎng)×寬為11×4。選擇該截面，生成溫度場(chǎng)云圖。圖3b為10號(hào)倉(cāng)儲(chǔ)藏過(guò)程中糧堆平行于平面的第3個(gè)（=10.5 m）測(cè)溫平面不同日期的溫度場(chǎng)云圖，云圖中顏色表示溫度，不同顏色的線表示等溫線，數(shù)字表示不同測(cè)溫點(diǎn)的溫度（下同）。溫度場(chǎng)云圖生成工具是庫(kù)存實(shí)物掃描軟件V1.0（天津明倫電子科技有限公司，天津）。

由圖2與圖3a可以看出，空倉(cāng)時(shí)4層糧溫與倉(cāng)溫相同；入倉(cāng)完畢后，第1層糧溫最高，第2層與第3層糧溫基本一致，第4層糧溫最低；一段時(shí)間后，第1層糧溫開(kāi)始降低，低于第2、3層糧溫，但高于第4層糧溫；隨后進(jìn)行了3次通風(fēng)，4層糧溫均出現(xiàn)一定程度降低；通風(fēng)結(jié)束后，第1層糧溫隨倉(cāng)溫快速升高，第2、3、4層糧溫緩慢升高。

由圖3b可以看出，新糧狀態(tài)時(shí)糧堆上層溫度最高，下層溫度最低，儲(chǔ)藏至9月時(shí)，糧堆上層溫度受倉(cāng)溫影響逐漸降低，此時(shí)糧堆內(nèi)部形成一個(gè)較大的熱芯；儲(chǔ)藏至10月時(shí)，為保證安全過(guò)冬，進(jìn)行了通風(fēng)?？梢钥吹酵L(fēng)將糧堆內(nèi)部熱芯的熱量吹向糧堆上部，進(jìn)而離開(kāi)糧堆，使得糧堆內(nèi)部溫度降低；儲(chǔ)藏至11月時(shí)，再次進(jìn)行了通風(fēng)，又一次使得糧堆上層溫度升高，下層溫度較低；儲(chǔ)藏至次年2月時(shí)，糧堆上層溫度受倉(cāng)溫影響逐漸升高，下層溫度受倉(cāng)底部溫度影響也逐漸升高，糧堆內(nèi)部形成一個(gè)冷芯，糧堆儲(chǔ)藏逐漸進(jìn)入夏天。

圖3 10號(hào)倉(cāng)糧溫變化過(guò)程

1.3 基于糧溫統(tǒng)計(jì)特征的庫(kù)存狀態(tài)識(shí)別方法

1.3.1 基本原理

在正常儲(chǔ)藏過(guò)程中（無(wú)外界干擾條件下），糧堆內(nèi)的溫度場(chǎng)、濕度場(chǎng)、微氣流等場(chǎng)的變化在時(shí)間上是連續(xù)穩(wěn)定變化的一個(gè)過(guò)程。在長(zhǎng)周期儲(chǔ)藏中，糧堆溫度主要受倉(cāng)溫或環(huán)境溫度影響，倉(cāng)溫（或環(huán)境溫度）升高，糧堆與外界環(huán)境之間存在正的增大的溫度梯度，熱量通過(guò)物料顆粒間的孔隙進(jìn)入料堆內(nèi)部，使得料堆內(nèi)的溫度也隨著升高；外界環(huán)境溫度降低，料堆與環(huán)境之間存在負(fù)的增大的溫度梯度，料堆內(nèi)熱量通過(guò)顆粒間的孔隙擴(kuò)散到環(huán)境中，使得料堆內(nèi)的溫度降低。由于糧食籽粒為濕熱的不良導(dǎo)體，糧堆內(nèi)部溫濕度等受外界影響較小，內(nèi)部場(chǎng)變化緩慢。因此，在長(zhǎng)周期儲(chǔ)藏中（無(wú)外界干擾條件），糧堆內(nèi)的場(chǎng)在時(shí)間軸上呈現(xiàn)連續(xù)、緩慢變化的特征。因此糧堆內(nèi)場(chǎng)的變化在時(shí)間軸上不存在突變的點(diǎn)。

糧溫的連續(xù)穩(wěn)定變化，糧溫的某些統(tǒng)計(jì)特征也連續(xù)穩(wěn)定變化，如圖3a中2018年3月以后，第2、3、4層層糧溫均值連續(xù)穩(wěn)定變化。若儲(chǔ)藏中出現(xiàn)移庫(kù)、倒倉(cāng)、通風(fēng)等情況，會(huì)破壞糧堆場(chǎng)的連續(xù)穩(wěn)定的變化特性，如圖 3a 3次通風(fēng)時(shí)。同樣的，擾動(dòng)也會(huì)破壞統(tǒng)計(jì)特征的變化規(guī)律?；谏鲜鲈?，通過(guò)分析不同統(tǒng)計(jì)特征的變化規(guī)律，歸納總結(jié)檢測(cè)識(shí)別不同擾動(dòng)（狀態(tài)）的統(tǒng)計(jì)特征，作為檢測(cè)糧倉(cāng)狀態(tài)方法。

1.3.2 多變化決策樹(shù)分類算法原理

決策樹(shù)方法是常用的分類學(xué)習(xí)算法，常用的決策樹(shù)分類方法有ID3算法、C4.5、CART（classfication and regression tree）算法[24]。決策樹(shù)實(shí)現(xiàn)的步驟有：特征選擇、決策樹(shù)的生成、決策樹(shù)的修剪[25]。一個(gè)決策樹(shù)通常包含一個(gè)根節(jié)點(diǎn)、若干個(gè)內(nèi)部節(jié)點(diǎn)和若干個(gè)葉節(jié)點(diǎn)[26]。因此，上述3種分類方法通過(guò)選擇不同的函數(shù)來(lái)選擇節(jié)點(diǎn)的特征。單決策樹(shù)的一個(gè)節(jié)點(diǎn)通常由一個(gè)特征變量組成，多變量決策樹(shù)的一個(gè)節(jié)點(diǎn)由多個(gè)特征組成。根據(jù)多變量決策樹(shù)特點(diǎn)，本研究通過(guò)分析糧情數(shù)據(jù)的統(tǒng)計(jì)特征，從中選擇檢測(cè)空倉(cāng)態(tài)、新糧態(tài)、通風(fēng)態(tài)3種狀態(tài)的統(tǒng)計(jì)特征參數(shù)，并設(shè)定特征參數(shù)閾值，作為多變量決策樹(shù)節(jié)點(diǎn)的組合特征，從而完成庫(kù)存狀態(tài)檢測(cè)的類多變量決策樹(shù)設(shè)計(jì)。

1.3.3 統(tǒng)計(jì)特征選擇

相鄰層溫差如圖4a所示，糧溫均值變化率如圖4b所示，新異眾比例如圖4c所示，標(biāo)準(zhǔn)差如圖4d所示，標(biāo)準(zhǔn)差變化率如圖4e所示。圖4a中相鄰層溫差為正表示上一層糧溫均值高于下一層，為負(fù)表示上一層糧溫均值低于下一層。圖4b中糧溫變化率為正表示該層糧溫相對(duì)于前一時(shí)刻該層糧溫增加，為負(fù)表示該層糧溫相對(duì)于前一時(shí)刻該層糧溫降低。圖4e中標(biāo)準(zhǔn)差變化率正表示該層各測(cè)溫點(diǎn)糧溫分布的差異增大，標(biāo)準(zhǔn)差變化率為負(fù)表示該層各測(cè)溫點(diǎn)糧溫分布的差異減小。

由圖4a可以看出，空倉(cāng)時(shí)相鄰層溫差近似為0，這是因?yàn)閭鞲衅鲬覓煸诩Z倉(cāng)內(nèi)測(cè)得的溫度一致；2017年7月末，糧堆第1層溫度較高（見(jiàn)圖3），第4層溫度最低，7月31日左右，各層相鄰層溫差均為正；儲(chǔ)藏至8月中下旬時(shí)，第1層糧溫受倉(cāng)溫影響，溫度降低較快，低于第2層溫度，因此第1層與第2層溫差變?yōu)樨?fù)值；10月通風(fēng)時(shí)，冷風(fēng)進(jìn)入糧堆內(nèi)部將熱空氣吹向糧面，使得第1層溫度升高，第1層與第2層、第2層與第3層溫差先升高為正，通風(fēng)結(jié)束后受倉(cāng)溫影響又降低為負(fù)。3次通風(fēng)均發(fā)生類似情況。進(jìn)入2018年2月下旬后，糧堆第1層受倉(cāng)溫影響溫度升高，第1層與第2層溫差逐漸為正，并呈升高的趨勢(shì)。糧堆內(nèi)部形成冷芯，第2層與第3層溫度接近，因此溫差接近于0，第3層溫度小于第4層，溫差小于0。由圖4d可以看出，空倉(cāng)時(shí)，糧溫基本一致，波動(dòng)較小，因此各層糧溫標(biāo)準(zhǔn)差較小且基本相同；2017年7月末儲(chǔ)藏開(kāi)始后，第1層糧食由于剛?cè)雮}(cāng)不久，各點(diǎn)糧溫差異較小，標(biāo)準(zhǔn)差較低，第2、3、4層由于入倉(cāng)一段時(shí)間，各點(diǎn)糧溫差異較大；儲(chǔ)藏一段時(shí)間后，第1層糧溫出現(xiàn)差異，標(biāo)準(zhǔn)差增大，而后逐漸平穩(wěn)，4層標(biāo)準(zhǔn)差基本一致；3次通風(fēng)破壞了糧堆內(nèi)溫度場(chǎng)穩(wěn)定的變化狀態(tài)，使得各層糧溫差異較大，標(biāo)準(zhǔn)差存在波動(dòng)，在這期間第4層標(biāo)準(zhǔn)差較大，這是因?yàn)橥L(fēng)對(duì)第4層糧溫影響最大。通風(fēng)結(jié)束，2018年1月以后，第1層糧溫受倉(cāng)溫影響，各點(diǎn)糧溫差異較小；第2、3層受倉(cāng)壁滲透熱量的影響，四周糧溫較高，各點(diǎn)糧溫存在差異；第4層不僅受倉(cāng)壁影響，同時(shí)也受倉(cāng)底部熱量滲透影響，因此各點(diǎn)糧溫也存在一些差異，因此1月以后，第1層糧溫標(biāo)準(zhǔn)差最小，第2、3、4層糧溫標(biāo)準(zhǔn)差較大。綜上所述，糧溫統(tǒng)計(jì)特征的變化符合圖3顯示的溫度場(chǎng)云圖變化特征。

從糧倉(cāng)狀態(tài)角度來(lái)分析，由圖4a可以看出，空倉(cāng)狀態(tài)下，相鄰層溫差近似為0；新入糧狀態(tài)下，第3層與第4層溫差最大，第1層與第2層溫差次之，第2層與第3層溫差最小，且上層與下層溫差均大于0 ℃；正常儲(chǔ)藏時(shí)，相鄰層溫差變化無(wú)規(guī)律。由圖4b可以看出，空倉(cāng)和新糧狀態(tài)下，糧溫均值變化率基本維持在區(qū)間-2～2 ℃/d之內(nèi)，正常儲(chǔ)藏過(guò)程中，糧溫均值變化率基本在0 ℃/d左右，通風(fēng)狀態(tài)下，糧溫均值變化率與正常狀態(tài)存在明顯差異。由圖4c可以看出，空倉(cāng)狀態(tài)下，4層的新異眾比例在100%左右，正常儲(chǔ)藏過(guò)程和通風(fēng)時(shí)各層糧溫分布的新異眾比例分布范圍較廣。由圖4d可以看出，空倉(cāng)狀態(tài)下，整倉(cāng)糧溫標(biāo)準(zhǔn)差低于1 ℃，新糧和正常儲(chǔ)藏過(guò)程中，整倉(cāng)或每層糧溫標(biāo)準(zhǔn)差基本大于1 ℃，其中通風(fēng)時(shí)的標(biāo)準(zhǔn)差波動(dòng)較大。由圖4e可以看出，空倉(cāng)和正常儲(chǔ)藏過(guò)程中，糧溫標(biāo)準(zhǔn)差變化率基本在0 ℃上下，通風(fēng)狀態(tài)下，標(biāo)準(zhǔn)差變化率與通風(fēng)前后的標(biāo)準(zhǔn)差變化率差異較大。綜上所述，空倉(cāng)態(tài)適合選用相鄰層溫差值（Em-tdal，temperature difference in adjacent layers at empty warehouse）和新異眾比例（Em-ndp，new different proportions at empty warehouse）作為檢測(cè)特征，新糧態(tài)適合選用相鄰層溫差值（Ng-tdal，temperature difference in adjacent layers at new grain）和標(biāo)準(zhǔn)差Ng-sd（Ng-sd，standard deviation at new grain）作為檢測(cè)特征，通風(fēng)態(tài)適合選用糧溫變化率（V-atcr，change rate of average temperature during ventilation）和標(biāo)準(zhǔn)差變化率（V-sdcr，standard deviation change rate during ventilation）作為檢測(cè)特征。

1.3.4 類多變量決策樹(shù)構(gòu)建

根據(jù)上述選擇的特征，結(jié)合儲(chǔ)糧工藝，設(shè)計(jì)糧倉(cāng)庫(kù)存儲(chǔ)糧狀態(tài)檢測(cè)的多變量決策樹(shù)。如圖5所示，首先判斷數(shù)據(jù)異常參數(shù)是否滿足條件，若滿足則判斷為數(shù)據(jù)異常，若不滿足則進(jìn)行空倉(cāng)判斷。判斷空倉(cāng)的參數(shù)Em-tdal與Em-ndp是否滿足條件，若滿足條件則判斷為空倉(cāng)，若不滿足則進(jìn)行新糧判斷。判斷新糧參數(shù)的Ng-tdal與Ng-sd是否滿足條件，若滿足則判斷為新糧，若不滿足則進(jìn)行通風(fēng)態(tài)判斷；判斷通風(fēng)參數(shù)V-atcr與V-sdcr是否滿足條件，若滿足條件則判斷為通風(fēng)，否則為正常儲(chǔ)藏狀態(tài)。

1.4 統(tǒng)計(jì)特征的閾值設(shè)定

1.4.1 空倉(cāng)態(tài)統(tǒng)計(jì)特征的閾值設(shè)定

圖5 糧倉(cāng)庫(kù)存狀態(tài)檢測(cè)的類多變量決策樹(shù)

1.4.2 新糧態(tài)統(tǒng)計(jì)特征的閾值設(shè)定

分析圖4a與4d中07-25~08-24之間的相鄰層糧溫差值和糧溫標(biāo)準(zhǔn)差分布，結(jié)合儲(chǔ)糧經(jīng)驗(yàn)知，底層糧食最先進(jìn)入糧倉(cāng)，頂層糧食最后進(jìn)入糧倉(cāng)，入糧完畢后，底層糧溫相對(duì)較低，頂層糧溫相對(duì)較高，因此理想狀態(tài)下，第1層與第2層、第2層與第3層、第3層與第4層糧溫差值均大于0 ℃（如圖4a）。根據(jù)設(shè)置的空倉(cāng)相鄰層溫差閾值，將新糧時(shí)相鄰層溫差閾值Ng-tdal設(shè)置為>0.12 ℃。新糧狀態(tài)下，由于4層糧食均為新糧，裝入的時(shí)間相同，糧溫基本相同，但相對(duì)于空倉(cāng)存在一定差異，新糧態(tài)下各層糧溫的標(biāo)準(zhǔn)差相對(duì)于空倉(cāng)時(shí)的糧溫標(biāo)準(zhǔn)差存在小幅度的增加（如圖4d）。計(jì)算新糧時(shí)各層糧溫標(biāo)準(zhǔn)差，根據(jù)閾值設(shè)定方法設(shè)置新糧標(biāo)準(zhǔn)差Ng-sd閾值設(shè)置為≤2 ℃。若糧溫同時(shí)滿足上述2種條件，則判定為新糧態(tài)。

1.4.3 通風(fēng)態(tài)統(tǒng)計(jì)特征的閾值設(shè)定

2 統(tǒng)計(jì)特征的最優(yōu)閾值選擇

2.1 糧情數(shù)據(jù)

在A儲(chǔ)備庫(kù)，選擇糧情數(shù)據(jù)中包含空倉(cāng)、新糧、通風(fēng)3種狀態(tài)的11個(gè)糧倉(cāng)進(jìn)行分析，分別為1、2、3、4、8、9、10、11、14、15、17號(hào)倉(cāng)。其中1、2、10、14號(hào)倉(cāng)糧情數(shù)據(jù)時(shí)段為2017年6月左右到2018年11月，3、4、11、17號(hào)倉(cāng)糧情數(shù)據(jù)時(shí)段為2016年6月左右到2018年11月，8、9、15號(hào)倉(cāng)時(shí)段為2018年6月左右到2018年11月。各倉(cāng)入倉(cāng)時(shí)間均發(fā)生在選擇時(shí)段之后一個(gè)月左右。由于糧情出入庫(kù)記錄涉密，本文中不便于詳述這些糧倉(cāng)的進(jìn)出倉(cāng)、通風(fēng)等操作記錄，只統(tǒng)計(jì)各種狀態(tài)的天數(shù)，其中空倉(cāng)態(tài)分別有31、32、23、12、41、16、13、30、20、1、13 d，新糧態(tài)均為入倉(cāng)后的31d、通風(fēng)態(tài)分別有21、14、14、24、7、7、29、22、26、8、21 d。

2.2 特征閾值的水平選擇試驗(yàn)

2.2.1 試驗(yàn)指標(biāo)

為分析特征參數(shù)對(duì)檢測(cè)結(jié)果的影響，同時(shí)選擇較優(yōu)的特征閾值，以查準(zhǔn)率和查全率為指標(biāo)[29]設(shè)計(jì)試驗(yàn)。查準(zhǔn)率、查全率計(jì)算公式（7）、（8）。

式中表示正確檢測(cè)出的異常個(gè)數(shù)，表示檢測(cè)的個(gè)數(shù)；表示樣本中的異常個(gè)數(shù)。

2.2.2 空倉(cāng)態(tài)特征的閾值水平選擇

根據(jù)上文中空倉(cāng)狀態(tài)下的相鄰層糧溫差值Em-tdal和新異眾比例Em-ndp的閾值，選擇相鄰層糧溫差值Em-tdal閾值為[-0.12,0.12] ℃，新異眾比例Em-ndp分別為100、98、96、94、92%時(shí)，和新異眾比例Em-ndp為98%，相鄰層溫差Em-tdal閾值分別為[-0.16,0.16]、[-0.14,0.14]、[-0.12,0.12]、[-0.10,0.10]、[-0.08,0.08] ℃時(shí)進(jìn)行空倉(cāng)狀態(tài)檢測(cè)，并計(jì)算查準(zhǔn)率與查全率，以及值對(duì)檢測(cè)結(jié)果進(jìn)行綜合評(píng)價(jià)。結(jié)果如表1所示。

分析表1可知，當(dāng)Em-tdal為[-0.12,0.12] ℃，Em-ndp 為100%和98%時(shí)值相等，Em-ndp 為94%和92%時(shí)，值近似相等，為此選擇特征Em-ndp的3個(gè)水平為98%、96%和94%。當(dāng)Em-tdal分別為[-0.16,0.16]、[-0.14,0.14]、[-0.12,0.12] ℃，Em-ndp為98%時(shí)，值排序取前三，因此選擇特征Em-tdal的水平為[-0.16,0.16]、[-0.14,0.14]、[-0.12,0.12] ℃。

表1 空倉(cāng)狀態(tài)下特征的閾值分析結(jié)果

2.2.3 新糧態(tài)特征的閾值水平選擇

根據(jù)上文中新糧狀態(tài)下的特征相鄰層溫差Ng-tdal和標(biāo)準(zhǔn)差Ng-sd的閾值，選擇相鄰層糧溫差值Ng-tdal閾值為0.12 ℃，標(biāo)準(zhǔn)差Ng-sd分別為2.2、2.1、2.0、1.9、1.8 ℃時(shí)，和相鄰層溫差Ng-tdal閾值分別為0.12、0.10、0.08、0.06、0.04、0.03、0.02 ℃，標(biāo)準(zhǔn)差Ng-sd為2.0 ℃進(jìn)行新糧狀態(tài)檢測(cè)，檢測(cè)結(jié)果如表2。

表2 新糧狀態(tài)下特征的閾值分析結(jié)果

由表2可以看出，當(dāng)相鄰層溫差Ng-tdal為0.12℃，標(biāo)準(zhǔn)差Ng-sd為2.2、2.1、2.0 ℃時(shí)，值分別取前三，因此標(biāo)準(zhǔn)差Ng-sd水平選擇2.2、2.1、2.0 ℃。當(dāng)相鄰層溫差Ng-tdal選擇為0.04、0.0.03、0.02 ℃，Ng-sd為2.0 ℃時(shí)，值分別取為前三，因此相鄰層溫差Ng-tdal的水平選擇0.04、0.03、0.02 ℃。

2.2.4 通風(fēng)態(tài)特征的閾值水平選擇

根據(jù)上文中，通風(fēng)狀態(tài)下的參數(shù)均溫變化率V-atcr與標(biāo)準(zhǔn)差變化率V-sdcr閾值，選擇均溫變化率V-atcr閾值區(qū)間為[-0.1,0.1]、[-0.4,0.4]、[-0.5,0.5]、[-0.6,0.6]、[-0.7,0.7]、[-0.8,0.8] ℃/d，標(biāo)準(zhǔn)差變化率V-sdcr閾值區(qū)間為[-0.2,0.2] ℃/d，以及選取均溫變化率V-atcr區(qū)間為[-0.7,0.7] ℃/d，標(biāo)準(zhǔn)差變化率V-sdcr閾值區(qū)間為[-0.18,0.18]、[-0.19,0.19]、[-0.20,0.20]、[-0.21,0.21]、[-0.22,0.22] ℃/d進(jìn)行通風(fēng)狀態(tài)檢測(cè)，結(jié)果如表3。

表3 通風(fēng)狀態(tài)下特征的閾值分析結(jié)果

由表3可以看出，當(dāng)V-atcr選擇為[-0.5,0.5]、[-0.6,0.6]、[-0.7,0.7] ℃/d，V-sdcr 為[-0.2,0.2] ℃/d時(shí)值為前三，因此均溫變化率V-atcr水平選擇為[-0.5,0.5]、[-0.6,0.6]、[-0.7,0.7] ℃/d。當(dāng)V-atcr選擇為[-0.7,0.7] ℃/d，V-sdcr 選擇為[-0.22,0.22]、[-0.21,0.21] ℃/d時(shí)，值為前二，當(dāng)V-sdcr 選擇為[-0.18,0.18] ℃/d時(shí)值大于V-sdcr 為[-0.20,0.20] ℃/d的，但兩者較為相近，為保證水平的連續(xù)性，標(biāo)準(zhǔn)差變化率V-sdcr水平選擇[-0.22,0.22]、[-0.21,0.21]、[-0.20,0.20] ℃/d。

2.3 統(tǒng)計(jì)特征最優(yōu)閾值的試驗(yàn)結(jié)果與分析

2.3.1 空倉(cāng)態(tài)的檢測(cè)結(jié)果與分析

選擇2.1節(jié)中的糧倉(cāng)糧情數(shù)據(jù)進(jìn)行檢測(cè)。根據(jù)2.2節(jié)中，空倉(cāng)、新糧、通風(fēng)狀態(tài)下選擇參數(shù)的水平，以查準(zhǔn)率與查全率為指標(biāo)，設(shè)計(jì)二因素三水平的正交試驗(yàn)，并計(jì)算查準(zhǔn)率、查全率以及綜合評(píng)價(jià)指標(biāo)值?？諅}(cāng)狀態(tài)的檢測(cè)結(jié)果如表4所示。

表4 空倉(cāng)檢測(cè)結(jié)果

注：1、2、3分別為對(duì)應(yīng)參數(shù)的檢測(cè)結(jié)果的和，1、2、3分別為對(duì)應(yīng)參數(shù)檢測(cè)結(jié)果的均值，為參數(shù)不同水平的極差。下同

Note:1,2and3are the sum of the test results of corresponding parameters,1,2and3are the mean of the test results of corresponding parameters, andis the extreme difference of the level. The same below.

2.3.2 新糧態(tài)的檢測(cè)結(jié)果與分析

選擇2.1節(jié)中的糧倉(cāng)糧情數(shù)據(jù)進(jìn)行檢測(cè)。新糧態(tài)檢測(cè)結(jié)果如表5所示。由表5極差分析欄對(duì)查準(zhǔn)率的影響可以看出：1）相鄰層溫差對(duì)查準(zhǔn)率的影響隨著相鄰層溫差的增大而增大，增大到一定程度后保持不變；2）標(biāo)準(zhǔn)差對(duì)查準(zhǔn)率的影響隨著標(biāo)準(zhǔn)差閾值區(qū)間的增大而減小。由表5極差分析欄對(duì)查全率的影響可以看出：1）相鄰層溫差對(duì)查全率的影響隨著相鄰層溫差的增大而減小；2）標(biāo)準(zhǔn)差對(duì)查全率的影響隨著標(biāo)準(zhǔn)差閾值區(qū)間的增大而增大。由表5因素的極差分析可知，各因素對(duì)查準(zhǔn)率影響的大小順序?yàn)椋篘g-sd>Ng-tdal。各因素對(duì)查全率影響的大小順序?yàn)椋篘g-tdal>Ng-sd。根據(jù)因素對(duì)值得影響，選擇特征的最優(yōu)閾值組合：相鄰層溫差閾值≥0.02 ℃或0.03 ℃，標(biāo)準(zhǔn)差閾值≤2.0 ℃或2.1 ℃。

表5 新糧態(tài)檢測(cè)結(jié)果

2.3.3 通風(fēng)態(tài)的檢測(cè)結(jié)果與分析

表6 通風(fēng)態(tài)檢測(cè)結(jié)果

3 糧倉(cāng)庫(kù)存狀態(tài)檢測(cè)試驗(yàn)

為驗(yàn)證上述庫(kù)存狀態(tài)檢測(cè)方法在不同省份的適用性和準(zhǔn)確性，在已有糧情數(shù)據(jù)的省份中，選擇環(huán)境條件類似的試驗(yàn)倉(cāng)進(jìn)行檢測(cè)。A儲(chǔ)備庫(kù)屬于第4儲(chǔ)糧生態(tài)區(qū)，因此從第4儲(chǔ)糧生態(tài)區(qū)和與第4生態(tài)區(qū)環(huán)境類似的第5儲(chǔ)糧生態(tài)區(qū)中，選擇符合條件的糧倉(cāng)進(jìn)行檢測(cè)（糧情數(shù)據(jù)包含從入倉(cāng)到新糧，再到穩(wěn)定儲(chǔ)藏這個(gè)過(guò)程），分別為湖南B倉(cāng)、湖北C號(hào)倉(cāng)、河南D號(hào)倉(cāng)、貴州E號(hào)倉(cāng)、甘肅F號(hào)倉(cāng)、福建G號(hào)倉(cāng)、安徽H號(hào)倉(cāng)，檢測(cè)結(jié)果如表7所示。由于數(shù)據(jù)異常狀態(tài)的檢測(cè)準(zhǔn)確率為100 %，因此不在結(jié)果中討論。

表7 庫(kù)存狀態(tài)檢測(cè)結(jié)果

注：表中Means計(jì)算時(shí)未包括準(zhǔn)確率、查全率不存在的情況，即表中“-”。

Note: The calculation of means in the table does not include the absence of accuracy rate and recall rate, that is “-” in the table.

由表7可以看出，空倉(cāng)態(tài)的平均查準(zhǔn)率與查全率分別為78%和82%，新糧態(tài)的平均查準(zhǔn)率與查全率均比較低，分別為74%和70%，通風(fēng)態(tài)的平均查準(zhǔn)率和平均查全率分別為91%和88%，3種狀態(tài)的平均查準(zhǔn)率和查全率分別為81、80、87%。新糧態(tài)的查準(zhǔn)率和查全率最低，低于75%，通風(fēng)態(tài)的平均查準(zhǔn)率和平均查全率位于90%左右，空倉(cāng)時(shí)的平均查準(zhǔn)率和查全率在75%左右。

4 討 論

由表4可以看出，空倉(cāng)態(tài)的查準(zhǔn)率為85%左右。查準(zhǔn)率較低，說(shuō)明存在被誤檢測(cè)成空倉(cāng)的狀態(tài)，這是因?yàn)橥L(fēng)時(shí)整個(gè)糧堆的溫度都降低，通風(fēng)后整個(gè)糧堆的溫度近乎相等的情況，這種溫度場(chǎng)分布狀態(tài)與空倉(cāng)時(shí)的溫度場(chǎng)類似，容易被檢測(cè)為空倉(cāng)態(tài)。空倉(cāng)態(tài)的查全率為95%左右，說(shuō)明存在未被檢測(cè)出的空倉(cāng)態(tài)，分析其原因發(fā)現(xiàn)是空倉(cāng)時(shí)，有些測(cè)溫點(diǎn)傳感器出現(xiàn)故障，檢測(cè)的溫度與其他存在較大差異，但并不屬于屬于異常范圍，這些空倉(cāng)狀態(tài)沒(méi)有被檢測(cè)出。

由表5可以看出，新糧態(tài)檢測(cè)結(jié)果中查準(zhǔn)率基本維持在64%左右，查全率在80%左右，查準(zhǔn)率和查全率相對(duì)較低。分析查準(zhǔn)率較低的原因，一些糧倉(cāng)上層糧溫變化緩慢，超出新糧時(shí)段，溫度場(chǎng)云圖特征依然符合新糧態(tài)的特征，如圖6所示為8號(hào)倉(cāng)被誤檢測(cè)的溫度場(chǎng)云圖。8號(hào)倉(cāng)新糧時(shí)段為2018-08-05—2018-09-05，而當(dāng)2018-09-13時(shí)，由云圖可以看出，此時(shí)的云圖依然符合新糧態(tài)的云圖特征，因此被檢測(cè)為新糧態(tài)。查全率較低是因?yàn)楸狙芯慷x新糧態(tài)為糧食入滿糧倉(cāng)后的31 d為新糧態(tài)，而實(shí)際入倉(cāng)完畢后一段時(shí)間（<31 d），糧堆溫度場(chǎng)逐漸變化，糧堆中間逐漸形成熱芯，即底層與表層糧溫高于（或低于）糧堆中層溫度。如圖7所示，為A儲(chǔ)備庫(kù)4號(hào)倉(cāng)新糧時(shí)的部分云圖，圖中灰色部分表示測(cè)溫點(diǎn)異常位置。該倉(cāng)的新糧時(shí)段為2016-08-29~2016-09-26，由圖可以看出，2016-08-29時(shí)的糧堆第1層溫度最高，第4層溫度最低；儲(chǔ)藏至2016-09-18后，第1層受倉(cāng)溫影響溫度降低，低于第2層溫度，第1層與第2層的層溫差值小于0，不符合新糧態(tài)的云圖特征，2016-09-26第1層溫度進(jìn)一步降低。因此09-18后的未被判定為新糧態(tài)，使得新糧態(tài)查全率較低。

圖6 被誤檢測(cè)為新糧的8號(hào)倉(cāng)溫度場(chǎng)云圖

圖7 4號(hào)倉(cāng)新糧時(shí)的溫度場(chǎng)云圖

由表6可以看出，通風(fēng)態(tài)檢測(cè)結(jié)果中查準(zhǔn)率基本在74%～80%之間，查全率基本在67%～77%之間。查準(zhǔn)率較低說(shuō)明存在一些誤檢測(cè)的樣本，這是因?yàn)閷?shí)際儲(chǔ)藏過(guò)程中，糧倉(cāng)保管員在發(fā)現(xiàn)糧堆溫度有些異常后，將糧堆通風(fēng)道打開(kāi)，并未進(jìn)行機(jī)械通風(fēng)，但外界空氣進(jìn)入糧堆導(dǎo)致糧堆底部溫度降低，或者機(jī)械通風(fēng)結(jié)束后，保管員未及時(shí)關(guān)閉風(fēng)道，使得糧堆底層溫度繼續(xù)降低，這些情況下的糧堆狀態(tài)易被檢測(cè)為通風(fēng)態(tài)。查全率較低說(shuō)明存在一些未被檢測(cè)出的樣本，這是因?yàn)闄C(jī)械通風(fēng)后期，糧堆底部溫度與進(jìn)入的空氣溫度基本一致，繼續(xù)通風(fēng)，糧堆底部溫度變化幅度未達(dá)到本文所設(shè)通風(fēng)態(tài)糧溫變化的范圍，這種情況下的通風(fēng)態(tài)未被檢測(cè)出。

由表7可以看出，部分省份空倉(cāng)、新糧或通風(fēng)狀態(tài)的檢測(cè)結(jié)果并未達(dá)到100%，其原因出除上述分析外，由于不同糧庫(kù)管理并不相同，因此存在一些其他原因。河南省D號(hào)倉(cāng)空倉(cāng)的查準(zhǔn)率0，這是因?yàn)檫x取的該糧倉(cāng)糧情數(shù)據(jù)開(kāi)始即為新糧狀態(tài)，不存在空倉(cāng)狀態(tài)，檢測(cè)出2個(gè)空倉(cāng)態(tài)是由于整倉(cāng)糧情數(shù)據(jù)異常，使得相鄰兩天的糧溫被倉(cāng)溫替代，從而被檢測(cè)為空倉(cāng)態(tài)。甘肅省F號(hào)倉(cāng)新糧的查準(zhǔn)率與查全率均為0，分析其原因是由于該糧倉(cāng)，入倉(cāng)時(shí)糧食溫度存在一定差異，入倉(cāng)完畢后同一水平面糧堆不同區(qū)域糧食溫度不一致，糧堆中頂層糧溫與中層糧溫、中層糧溫與底層糧溫沒(méi)有形成正的糧溫梯度，相鄰層溫差不滿足新糧態(tài)的條件，因而被檢測(cè)為正常儲(chǔ)藏過(guò)程，從而使得該倉(cāng)新糧的查準(zhǔn)率和查全率為0。F號(hào)倉(cāng)的空倉(cāng)態(tài)與通風(fēng)態(tài)的值為66%和100%，通風(fēng)態(tài)可以檢測(cè)，但空倉(cāng)態(tài)檢測(cè)不夠準(zhǔn)確。

對(duì)比表4-6與表7三種狀態(tài)的檢測(cè)效果可以發(fā)現(xiàn)，在表4-6中，空倉(cāng)態(tài)>通風(fēng)態(tài)>新糧態(tài)，而在表7中，通風(fēng)態(tài)>空倉(cāng)態(tài)>新糧態(tài)。兩者存在差異，這是因?yàn)楸?-6的檢測(cè)結(jié)果使用的糧溫?cái)?shù)據(jù)來(lái)源為陜西省同一個(gè)糧庫(kù)，管理方式、軟硬件一致。而表7的糧溫?cái)?shù)據(jù)來(lái)源不同的省份，管理方式、軟硬件與陜西省糧倉(cāng)存在差異，導(dǎo)致兩者檢測(cè)結(jié)果存在差異。因此可以看出，3種狀態(tài)的檢測(cè)效果在不同省份存在差異，而且僅使用一個(gè)省份的糧溫?cái)?shù)據(jù)進(jìn)行試驗(yàn)的結(jié)果存在一定缺陷，因此今后還要加大樣本量才能使本文方法更實(shí)用。

本文研究使用的糧情數(shù)據(jù)來(lái)自平房倉(cāng)或高大平房倉(cāng)，這些糧倉(cāng)保溫性能較好，糧種主要有玉米、小麥和稻谷。因此該檢測(cè)方法適合保溫性能較好的糧倉(cāng)，如平房倉(cāng)、高大平房倉(cāng)、淺圓倉(cāng)、立筒倉(cāng)、磚圓倉(cāng)等，能夠檢測(cè)的糧種包括玉米、小麥、稻谷，其他具有同樣溫度場(chǎng)變化規(guī)律的糧種同樣適合（如大豆），不適合檢測(cè)保溫性能差的糧倉(cāng)狀態(tài)（糧堆內(nèi)部易受外溫影響）。另外，本文研究的縱向通風(fēng)方式，分析的是垂直于通風(fēng)方向測(cè)溫平面的層溫變化率與層溫標(biāo)準(zhǔn)差變化率，當(dāng)橫向通風(fēng)時(shí)，需要分析垂直于通風(fēng)方向測(cè)溫平面的溫度變化率與標(biāo)準(zhǔn)差變化率，此時(shí)的檢測(cè)方法是否試用需進(jìn)一步分析。該檢測(cè)方法主要依據(jù)糧溫?cái)?shù)據(jù)，若檢溫?cái)?shù)據(jù)中存在較多異常數(shù)據(jù)，會(huì)影響檢測(cè)結(jié)果。

5 結(jié) 論

1）分析了歷史糧溫統(tǒng)計(jì)特征的變化規(guī)律，確定了檢測(cè)空倉(cāng)、新糧、通風(fēng)3種狀態(tài)所需的統(tǒng)計(jì)特征。通過(guò)分析歷史儲(chǔ)藏中，糧堆的相鄰層溫差、糧溫變化率、新異眾比例、標(biāo)準(zhǔn)差以及標(biāo)準(zhǔn)差變化率，確定了相鄰層溫差和新異眾比例可以檢測(cè)空倉(cāng)態(tài)，相鄰層溫差和標(biāo)準(zhǔn)差可以檢測(cè)新糧態(tài)，糧溫變化率和標(biāo)準(zhǔn)差變化率可以檢測(cè)通風(fēng)態(tài)。

3）選擇7個(gè)不同省份的糧倉(cāng)，利用提出的庫(kù)存狀態(tài)檢測(cè)方法進(jìn)行檢測(cè)試驗(yàn)，試驗(yàn)結(jié)果顯示空倉(cāng)態(tài)的查準(zhǔn)率與查全率分別為78%和82%，新糧態(tài)的查準(zhǔn)率與查全率分別為74%和70%，通風(fēng)態(tài)的查準(zhǔn)率與查全率分別為91%和88%，檢測(cè)結(jié)果表明該庫(kù)存狀態(tài)檢測(cè)方法可以滿足糧庫(kù)檢查的工作需求。

[1] 尹君，吳子丹，張忠杰，等. 基于多場(chǎng)耦合理論淺析淺圓倉(cāng)局部結(jié)露機(jī)理[J]. 中國(guó)糧油學(xué)報(bào)，2015，30(5)：90－95. Yin Jun, Wu Zidan, Zhang Zhongjie, et al. Analysis of the formation mechanism of partial condensation for the stored grain in steel squat silo based on multi-fields coupling theory[J]. Journal of the Chinese Cereals and Oils Association, 2015, 30(5): 90－95. (in Chinese with English abstract)

[2] 尹君，吳子丹，吳曉明，等. 基于溫濕度場(chǎng)耦合的糧堆離散測(cè)點(diǎn)溫度場(chǎng)重現(xiàn)分析[J]. 中國(guó)糧油學(xué)報(bào)，2014，29(12)：95－101. Yin Jun, Wu Zidan, Wu Xiaoming, et al. Analysis of temperature field recurrence in discrete points of grain heap based on coupling of temperature and humidity fields[J]. Journal of the Chinese Cereals and Oils Association, 2014, 29(12): 95－101. (in Chinese with English abstract)

[3] 李興軍，吳子丹. 糧堆平衡絕對(duì)濕度和露點(diǎn)溫度的查定方法[J]. 糧食加工，2011，36(4)：34－37. Li Xingjun, Wu Zidan. Determination of grain stack’s equilibrium absolute humidity and dew point temperature[J]. Grain Processing, 2011, 36(4): 34－37. (in Chinese with English abstract)

[4] 吳子丹，張忠杰，趙會(huì)義，等. 一種基于溫度濕度場(chǎng)耦合的糧堆結(jié)露預(yù)警防控系統(tǒng)及方法：CN104007776A[P]. 2014-08-27.

[5] Roberta M N, Bruna B H, Solenir R, et al. Simulation and validation of a mathematical model for temperature profile of corn stored in silo bag[J]. Jaboticabal, 2014, 42(4): 330－337.

[6] 尹君. 小麥糧堆多場(chǎng)耦合模型及結(jié)露預(yù)測(cè)研究[D]. 長(zhǎng)春：吉林大學(xué)，2015. Yin Jun. Research on Multi-fields Coupling Model of Wheat Grain and Condensation Prediction[D]. Changchun: Jilin University, 2015. (in Chinese with English abstract)

[7] 王小萌，吳文福，尹君，等. 基于溫濕度場(chǎng)云圖的小麥糧堆霉變與溫濕度耦合分析[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(10)：260－266. Wang Xiaomeng, Wu Wenfu, Yin Jun, et al. Analysis of wheat bulk mould and temperature-humidity coupling based on temperature and humidity field cloud map[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(10): 260－266. (in Chinese with English abstract)

[8] 王小萌，吳文福，尹君，等. 玉米糧堆霉變發(fā)熱過(guò)程中的溫濕度場(chǎng)變化規(guī)律研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35(3)：268－273. Wang Xiaomeng, Wu Wenfu, Yin Jun, et al Research on temperature and humidity field change during corn bulk microbiological heating[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(3): 268－273. (in Chinese with English abstract)

[9] 唐芳，程樹(shù)峰，張海洋，等. 稻谷儲(chǔ)藏真菌危害早期預(yù)測(cè)的研究[J]. 糧食儲(chǔ)藏，2015，44(1)：24－27. Tang Fang, Cheng Shufeng, Zhang Haiyang, et al. Study on the forecasting fungal growth in stored paddy[J]. Grain Storage, 2015, 44(1): 24－27. (in Chinese with English abstract)

[10] 程樹(shù)峰，唐芳，歐陽(yáng)毅，等. 大豆儲(chǔ)藏真菌危害早期預(yù)測(cè)的研究[J]. 中國(guó)糧油學(xué)報(bào)，2015，30(7)：77－80. Cheng Shufeng, Tang Fang, Ouyang Yi, et al. The early prediction of damage of fungus during soybean storage[J]. Journal of the Chinese Cereals and Oils Association, 2015, 30(7): 77－80. (in Chinese with English abstract)

[11] 歐陽(yáng)毅，祁智慧，李春元，等. 玉米儲(chǔ)藏真菌早期預(yù)測(cè)的研究[J]. 糧油食品科技，2017，25(5)：52－55. Ouyang Yi, Qi Zhihui, Li Yuanchun, et al. Early prediction of fungus hazard during corn storage [J]. Science and Technology of Cereals, Oils and Foods, 2017, 25(5): 52－55. (in Chinese with English abstract)

[12] Chen Demin, Zhang Yuan. The system of monitoring the number of grain storage based on the pressure sensor netmork[J]. Microcomputer Information, 2009, 25(5): 142－143. (in Chinese with English abstract)

[13] Venkatesh M S, Raghavan G S V. An overview of micro-wave processing and dielectric; properties of agri-food materials [J]. Biosystems Engineering, 2004, 88(1): 1－18.

[14] Samir T, Stuart O N. On the accuracy of bulk density and moisture content prediction in wheat from near field free space measurements[J]. Technisches Messen, 2007, 74(5): 280－289.

[15] 劉世界. 基于三維力傳感器的糧倉(cāng)儲(chǔ)糧數(shù)量檢測(cè)系統(tǒng)研究[D]. 鄭州：河南工業(yè)大學(xué)，2018. Liu Shijie. Research on the Quantity Detection System of Grain Storage in Granary Based on Three Dimensional Force Sensor[D]. Zhengzhou: Henan University of Technology, 2018. (in Chinese with English abstract)

[16] 張新新，張?jiān)?，廉飛宇. 儲(chǔ)糧數(shù)量的電磁波探測(cè)技術(shù)研究[J]. 電腦知識(shí)與技術(shù)，2014，10(10)：2453－2454. Zhang Xinxin, Zhang Yuan, Lian Feiyu. A study on electromagnetic wave detection technology for grain storage amount[J]. Computer Knowledge and Technology, 2014, 10(10): 2453－2454. (in Chinese with English abstract)

[17] 宋立明，李秀華，李萬(wàn)龍. 基于計(jì)算機(jī)視覺(jué)的儲(chǔ)糧智能稽核方法[J]. 吉林大學(xué)學(xué)報(bào)：自然科學(xué)版，2013，31(1)：109－111. Song Liming, Li Xiuhua, Li Wanlong. Survey on reserved grain intelligent audit methods based on computer vision[J]. Journal of Jilin University(Information Science Edition), 2013, 31(1): 109－111. (in Chinese with English abstract)

[18] Zhang Qingming, Leng Yuanbao, Yang lei, et al. Research on Three-dimensional laser scanning and three-dimensional geological modeling techniques forengineering investigation[J]. Progress in Geophysics, 2009, 24(3): 1149－1153.

[19] 盧昊宇. 基于激光標(biāo)定與圖像處理的糧倉(cāng)儲(chǔ)糧數(shù)量檢測(cè)系統(tǒng)[D]. 鄭州：河南工業(yè)大學(xué)，2018. Lu Haoyu. A Granary Storage Quantity Detection System based on Laser Calibration and Image Processing[D]. Zhengzhou: Henan University of Technology, 2018. (in Chinese with English abstract)

[20] 秦驍. 儲(chǔ)備糧數(shù)字管理策略與方法的研究[D]. 長(zhǎng)春：吉林大學(xué)，2018. Qing Xiao. Research on the Strategies and Methods of Storing Grain Digital Supervision[D]. Changchun: Jilin university, 2018.

[21] 崔宏偉，吳文福，吳子丹，等. 基于糧溫時(shí)空相關(guān)性的儲(chǔ)糧數(shù)量監(jiān)管方法研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2019，50(1)：321－330. Cui Hongwei, Wu Wenfu, Wu Zidan, et al. Monitoring method of stored grain quantity based on temperature field cloud maps[J]. Transactions of the Chinese Society for Agricultural Machinery, 2019, 50(1): 321－330. (in Chinese with English abstract)

[22] 崔宏偉，吳文福，吳子丹，等. 基于溫度場(chǎng)云圖的儲(chǔ)糧數(shù)量監(jiān)控方法研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2019，35(4)：290－298. Cui Hongwei, Wu Wenfu, Wu Zidan, et al. Monitoring method of stored grain quantity based on temperature field cloud maps[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(4): 290－298. (in Chinese with English abstract)

[23] 朱浩天. 儲(chǔ)糧監(jiān)管方法的研究與應(yīng)用[D]. 長(zhǎng)春：吉林大學(xué)，2019. Zhu Haotian. Research and Application of Food Storage Supervision Methods[D]. Changchun: Jilin university, 2019. (in Chinese with English abstract)

[24] 白露. 特定領(lǐng)域漢語(yǔ)分詞標(biāo)準(zhǔn)制定方法的研究[D]. 北京：北京交通大學(xué)，2017. Bai Lu. Research on the Specification of Chinese Word Segmentation Designed for Special Domain[D]. Beijing: Beijing Jiaotong University, 2017. (in Chinese with English abstract)

[25] 蔡慧蘋. 基于卷積神經(jīng)網(wǎng)絡(luò)的短文本分類方法研究[D]. 重慶：西南大學(xué)，2016. Cai Huiping. Research of Short-text Classification Method based on Convolution Neural Network[D]. Chongqing: Southwest University, 2016. (in Chinese with English abstract)

[26] 尚朝軒，王品，韓壯志，等. 基于類決策樹(shù)分類的特征層融合識(shí)別算法[J]. 控制與決策，2016，6(31)：1009－1014. Shang Chaoxuan, Wang Pin, Han Zhuangzhi, et al. Feature-level fusion recognition algorithm based on analogy decision tree classification[J]. Control and Decision, 2016, 6(31): 1009－1014. (in Chinese with English abstract)

[27] 赫振方，趙玉霞，曹陽(yáng)，等. 平房倉(cāng)糧堆溫度時(shí)空分布的基本統(tǒng)計(jì)特征分析[J]. 糧食儲(chǔ)藏，2010，39(4)：15－20. Hao Zhenfang, Zhao Yuxia, Cao Yang, et al. Statistical character on temporal ans spatial distributing of grain temperature in warehouse. [J]. Grain Storage, 2010, 39(4): 15－20. (in Chinese with English abstract)

[28] 劉恒，劉振娟，李宏光. 基于數(shù)據(jù)驅(qū)動(dòng)的化工過(guò)程參數(shù)報(bào)警閾值優(yōu)化[J]. 化工學(xué)報(bào)，2012，63(9)：2733－2738. Liu Heng, Liu Zhenjuan, Li Hongguang. A data-driven approach to chemical process alarm threshold optimization[J]. CIESC Journal, 2012, 63(9): 2733－2738. (in Chinese with English abstract)

[29] 陸悠，李偉，羅軍舟，等. 一種基于選擇性協(xié)同學(xué)習(xí)的網(wǎng)絡(luò)用戶異常行為檢測(cè)方法[J]. 計(jì)算機(jī)學(xué)報(bào)，2014，37(1)：28－40. Lu You, Li Wei, Luo Junzhou, et al. A network user’s abnormal behavior detection approach based on selective collaborative learning[J]. Chinese Journal of Computers, 2014, 37(1): 28－40. (in Chinese with English abstract)

Method to detect granary state based on statistical characteristics of grain temperature

Cui Hongwei, Wu Wenfu, Wu Zidan※, Lan Tianyi, Dou Jianpeng

(,,130022,)

Accurate detection of historical status of granary is helpful for its management. Based on statistical analysis of grain temperature in granary, this paper presents a method to detect the storage status of the granary in attempts to resolve the problem of time-consuming and tediousness faced by inventory inspection. Warehouse with state of being empty, filled with fresh grain and ventilation was used as an example. Analysis of the distribution of statistical characteristics of historical grain temperature showed that the empty warehouse could be detected using the difference in temperature between the upper and lower adjacent layers of the grain bulk as well as the variation of the grain temperature; the fresh grain could be detected by the difference in temperature between adjacent layers and the difference in standard deviation of the grain temperature; the ventilation could be detected by the change in the grain temperature and the standard deviation difference of the grain temperature. The threshold intervals of the characteristic parameters of the three states were set preliminarily from analysis of the statistical characteristics of the grain temperature. Based on the threshold intervals, three optimal levels were selected and the orthogonal experiments of two-factors and three-levels were designed. In the same grain depot with 11 granaries, new and ventilated granaries were chosen for the orthogonal experiments. The optimal threshold range of the statistical characteristic parameters were determined by analyzing the statistical characteristics of the historical grain temperature changes in the 11 granaries. Multi-variable decision tree for inventory status detection was designed and the optimal threshold of the characteristic parameters of the multi-variable decision tree were as follows. The temperature difference between adjacent layers for empty granary status detection was [-0.12, 0.12] ℃. The temperature difference between adjacent layers was more than 0.02 (or 0.03) ℃, and the standard deviation was less than 2.0 (or 2.1) ℃. The average temperature change rate in the parameters for detecting the ventilation characteristics was [-0.5, 0.5] ℃/d and the standard deviation change rate was [-0.21, 0.21] ℃/d . Finally, seven granaries in different provinces were selected to test the detection method. The results showed that the accuracy and recall rates were 78% and 82% respectively for the empty granary state, and 74% and 70% respectively for new grain state, and 91% and 88% respectively for ventilated state. The test results showed that the proposed method detected granary at empty and ventilated state more accurate than at new grain state.

grain; temperature; statistical characteristics; reserve state; empty warehouse; new grain; ventilation

崔宏偉，吳文福，吳子丹，蘭天憶，竇建鵬. 基于糧溫統(tǒng)計(jì)特征的糧倉(cāng)庫(kù)存狀態(tài)檢測(cè)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2020，36(2)：320－330. doi：10.11975/j.issn.1002-6819.2020.02.037 http://www.tcsae.org

Cui Hongwei, Wu Wenfu, Wu Zidan, Lan Tianyi, Dou Jianpeng. Method to detect granary state based on statistical characteristics of grain temperature[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(2): 320－330. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.02.037 http://www.tcsae.org

2019-09-02

2019-10-15

國(guó)家重點(diǎn)研發(fā)計(jì)劃子課題（2017YFD0401004-3）

崔宏偉，博士生，主要從事糧食信息化與自動(dòng)化研究。Email：chw19900405@126.com

吳子丹，研究員，博士生導(dǎo)師，主要從事糧食儲(chǔ)藏與運(yùn)輸研究。Email：Wuzidan91@163.com

10.11975/j.issn.1002-6819.2020.02.037

S24；TP391.4

A

1002-6819(2020)-02-0320-11