王 赫

（遼寧省糧食科學(xué)研究所，沈陽 110032）

糧食干燥是保證糧食安全的重要環(huán)節(jié)，是糧食儲藏的第一道關(guān)鍵性作業(yè)程序。由于糧食干燥系統(tǒng)是一個大時滯、多干擾的強(qiáng)非線性系統(tǒng)，長期以來，自動化程度低、干燥作業(yè)過程中控制的嚴(yán)重滯后性和干燥結(jié)果的不可調(diào)整性一直沒有解決，糧食在干燥過程中易造成品質(zhì)陳化和劣變、破碎率增高、水分減量等不應(yīng)有的品質(zhì)與重量損失。21世紀(jì)以來，人工神經(jīng)網(wǎng)絡(luò)的研究工作不斷深入，已經(jīng)取得了很大的進(jìn)展，其在模式識別、智能機(jī)器人、自動控制、預(yù)測估計(jì)、生物、醫(yī)學(xué)和經(jīng)濟(jì)等領(lǐng)域已成功地解決了許多現(xiàn)代計(jì)算機(jī)難以解決的實(shí)際問題，表現(xiàn)出了良好的智能特性[1]。

1 BP神經(jīng)網(wǎng)絡(luò)

BP(back propagation)神經(jīng)網(wǎng)絡(luò)是一種神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法。它是由輸入層、中間層和輸出層組成的階層型神經(jīng)網(wǎng)絡(luò)，中間層可擴(kuò)展為多層。相鄰層之間各神經(jīng)元進(jìn)行全連接，而每層各神經(jīng)元之間無連接。當(dāng)一對學(xué)習(xí)模式提供給網(wǎng)絡(luò)后，各神經(jīng)元獲得網(wǎng)絡(luò)的輸入響應(yīng)產(chǎn)生連接權(quán)值(Weight)，然后按減小希望輸出與實(shí)際輸出誤差的方向，從輸出層經(jīng)各中間層逐層修正各連接權(quán)，回到輸入層。此過程反復(fù)交替進(jìn)行，直至網(wǎng)絡(luò)的全局誤差趨向給定的極小值，即完成學(xué)習(xí)的過程[2]。圖1為BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖。

圖1 BP網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖

2 玉米干燥特性分析

糧食烘干過程中的影響因素來自四個方面，即谷物特性、干燥介質(zhì)、干燥塔的結(jié)構(gòu)和外界環(huán)境。在外形結(jié)構(gòu)己經(jīng)確定的情況下，主要考慮其它三個方面。本文通過采集順逆流糧食干燥機(jī)生產(chǎn)實(shí)際數(shù)據(jù)、現(xiàn)場測試數(shù)據(jù)以及生產(chǎn)跟班記錄數(shù)據(jù)，分析玉米干燥特性。其中，糧食溫度的高低直接影響到糧食內(nèi)部水分的擴(kuò)散速度與蒸發(fā)速度的快慢。根據(jù)操作經(jīng)驗(yàn)，當(dāng)糧食溫度過高時，需要通過增加排糧頻率來改變干燥機(jī)內(nèi)糧食的流量。以免因?yàn)榧Z食溫度過高使得糧食含水率下降到過低的水平，甚至出現(xiàn)糊粒的情況。糧食溫度過低時，結(jié)果相反[3]。本文將從這方面加以考慮，通過BP神經(jīng)網(wǎng)絡(luò)建立糧溫與排糧頻率關(guān)系的預(yù)測模型，進(jìn)一步指導(dǎo)現(xiàn)場的操作人員如何調(diào)節(jié)排糧電機(jī)的頻率。

3 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)與實(shí)現(xiàn)

3.1 隱含層節(jié)點(diǎn)選取

本文通過采集大量玉米干燥過程中干燥機(jī)內(nèi)各層糧溫數(shù)據(jù)以及環(huán)境溫度數(shù)據(jù)，選取60個樣本數(shù)據(jù)進(jìn)行建模分析。確定BP網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)為10，輸出層節(jié)點(diǎn)數(shù)為1，隱含層節(jié)點(diǎn)數(shù)根據(jù)公式（1）確定[4]。根據(jù)以上網(wǎng)絡(luò)采用10-7-1的節(jié)點(diǎn)數(shù)分布，分布圖見圖2。

圖2 神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)分布圖

式中：輸入層節(jié)點(diǎn)數(shù)n=10

隱含層節(jié)點(diǎn)數(shù)l=7

輸出層節(jié)點(diǎn)數(shù)m=1

a為0～10之間的常數(shù)

3.2 激勵函數(shù)的選取

BP神經(jīng)網(wǎng)絡(luò)通常采用Sigmoid可微函數(shù)和線性函數(shù)作為網(wǎng)絡(luò)的激勵函數(shù)。本文選擇S型正切函數(shù)tansig作為隱層神經(jīng)元的激勵函數(shù)。而由于網(wǎng)絡(luò)的輸出歸一到[-1,1]范圍內(nèi),因此預(yù)測模型選取S型對數(shù)函數(shù)logsig作為輸出層神經(jīng)元的激勵函數(shù)。

3.3 神經(jīng)網(wǎng)絡(luò)模型的建立

此次預(yù)測選用MATLAB中的神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行網(wǎng)絡(luò)的訓(xùn)練,預(yù)測模型的具體實(shí)現(xiàn)步驟如下:將訓(xùn)練樣本數(shù)據(jù)歸一化后輸入網(wǎng)絡(luò),設(shè)定網(wǎng)絡(luò)隱層和輸出層激勵函數(shù)分別為tansig和logsig函數(shù),網(wǎng)絡(luò)訓(xùn)練函數(shù)為traingdx,網(wǎng)絡(luò)性能函數(shù)為mse,根據(jù)經(jīng)驗(yàn)隱含層神經(jīng)元數(shù)設(shè)為7，神經(jīng)網(wǎng)絡(luò)模型參數(shù)設(shè)置見圖3。網(wǎng)絡(luò)參數(shù)設(shè)定完成后，開始訓(xùn)練。

圖3 神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置圖

3.4 結(jié)果分析及模型驗(yàn)證

由圖4可知：網(wǎng)絡(luò)模型經(jīng)過9次訓(xùn)練后，目標(biāo)誤差達(dá)到設(shè)定要求。圖5為BP神經(jīng)網(wǎng)絡(luò)模型測試樣本網(wǎng)絡(luò)輸出回歸直線（Output=0.86×Target+3.3）。排糧頻率實(shí)際值和預(yù)測值之間關(guān)系系數(shù)為0.9491。表明該模型預(yù)測值與實(shí)際值擬合較好。圖6為神經(jīng)網(wǎng)絡(luò)模型預(yù)測排糧頻率值與實(shí)際值對比曲線?？梢钥闯?，該模型能較準(zhǔn)確地預(yù)測玉米干燥過程中排糧頻率的變化規(guī)律。但是BP神經(jīng)網(wǎng)絡(luò)中極小值比較多，所以很容易陷入局部極小值，這就要求對初始權(quán)值和閥值有要求，要使得初始權(quán)值和閥值隨機(jī)性足夠好，可以多次隨機(jī)來實(shí)現(xiàn)。

圖4 訓(xùn)練誤差曲線

圖5 網(wǎng)絡(luò)輸出回歸直線

圖6 預(yù)測值與實(shí)際值對比曲線

4 結(jié)論

本文利用玉米干燥特性數(shù)據(jù)通過Matlab神經(jīng)網(wǎng)絡(luò)工具箱建立了排糧頻率神經(jīng)網(wǎng)絡(luò)預(yù)測模型，通過訓(xùn)練誤差曲線、測試樣本網(wǎng)絡(luò)輸出回歸直線和預(yù)測值與實(shí)際值對比曲線可以看出，利用神經(jīng)網(wǎng)絡(luò)可以較快速、準(zhǔn)確地描述排糧頻率變化規(guī)律。