徐佳樂 黃丹平 田建平 于少東 黃 丹 羅惠波 田 穎 劉 亮

(1. 四川輕化工大學機械工程學院，四川 宜賓 644000；2. 四川輕化工大學生物工程學院，四川 宜賓 644000)

曲房中曲塊發(fā)酵好壞直接影響白酒品質，而曲塊發(fā)酵依靠曲塊自身和環(huán)境中的微生物，其生長代謝過程又主要受到曲房環(huán)境條件影響，微生物的發(fā)酵需要低氧、高濕度和高溫的環(huán)境，其中溫度的變化是導致曲塊發(fā)酵好壞的關鍵因素[1-2]。目前中國對于智能曲房的研發(fā)仍處于工程測試階段，曲房溫度控制方法已經取得了一部分研究成果：趙殿臣等[3]提出的溫濕度無線控制自動開關窗技術在曲房的開發(fā)應用通過開合門窗大小，控制曲房溫度，但開窗會使曲房內外空氣交互導致曲房內濕度、二氧化碳等含量降低，影響曲塊發(fā)酵；黃娟等[4]提出基于模糊C均值聚類算法的溫度測點優(yōu)化與建模研究，通過均值聚類選擇最優(yōu)點進行測量，從而減少采集溫度點，但不適用于曲房等高密度，多變量環(huán)境；吳曉強等[5]提出的基于模糊神經網絡的溫室溫濕度智能控制系統(tǒng)，陳曉春[6]提出的啤酒發(fā)酵系統(tǒng)溫度智能控制；張申宇等[7]提出的基于模糊自適應PID真空室溫度控制，解決的是溫度測量點較少的情況，并不適用于多輸入的曲房溫度控制。

在現有研究的基礎上，為避免上述中的曲房內外空氣交互，采集溫度點多，數據量大等問題，高效、可靠地實現曲房溫度實時控制，擬研制新型曲房內循環(huán)溫度測控系統(tǒng)，著重對溫度控制系統(tǒng)的硬件結構和溫度控制算法做出改進，設計內循環(huán)管道結構和雙神經網絡的控制算法，使曲房內部溫度更均勻，以期改善曲房溫度的控制效果。

1 系統(tǒng)組成

由于曲塊中含有大量的高溫厭氧性微生物，微生物發(fā)酵時曲房中的溫度、濕度和二氧化碳含量應高于外界。開窗通風控溫方式與傳統(tǒng)曲房的控溫模式都會使曲房內外空氣接觸，導致曲房內的水分和二氧化碳含量減少，不利于微生物的發(fā)酵。

為了在控溫的同時不讓曲房內的空氣與外部空氣交換，采用內循環(huán)管道結構。該結構能使曲房內部空氣在循環(huán)管道中流通，在控溫的同時不與外界空氣接觸，減少水分和二氧化碳的流失。內循環(huán)管道結構如圖1(a)所示。

1. 加熱器 2. 風向切換蝶閥 3. 風機 4. 空氣管 5. 風口開度蝶閥

曲房內循環(huán)系統(tǒng)通過改變曲房不同位置的風口開度蝶泵的流量和風向切換蝶閥的開閉，進而控制曲房中左上、左下、右上和右下4個位置的空氣管抽取曲房中的空氣，空氣通過內循環(huán)管道、加熱器內的熱源、4個位置的空氣管道再次進入曲房，實現溫度的控制，其循環(huán)模式如圖2(b) 所示，該系統(tǒng)能隔絕曲房內外空氣的接觸，防止水分和二氧化碳的流失。

曲房內循環(huán)溫度測控系統(tǒng)結構框架圖如圖2所示。

圖2 智能曲房測控系統(tǒng)硬件結構框Figure 2 Hardware structure frame of intelligent Qufang measurement and control system

系統(tǒng)運行時，無線模塊接收多個溫度傳感器輸出的模擬量信號并轉換為數字量信號，無線路由器接收該信號，并將其傳輸到上位機進行處理分析，依據所得到結果發(fā)出控制命令傳輸到PLC中。由模擬量輸出模塊與數字量輸出模塊控制變頻器輸出功率，控制曲塊發(fā)酵過程中曲房溫度參數的變化。

軟件系統(tǒng)框圖如圖3所示。上位機軟件與PLC之間采用EtherNet/IP協(xié)議實現通訊。PLC利用以太網通信模塊將傳感器采集數據通過工業(yè)以太網的方式傳輸到上位機中，并由上位機軟件組態(tài)王接收、處理、查詢以及顯示，如圖4所示。Visual studio通過DDE share(內存共享)調用組態(tài)王中的數據，進行雙神經網絡計算，并將控制參數存回本地地址中，等待組態(tài)王下傳。

圖3 軟件系統(tǒng)Figure 3 Software system

圖4 組態(tài)王界面Figure 4 Kingview interface

2 雙神經網絡控制算法

曲房溫度在采集和控制時存在以下問題：曲房空間大，不同位置尤其是上下層之間存在較大溫差；曲房中堆積著大量曲塊和曲架，無法在適當位置放置溫度傳感器；少量溫度傳感器數據不能很好地反映曲房的實際環(huán)境溫度，測量點過度會導致數據特征不明顯；采集點靠近曲塊時容易受到曲塊自身溫度的干擾。

為了解決上述問題，采用基于雙神經網絡的溫度控制方式，如圖5所示。核心算法由聚類算法和溫度控制算法組成。其中聚類算法接收所有采集點的溫度數據通過非線性映射，聚類成K個特征溫度；溫度控制算法將聚類后的特征溫度作為輸入，輸出8個控制參數，控制風口開度蝶閥的流量和加熱器功率，進而調控曲房內的溫度。

圖5 曲房溫度系統(tǒng)控制流程Figure 5 Control flow of temperature system in Qufang

由于RBF神經網絡有很強的非線性擬合能力，可映射任意復雜的非線性關系，而且學習規(guī)則簡單，具有很強的魯棒性、記憶能力、非線性映射能力以及強大的自學習能力等優(yōu)勢，研究選用其作為聚類網絡。而相比于傳統(tǒng)的PID控制，BP神經網絡具有一定的智能性、時效性，控制時能夠根據曲房溫度變化情況實時地對控溫系統(tǒng)做出調整[8-11]。

雙神經網絡算法第1～5層分別為輸入層、RBF隱藏層、中間層、BP隱藏層和BP輸出層，利用網絡學習方法對雙神經網絡的輸出信號進行調整和優(yōu)化，可使該算法具備邏輯判斷和自我優(yōu)化的能力，利用梯度下降法對輸出信號進行修正[12-14]。中心、寬度、調節(jié)權重參數和誤差校正均通過學習來自適應調節(jié)到最佳，其迭代計算：

(1)

(2)

(3)

(4)

式中：

dkj(t)——寬度；

ckj(t)——中心分量；

η——學習因子。

其中誤差函數為：

(5)

dk=(Ok-yk)yk(1-yk)，

(6)

式中：

ylk——RBF網絡輸出值；

Olk——期望中間層輸出值；

yk——網絡輸出值；

Ok——期望輸出值。

RBF隱藏層輸出為：

(7)

式中：

cj——隱藏層的中心向量；

x——輸入溫度，℃；

dj——輸入的溫度向量。

中間層的輸出為：

(8)

式中：

wkj——輸出層第k個神經元與隱藏層第j個神經元間的調節(jié)權重。

BP隱藏層輸出為：

(9)

式中：

θj——閾值；

wji——權重。

3 仿真與分析

3.1 仿真分析

使用solidworks將曲房簡化為4 m×4 m×4 m的簡化模型，如圖6所示。以此模型為基礎，在ANSYS中仿真分析蝶閥流速、加熱溫度對曲房溫度變化的影響規(guī)律，將曲房初始溫度設為20 ℃，墻體設定固定導熱系數，模擬內循環(huán)加熱方式，單邊抽氣，另一邊恒溫加熱進氣的狀態(tài)。

圖6 曲房簡化模型Figure 6 Simplified model of Qufang

由圖7可知，通入氣流溫度越高、流速越快，曲房溫度上升越快，由此可知，當曲房需要升溫或降溫時，可以高流速通入高溫熱氣或冷氣；在需要恒溫階段，則需要低流速相近溫度的氣流進行微調，以達到曲房溫度整體均勻。

圖7 不同流速和溫度下曲房中心溫度變化對比

3.2 優(yōu)化分析

為表達傳統(tǒng)曲房中的溫度場結構，以均值算法進行曲房溫度控制試驗，將21個溫度傳感器均勻分布在曲房上、中、下3個平面，每層的分布情況如圖8(a)所示。為了便于傳感器的擺放和降低曲塊溫度對傳感器數據帶來的干擾，試驗在空曲房中進行，每隔10 min記錄一次溫度傳感器數據。

由圖8(b)可知，曲房溫度整體呈“上穩(wěn)定下波動”的趨勢，上層與中層溫度基本穩(wěn)定，而曲房下層溫度存在較大差異。

圖8 溫度采集點平面分布與溫度數據對比Figure 8 Control flow of temperature system in Qufang

考慮到以上原因，試驗擬選取21個采集點中的上層中心點傳感器4、下層傳感器5、下層傳感器6和下層傳感器7的數據為特征數據，用于RBF網絡的訓練，特征傳感器分布如圖9(a)所示，組成四面體結構，可表達曲房整體溫度情況。

為了反映曲房中曲塊發(fā)酵溫度對溫度采集的影響情況，在放置曲塊和未放置曲塊的曲架上各安置4個傳感器，每5 min記錄一次試驗數據，其結果如圖9(b)所示。放置曲塊后，采集到的溫度略高于未放置曲塊的曲架。

圖9 特征溫度點分布與傳感器溫度誤差曲線

以曲房實測共計1 500組溫度數據為試驗數據，其中隨機將1 200組設定為訓練集，300組設定為測試集進行RBF神經網絡訓練，以及225組規(guī)則數據，訓練17輸入4輸出的雙神經網絡，權重參數的訓練方法取梯度下降法，調節(jié)權值參數通過學習自適應調節(jié)到最佳值，網絡層數設為4層，節(jié)點數為34，15，17，16個。由于此系統(tǒng)的輸入值為-20～20的任意值，輸出數值為非負數，所以傳遞函數選用sigmoid型傳遞函數[15-17]。其函數形式為：

(10)

為了驗證雙神經網絡的聚類效果，使用上述的RBF網絡控制算法，并用9組溫度數據進行聚類效果測試。測試結果如圖10所示，兩條曲線誤差小于1%，網絡輸出的特征數據與真實的特征數據相似度在99%以上。

圖10 RBF網絡輸出特征數據與特征數據采集點真實特征對比

由表1可知，使用RBF神經網絡溫度聚類響應時間短，且精度較高，效率為99%遠高于漂移算法與粒子濾波算法。

表1 算法比較Table 1 Algorithm comparison

3.3 結果分析

新型曲房內循環(huán)控制系統(tǒng)運行后，對控制效果進行實際測試。測試時曲房溫度25 ℃，目標溫度55 ℃。每隔10 min 采集一次數據，根據采集的數據繪制曲線圖，如圖11所示，其中實際溫度為傳感器采集到的溫度數據。60 min左右溫度達到設定目標值，并能長期穩(wěn)定在±3 ℃以內。

圖11 曲房溫度實測控制效果Figure 11 Effect of temperature measurement and control in Qufang

4 結論

設計了新型曲房內循環(huán)溫度測控系統(tǒng)，完成了以內循環(huán)結構和雙神經網絡算法為核心的測控系統(tǒng)的軟硬件設計與測試平臺的搭建，利用Ansys仿真與試驗測試的方法進行驗證。結果表明，該新型曲房內循環(huán)溫度測控系統(tǒng)具有良好的穩(wěn)定性和抗干擾能力，溫度曲線平緩，曲房溫度在70 min左右達到設定溫度值，并能長期保持曲塊周邊溫差為±3 ℃，滿足曲房發(fā)酵的溫度控制要求。試驗主要研究發(fā)酵曲塊周邊溫度，并未考慮內循環(huán)管道出口與門框邊界溫度，下一步將通過改善材料屬性、覆膜等方式減少熱量流失，使曲房內溫度更加均勻，穩(wěn)定。