专利名称:基于模糊神经网络的谷物干燥预测控制系统及方法
技术领域：
本发明属于自动控制领域，特别涉及一种基于模糊神经网络的谷物干燥预测控制系统及方法。
背景技术：
粮食干燥是粮食生产中最重要的环节，发展粮食干燥机是农业现代化的重要组成部分。国内外现在使用的粮食干燥机按其结构及干燥原理来分主要有顺流式、横流式、混流式、逆流式和内循环移动式干燥机。国际上生产顺流式粮食干燥机的厂家有美国的York公司，Farrell-Rose公司，Bird公司和加拿大的Westlaken等公司。国外生产横流干燥机的主要厂家有美国的Zimmerman，Airstream，Superb，Behlen，GSI，M-C等公司。混流式粮食干燥机是目前世界上应用最广泛的一种粮食干燥设备。世界上生产大型混流式干燥机的公司很多，还有加拿大的Vertec、德国的Stela、意大利的Mulmix和美国芦州大学干燥机(Lsu)等。俄罗斯生产的粮食干燥机几乎全是混流式。据统计我国农用粮食干燥机的拥有量约1万余台，而日本仅水稻干燥机的拥有量就是150万台，但这此系统水分的自动控制问题一直没有解决。
在技术发展方面，随着电子计算机的迅速发展，已逐步实现谷物干燥设备自动化管理控制和指导操作。在美国，农业工程推广人员已经开发出很多便于农民、工厂技术人员和干燥机操作人员使用的谷物干燥程序，如内布拉斯加的AGNET系统，密执安的TELPAN系统和印第安那的FACTS系统。在日本，已研制出多种多功能的大型谷物干燥设备，而且干燥过程和管理全部由计算机完成。从节省能源提高谷物干燥品质方面考虑，国外正在研制远红外与热风结合供热，横置多槽式循环干燥机。我国谷物干燥机的研制工作起步较晚，目前存在机种较少，规模小，技术水平低等缺点。但现在已经开始探索新技术在谷物干燥过程的应用问题，如微波干燥、低温干燥、脉动燃烧干燥、过热蒸汽干燥和计算机控制等，干燥设备正向大型化、自动化和低能耗方向发展。现世界应用的干燥控制仪仅加拿大的有，但其原理是仍根据反馈控制原理，应用效果不理想，也没有在我国普及应用。我国国家粮食局在2001年进行一次干燥控制系统研究的试点试验，共8个科研单位18家企业参加，但由于各家仍采用反馈控制原理，没有达到预期的研究成果。
粮食干燥是一个复杂的强非线性、大滞后的热质交换过程，它不仅受物料特性和介质参数的影响，而且还与气候条件和干燥工艺有重要关系。它不仅是一个物理过程，而且还是一个生物和化学过程。对干燥的要求不仅是去除水分，而且要求保留它的营养成分和化学成分，有时还要保持它的色香味。粮食干燥质量取决于谷床厚度、谷物流速、谷物的初始含水率、谷物温度、密度膨胀率、最终含水率、热风温度和湿度八个因素。而在粮食干燥过程中，入机粮的含水率及粮食品质(密度的膨胀率)变化的随机性比较大，致使准确控制粮食的最终干燥品质很难。但从热力学角度看，粮食干燥机是一个开放式热力学系统。热质交换程度将直接影响干燥内部的状态，而机内温度变化规律将是内部状态变化的可观测的指标，也是机内热质交换的程度的标识。因此，根据干燥内温度变化规律，预测玉米的干燥特征及并规划出机内状态对排粮速度的影响，及时采取措施调节排粮速度是解决玉米干燥的两个关键问题。
说明内容针对粮食干燥这一复杂的强非线性、大滞后的、多干扰热质交换过程控制难的问题，本发明提供一种基于模糊神经网络的谷物干燥预测控制系统及方法。
本发明系统包括传感器、传感器信号转接板、数据采集板、计算机、系统电源以及隔离电源，传感器与粮食干燥机相连，传感器信号转接板分别与传感器、数据采集板、隔离电源相连，计算机分别与数据采集板、系统电源相连，隔离电源与系统电源相连，如图1所示。
其中计算机嵌入了谷物预测干燥控制功能模块，包括系统参数统计模块、排粮速度预测模块、出机粮含水率预测模块和出机粮含水率预测控制模块，其中系统参数统计模块包括系统传感器标定模块、干燥机结构参数设置模块、温度及排粮速度统计模块。
系统参数统计模块根据干燥机结构参数，对系统检测数据进行统计计算，实现两种功能，一是采样出机粮样本后，通过烘箱化验出含水率，再统计计算出样本粮层通过各干燥段和缓苏段时温度、热风温度、排粮速度信息，为出机粮含水率预测模块提供训练样本数据；二是在实时控制过程中，对干燥谷物各层在不同段工艺参数进行统计计算，为排粮速度预测神经网络系统提供在线训练样本数据和速度预测数据，同时也为出机粮含水率预测神经网络模块提供输入数据，实现出机粮含水率的在线预测；系统控制模块根据排粮速度预测结果和出机粮含水率预测结果，调节干燥机排粮电机的设定频率，控制出机粮含水率。其中干燥机结构参数设置模块中干燥机结构参数包括干燥机长、宽和高；干燥机内干燥段和缓苏段个数；各干燥段温度进气与出气五角通风盒的位置；各五角通风盒截面积与数量；各段传感器布置位置(要求接近各段尾部)；冷却段位置与五角通风盒截面积、数量；上下料位开关的位置。
本发明控制方法包括一、传感器标定模块对温度传感器进行在线标定第i只传感器的斜率ki计算为ki=Ti2-Ti1Ci2-Cii1---(1)]]>式中Ti1为第i只温度传感器标定时低温温度值；Ti2为第i只温度传感器标定时低温温度值；Ci1为第i只温度传感器标定时低温温度对应的采样值；Ci2为第i只温度传感器标定时高温温度对应的采样值；i＝1、2、...、n；n为系统中温度传感器的数量。
采样过程温度转换计算公式为T＝ki(Ci-Ci1)+Ti1(2)式中Ci为第i只传感器当时采样码值；T为温度值。
二、粮层干燥过程温度及排粮速度统计分析1.计算干燥机内排粮速度设干燥机上部两个料位之间距离为h0，截面积为A，第i次上料结束时时间(上料位开关下跳变)为ti0而谷物层面运行到下料位开关时时间为ti1，则谷物在时间区段ti0＜t＜ti1的体积流速和线性流速分别为UVi=Ah0ti1-ti0---(3)]]>vhi=h0ti1-ti0---(4)]]>式中UVi为体积流量；vhi为线性流量。
而在每次上料时间区段ti1＜t＜t(i+1)0内，线性流量由vhi，vh(i+1)按线性插值进行计算，即vhi→(i+1)(t)=vhi+t-ti1t(i+1)0-ti1(vh(i+1)-vhi)---(5)]]>式中vhi为前一次检测计算得线性流量；vh(i+1)为后一次检测计算得线性流量。
2.计算干燥段当量高度由于每个干燥段设置在两层五角通风盒之间，实际容积减小。为了便于计算，将原干燥段的高度按原干燥机截面积换算成当量高度，其计算方法如下h′=h-nV0A---(6)]]>式中h′为干燥段当量高度；h为干燥段的原始高度；V0为一个五角通风盒的体积；n为干燥段五角通风盒数量。
3.计算出机粮通过干燥机固定位置时间在试验过程中，对出机粮采样后进行烘箱化验，检测出机粮出机含水率。再根据样本采样时间和系统所记录的流量信息，反推计算出此层玉米通过干燥机不同位置时的时间。设采样时间为t0，则此玉米层通过干燥机内距离底部h高度时的时间t为hA=∫tt0UVdt---(7)]]>式中UV为体积速度。
通过查系统料位开关跳变时间检测历史记录表，再利用式(3)和(4)，对式(7)进行从t0开始反向数值积分和一维搜索，即可求出谷物通过固定位置的时间t。
4.计算粮层通过各段平均速度和温度粮层通过某一段的平均速度设为粮层通过此段的速度。通过式(7)一维搜索，可以求得采样粮层进入此段和离开此段时的时间t1和t2，若该段高度(当量高度)为hi，则粮层通过本段的线速度为vh=hit2-t1---(8)]]>粮层通过某一段时温度受前后粮层干燥特性的影响较大，传感器检测温度是前后粮层综合作用的结果。当此粮层在传感器检测点上时，其影响最大；而离检测点越远，对检测温度影响越小。所以采用加权平均求得一个综合值作为该粮层通过此段的温度。为方便起见，采用三角法进行加权平均处理。由于在短时间内排粮速度变化较小，所以三角形法以时间为基础。设粮层进入某段时的时间为ta，在检测点的时间为tb，离开此段的时间为tc，如图2所示，则权值计算公式为w(t)=t-tatb-tata<t≤tbt-tbtc-tbtb<t≤tc---(9)]]>式中t为时间。
若采样粮层通过某段时对应温度传感器的采样值为T1，T2，…，Tn，则加权平均温度为T‾=Σi=1nwi(ti)TiΣi=1nwi(ti)---(10)]]>式中n为采样点数；wi为权值；Ti为第个采样点的温度；ti为第i个采样点采样时间。
指定粮层通过任一干燥段时的热风温度则直接取该段通过此干燥段时的热风温度平均值。
三、建立出机粮含水率回归模糊神经网络的预测模型1.干燥过程中热质交换与过程温度关系分析在现场试验过程，我们检测了谷物在各干燥末和缓苏段末的温度，结果发现谷物在多段干燥过程中温度的变化存在着较大的差异性，即谷物在干燥过程中在各缓苏段末温度与相应干燥段检测所得温度差有大于零、小于零和等于零三种情况。从谷物颗粒结构上看，谷物颗粒由表皮层、胚乳和胚芽组成。表皮层起阻止内部水分蒸发，保护颗粒的作用。谷物作为多孔介质，在干燥过程中水分向外迁移的力有温度梯度作用下的热扩散、水分浓度梯度作用下的浓度扩散、毛细势作用下的毛细流动、压力梯度作用下的气相或液相渗流或对流流动等。而干燥过程中颗粒内部温度分布和水分传输形式目前有四种假设模型即①颗粒内部温度由内向外逐渐升高，而颗粒间空气温度恒定，且为颗粒表面温度；水分在颗粒内部解吸附汽化，并以气态形式向表面迁移；②颗粒内部温度恒定，颗粒间气体温度随远离颗粒表面逐渐升高，水分在内部解吸附汽化，并以气态形式向表面迁移；③颗粒内部温度由内向外逐渐升高，而颗粒间隙温度恒定，且为颗粒表面温度；水分以液态形式向外移动，在颗粒表面解吸附汽化；④颗粒内部温度恒定，颗粒间气体温度随远离颗粒表面逐渐升高，水分以液态形式向表面迁移，在颗粒表面解吸附汽化。试验结果证明颗粒内部温度由内向外逐渐升高，而颗粒间空气温度恒定，且为颗粒表面温度；水分在内部解吸附汽化，并以气态形式压力梯度作用下沿毛细通道渗流向表面迁移是谷物干燥过程水分干燥的主要形式。
另外，在缓苏段，由于谷物颗粒间隙内量较小，所以认为缓苏过程谷物颗粒与气体不存在能量交换和物质交换。因此，基于上述模型，提出以下假设①如果谷物层到达缓苏段末的温度高于玉米层通过对应干燥段尾部时的温度，则认颗粒内部汽化水分有较多的滞留的颗粒内部，而进入缓苏段后凝结成水，放出热量致使玉米颗粒温度升高。
②如果谷物层到达缓苏段末的温度低于玉米层通过对应干燥段尾部时的温度，则认为谷物颗粒内部汽化水分有较少的滞留在颗粒内部，由于颗粒内部温度内低外高，进入缓苏段后温度均匀化，使检测得到颗粒表面温度降低。
③如果谷物层到达缓苏段末的温度与玉米层通过对应干燥段尾时的温度接近相同，则认为颗粒内部汽化水分滞留量在缓苏段过程凝结成水放出的热量正好与温度均匀化所需热量相当。
由以上对干燥过程传热质及试验结果分析，可以看出干燥过程中谷物在缓苏段末、与对应干燥段温度及变化情况可以用于判别谷物干燥过程的特征，即输入热风温度、粮层在干燥机内的运行速度及粮层通过干燥段末和对应缓苏段末温度可以作为粮层干燥特性的标识。而对干燥机这样多干扰、大时滞复杂的系统，很难建立精确的系统数学模型，模糊逻辑可以用语言变量描述复杂系统的输入输出关系，神经网络具有很强的学习能力和对知识的记忆性，所以本发明采用模糊神经网络建立出机粮含水率与输入温、输入干燥热风温度及在各干燥段末和缓苏段末温度关系的数学模型。考虑到干燥过程中粮层之间干燥特性不同对出机粮含水率的影响，将干燥段划分为若干层，用干燥层末温度与对应缓苏层末温度统计分析结果引入神经网络输入端，即同时引入向前和向后回归，构成了回归模糊神经网络。下面以具有4个干燥段、两种温度干燥热风例(两个高温干燥层和两个低温干燥层)，说明出机粮含水率预测回归模糊神经网络的建立与参数辨识。如果干燥段数增加，则可相应增加对应的输入结点即可。
2.建立出机粮含水率预测回归模糊神经网络(MPRFNN)及参数辨识在多级干燥过程中，选择代表谷物的干燥特征的谷物温度变化。干燥过程中出机粮水分含量的预测如下
RjIF x1is A1jand x2is A2j...and x16is A16jTHEN yMis Bj(11)式中，yM为采样粮层的出机含水率；x1为采样粮层的入机温度；x2、x3、x4、x5为通过干燥段1、2、3和4时的热风温度的平均值；x6、x7、x8、x9、x10为采样粮层通过干燥段1、2、3和4以及冷却段进的平均排粮速度；x11、x12、x13为采样粮层通过干燥段2、3和4末时测得的粮气温度；x14、x15、x16为采样粮层通过缓苏段2、3和4末时测得的粮层温度与通过对应干燥段末时的温度差。
本发明方法出机粮水分含量预测采用模糊神经网络结构(MPRFNN)，该网络的输入输出关系如图3所示，第1层为输入层，该层接收输入变量，每个节点i将输入变量传递给第二层，在该层前馈环和反馈环加入到网络中。
从前述中可知，谷物颗粒的干燥特征是不同的，他们在干燥过程中相互影响，如图4所示。干燥段分为L+1层，同一层的玉米颗粒的干燥特征可以认为是相同的，则相互影响的玉米层为2L层。
f(z)=Σj=1n[wi,j1x(k-j)+wi,-j1x(k+j)]---(12)]]>对输入层的第i个节点，其输入和输出可表示为ui1(k)=xi(k)+Σj=-LL[wi,j1xi(k-j)+wi,-j1x(k+j)],i=1,2,...,15.---(13)]]>式中k为采样样本的序数；wi，±j1为前后玉米层对第k层对第i个变量影响的回归权值。
通过在输入层加入前馈和反馈环，把同一干燥段不同干燥特征的玉米层之间的相互影响引入网络，以实现模糊推理。这是该网络区别于其他回归模糊神经网络的不同之处。第II层为隶属函数层，在该层每一个节点完成一个高斯隶属函数的功能。对于该层第i个变量的第j个节点uij2=exp([u11-mij]2σij2)i=1,2,...,15.---(14)]]>式中，mij和σij分别表示第i个变量xi的第j个节点高斯隶属函数的中间值和宽度。
第III层为规则层(模糊推理层)，该层的节点作为模糊推理的预处理。该层输出结果为输入信号的乘积uj3=Πiuij2,i=1,2,...,n;j=1,2,...,q.---(15)]]>其中j代表第j个规则节点，q为规则层的总的规则数。
第IV层为输出层，该层只有一个节点，其输出即出机粮水分含量。该层执行的是一个解模糊化操作，其输出可以通过下式计算
yM=Σjuj3wj4---(16)]]>其中，系数wj是与第j条规则与输出节点的连接权值。
用于出机粮水分预测回归学习的样本是从烘干塔出粮口人工采集，然后用烘箱检测出其含水率。神经网络中输入层中各个温度以及排粮速度可以根据记录的数据采用的方法计算得到。神经网络的训练则采用误差反向传播算法(BP算法)，则用于出机粮含水率预测的模糊神经网络训练的目标函数为JM(k)=12Σi=1m(emi(k))2=12Σi=1m(Mi-yMi)2---(17)]]>式中k为训练周期；yMi和Mi(k)为分别表示第i个谷物层样本的加回归模糊神经网络第k训练周期的预测值和样本烘箱化验含水率；emi(k)为yMi与Mi之差；m为样本数。
而权值的修改公式为θM(k+1)=θM(k)+ηM∂Jm(k)∂θm(k)---(18)]]>式中θM为参数向量，包括出机粮含水率预测神经网络MPR中的wi，±j1，mij2，σij2和wj4；ηM为学习系数，0＜ηM≤1。
四、建立排粮速度预测回归模糊神经网络(RPRFNN)模型及参数辨识排粮速度预测神经网络模型的处理方法同MPRFNN类似，其输入量有玉米的入机温度z1，高温和低温高燥段的热风温度z2，z3，z4，z5；干燥段2和缓苏段2的玉米层温度z6，z8；干燥段3和缓苏段3的玉米层温度z7，z9；干燥段4末和缓苏段4末的温度z8，z11；粮排粮电机的频率z12。该网络的输出量是烘干机的排量体积流量yR。由于排粮速度以不但与系统的当前状态相关，而与系统状态历史相关，所以在各输入变量均引入了反馈量。
如图5所示为玉米排粮速度预测模糊神经网络结构(RPRFNN)，其输入输出关系如下第I层—输入层，该层接收输入变量，每个节点i将输入变量传递给第二层。
f(z-1)=Σj=1Lwi,j1z(k-j)---(19)]]>对输入层的第i个节点，其输入和输出可表示为ui1(k)=zi(k)+Σj=-LL[wi,j1zi(k-j)],i=1,2,...,10---(20)]]>各个参数意义同前。
第II层为隶属函数层，在该层每一个节点完成一个高斯隶属函数的功能。对于该层第i个变量的第j个节点
uij2=exp(-[u11-mij]2σij2)i=1,2,...,10.---(21)]]>式中mij和σij为分别表示第i个变量xi的第j个节点高斯隶属函数的中间值和宽度。
第III层为规则层(模糊推理层)，该层的节点作为模糊推理的预处理。该层输出结果为输入信号的乘积uj3=Πiuij2,i=1,2,...,n;j=1,2,...,q.---(22)]]>式中j为第j个规则节点；q为规则总数。
第IV层为输出层，该层只有一个节点，其输出即玉米的排粮速度。该层执行的是一个解模糊化操作，其输出可以通过下式计算yR=Σjuj3wj4---(23)]]>式中wj为与第j条规则与输出节点的连接权值。
RPRFNN的输入量为系统每隔5分钟的采样值，输出量为烘干机的玉米出机体积流量速率，记作V。用于RPRFNN学习的目标函数为 式中
为排粮速度预测回归模糊神经网络在前一次上粮结束到下一次上粮开始时间间隔内的排粮速度预测的平均值；Vi为在前一次上粮结束到下一次上粮开始时间间隔内的排粮速度的计算值；eRi(k)为
和Vi之间的误差；p为样本数。
排粮速度预测神经网络权值修正公式为θR(k+1)=θR(k)+ηR∂JR(k)∂θR(k)---(25)]]>五、谷物烘干过程的含水率预测控制利用前述的两种模糊神经网络的方法，开发出烘干塔的预测控制模块，其控制原理框图如图6所示。在该模块中，包括排粮速率预测模糊神经网络(RPRFNN)和出机粮水分预测模糊神经网络(MPRFNN)和两个PI调节器，即排粮频率PI调节器和目标排粮速度PI调节器。该控制原理以干燥机上部上、下料位开关的跳变断续检测排粮速度，作为排粮速度预测模糊神经网络训练的导师信号，以关键点的温度检测实时信号与历史为输入信号，在线的训练排粮速度预测模糊神经网络；以出机粮烘箱检测样本的含水率作导师信号，以样本粮层及与样本相关的粮层通过关键点温度统计值及样本粮层通过干燥机各段时的排粮速度的统计计算值作为输入信号，离线训练出机粮含水率预测回归模糊神经网络；在实时控制过程中，以出机粮含水率回归模糊神经网络的预测模型和排粮速度预测回归模糊神经网络模型为基础，以最末干燥段及缓苏段出机粮含水率预测均值为目标，利用PI速度调节器，调节系统排粮速度。
本发明具有以下优点
(1)首次将干燥过程出机粮含水率控制转化为根据干燥机干燥过程温度调节排粮速度，克服了干燥传热传质过程大滞后强非线性的特点，大大增加了系统控制的及时性。
(2)首次提出利用干燥机两个料位开关统计干燥机排粮速度的方法。
(3)建立了出机粮含水率与排速度预测的模糊神经网络模型。
(4)采用以第3缓苏段末至第4缓苏段末水分预测值为参考，调节排粮速度。为大滞后系统的控制提供了新的方法。
(5)以系统温度参数为基础，以烘箱化验值为导师训练信号，克服了目前国内外市场上谷物含水率检测精度差，无法满足干燥过程自动过程要求的问题。
图1为本发明系统结构示意图；图2为粮层温度统计权值计算规则；图3为出机粮水分预测回归模糊神经网络结构图；图4为干燥过程相互影响粮层分析图；图5为排粮速度预测回归模糊神经网络结构图；图6为出机粮含水率预测控制原理框图；图7为四段干燥机结构及温度传感器布置；图8为温度传感器及D/A输出接口电路原理图；图9为料位开关光电隔离输入接口电路原理图；图10为本实例传感器标定模块流程图；图11为本实例干燥机结构参数设置模块流程图；图12为本实例干燥过程温度及排粮速度参数统计分析流程图；图13为本实例排粮速度队列初始化模块流程图；图14为本实例回归模糊神经网络训练流程图；图15为本实例出机粮含水预测控制流程图；图16本实例过程采样、含水率预测及排粮速度调节流程图；图17为含水率预测回归模糊神经网络训练结果；图18为出机粮含水率在线预测控制结果。
图中①②③④⑤⑥⑦为七个层温传感器安置位置，I为五角通风盒进风盒，E为五角通风盒出风盒。
具体实施方式下面结合附图对本发明做进一步说明。本实例以4段玉米干燥为例。
本实例系统包括传感器、传感器信号转接板、数据采集板、上位机、系统电源以及隔离电源，如图1所示。上位机选用HXL/300，多功能数据采集板选用HXL/511P。
图7所示为四段干燥塔，图中①②③④⑤⑥⑦为七个层温传感器安置位置。
温度传感器选用24V供电，2线制，4～20mA输出，HXL/511P多功能数据采集板的模拟量输入输出接口为标准的PIN26接口，开关量输入输出接口为标准的PIN40接口。本实例传感器输出信号通过470Ω电阻转换成电压信号，再用47μ电容滤波后，由26PIN连接器直接与HXL/511P卡26PIN连接器连接即可，J1-J9分别是高温热风、低温热风、干燥段2末、缓苏段2末、干燥段3末、缓苏段3末、干燥段4末和缓苏段4末温度传感器接口；J10为干燥机变频器控制输出接口，如图8所示。
图9为光电隔离接口电路原理图，Z2与HXL/511P 40PIN直接相连即可将数字量输出计算机，J11为两个料位开关输入接口。隔离电源输入输出均为12V，系统电源为标准微机电源。
计算机嵌入了谷物干燥预测控制功能模块，实现了玉米干燥预测控制，其包括系统参数统计模块、排粮速度预测模块、出机粮含水率预测模块和出机粮含水率预测控制模块，其中系统参数统计模块包括系统传感器标定模块、干燥机结构参数设置模块、温度及排粮速度统计模块。
本实例中玉米干燥预测控制方法如下一、根据式(1)、式(2)对温度传感器进行在线标定，传感器标定过程按以下步骤执行，如图10所示步骤一、开始；步骤二、显示第i个传感器的标定信息；步骤三、判断是否选择第i+1个传感器，是，进入步骤四，否则进入步骤六；步骤四、第i个传感器的数据写入数据结构；步骤五、显示第i+1个传感器的标定数据；步骤六、判断是否重新标定，是，进入步骤七，否则进入步骤九；步骤七、取码值；步骤八、修改当前数据；步骤九、判断是否保存修改，是，进入步骤十，否则进入步骤十一；步骤十、保存修改的参数，直接进入步骤十二；步骤十一、调用读传感器标定文件函数恢复数据结构中的数据；步骤十二、结束。
二、玉米层干燥过程温度及排粮速度统计分析为了统计分析玉米经过各干燥段时的温度和速度，做如下假设①干燥过程中，玉米颗粒体积变化；②干燥气体通过玉米层时，由颗粒间隙通过，不占体积；③玉米表层温度与颗粒间隙气体温度相同；
④同一时刻玉米层在干燥机内不同位置体积流量相同；⑤线速度计算以干燥机上部两个上下料位开关跳变时间为基础进行计算。
上述假设在国际干燥理论研究中已被广泛应用。统计计算的目的是确定某一层玉米经过干燥段和缓苏段时的运行速度值、粮气混合温度和干燥热风温度。而玉米经过每个缓苏段与干燥段都有一定的时间，所以将玉米进入某一段时起到离开该段时止的温度检测值加权平均作为玉米层经过这一段时的温度值。而将玉米层通过此段时的平均速度作为通过本段的速度。
1.由式(3)、式(4)、式(5)计算干燥机内排粮速度2.由式(6)计算干燥段当量高度3.由式(7)计算玉米层通过干燥机固定位置时间4.由式(8)计算玉米层通过各段平均速度，由式(9)、式(10)计算玉米层通过各段的温度。玉米层通过任一干燥段时的热风温度则直接取该段通过此干燥段时的热风温度平均值。
干燥机结构参数设置模块流程按以下步骤执行，如图11所示步骤一、开始；步骤二、判断是否选择第i+1层，是，进入步骤三，否则进入步骤五；步骤三、i层的数据写入数据结构；步骤四、显示i+1层对应的数据；步骤五、修改当前层数据；步骤六、判断是否保存修改，是，进入步骤七，否则进入步骤八；步骤七、保存修改后的参数，直接进入步骤九；步骤八、调用读塔结构参数函数恢复数据结构中的数据；步骤九、结束。
温度统计模块流程按以下步骤执行，如图12所示步骤一、开始；步骤二、初始化窗口；步骤三、给定出机粮时间、水分；步骤四、调用排粮速度队列初始化模块；步骤五、分别计算此段粮食通过各段的时间区段；步骤六、读取历史文件，求出风温及状态温度；步骤七、输出统计结果文件；步骤八、结束。
排粮速度队列初始化模块按以下步骤执行，如图13所示步骤一、开始；
步骤二、读取系统当前日期时间和给定队列条目数；步骤三、打开当前日期对应的流量文件；步骤四、读取一条记录；步骤五、判断下料位跳变时间是否≤给定值，是，进入步骤六，否则返回步骤四；步骤六、判断该条速度记录是否符合实际情况，是，进入步骤七，否则进入步骤，否则进入步骤九；步骤七、写入时间队列和速度队列，直接进入步骤九；步骤八、关闭当前文件打开前一天的文件并从末尾读取一条记录，返回步骤六；步骤九、判断是否到达文件开头，是，返回步骤八，否则进入步骤十一；步骤十、读取上一条启示，返回步骤六；步骤十一、判断队列条目数是否≥给定值，是，进入步骤十二，否则返回步骤十；步骤十二、结束。
三、建立出机粮含水率回归模糊神经网络的预测模型1.玉米颗粒内部温度分布及水分迁移机理玉米颗粒由表皮层、胚乳和胚芽组成。表皮层起阻止内部水分蒸发，保护玉米颗粒的作用。而干燥过程，颗粒内部温度分布和水分传输形式目前有四种假设模型，即①颗粒内部温度由内向外逐渐升高，而颗粒间空气温度恒定，且为颗粒表面温度；水分在内部解吸附汽化，并以气态形式向表面迁移。
②颗粒内部温度恒定，颗粒间气体温度随远离颗粒表面逐渐升高，水分在内部解吸附汽化，并以气态形式向表面迁移。
③颗粒内部温度由内向外逐渐升高，而颗粒间隙温度恒定，且为颗粒表面温度；水分以液态形式向外移动，在颗粒表面解吸附汽化。
④颗粒内部温度恒定，颗粒间气体温度随远离颗粒表面逐渐升高，水分以液态形式向表面迁移，在颗粒表面解吸附汽化。国际学者们这四种模型对三种农产品干燥过程进行了验证，得出了相同的计算结果。从质量平衡和能量平衡方面看，这四种模型都不会影响这两个平衡方程，因此其结论是正确的。而在我们干燥试验过程，发现干燥过程有的玉米层通过干燥尾部和对应缓苏段尾部温度差有等于零、大于零和小于零三种情况，而第一种模型能够解释这一宏观现象，因此，本文采用第一种模型。
谷物作为多孔介质，在干燥过程中水分向外迁移的力有温度梯度作用下的热扩散、水分浓度梯度作用下的浓度扩散、毛细势作用下的毛细流动、压力梯度作用下的气相或液相渗流或对流流动等。Shi M H和Wang X通过对多孔介质快速干燥过程微观研究提出压力梯度作用下沿毛细通道渗流是干燥过程水分迁移的主要形式。在本发明中假设玉米干燥过程水分迁移机制主要是压力梯度作用下气相沿毛细通道的渗流或对流流动。另外，在缓苏段，由于玉米颗粒间隙内量较小，所以认为缓苏过程玉米颗粒与气体不存在能量交换和物质交换。因此，基于上述两种模型，提出以下假设①如果玉米层到达缓苏段末的温度高于玉米层通过对应干燥段尾部时的温度，则认颗粒内部汽化水分有较多的滞留的颗粒内部，而进入缓苏段后凝结成水，放出热量致使玉米颗粒温度升高。
②如果玉米层到达缓苏段末的温度低于玉米层通过对应干燥段尾部时的温度，则认为玉米颗粒内部汽化水分有较少的滞留在颗粒内部，由于颗粒内部温度内低外高，进入缓苏段后温度均匀化，使检测得到颗粒表面温度降低。
③如果玉米层到达缓苏段末的温度与玉米层通过对应干燥段尾时的温度接近相同，则认为颗粒内部汽化水分滞留量在缓苏段过程凝结成水放出的热量正好与温度均匀化所需热量相当。
由以上对干燥过程传热质及试验结果分析，可以看出干燥过程中玉米在缓苏段、与对应干燥段温度及变化情况可以用于判别玉米干燥过程的特征，即输入热风温度、粮层在干燥机内的运行速度及粮层通过干燥段末和对应缓苏段末温度可以作为粮层干燥特性的标识。而对干燥机这样多干扰、大时滞复杂的系统，很难建立精确的系统数学模型，模糊逻辑可以用语言变量描述复杂系统的输入输出关系，神经网络具有很强的学习能力和对知识的记忆性，所以本发明采用模糊神经网络建立出机粮含水率与输入温、输入干燥热风温度及在各干燥段末和缓苏段末温度关系的数学模型。考虑到干燥过程中粮层之间干燥特性不同对出机粮含水率的影响，将干燥段划分为若干层，用干燥层末温度与对应缓苏层末温度统计分析结果引入神经网络输入端，即同时引入向前和向后回归，构成了回归模糊神经网络。
2.建立出机粮含水率预测回归模糊神经网络及参数辨识干燥段与缓苏段之间玉米颗粒的温度变化代表了玉米的干燥特征。在多级干燥过程中，第一干燥段主要是加热玉米颗粒和蒸发掉其表面的水分。从第二干燥段开始，玉米颗粒的水分由外及内逐渐蒸发掉。因此，第二缓苏段末和第三缓苏段末的温度变化可以作为玉米颗粒的干燥特征。这里四层结构的模糊神经网络用于实现玉米干燥过程中出机粮水分含量的预测，形式如下RjIF x1is A1jand x2is A2j...and x16is A16jTHEN yMis Bj其中，yM——采样玉米层的出机含水率；x1——采样玉米层的入机温度；x2、x3、x4、x5——通过干燥段1、2、3和4时的热风温度的平均值；x6、x7、x8、x9、x10——采样玉米层通过干燥段1、2、3和4以及冷却段进的平均排粮速度；x11、x12、x13——采样粮层通过干燥段2、3和4末时测得的粮气温度；x14、x15、x16——采样粮层通过缓苏段2、3和4末时测得的粮层温度与通过对应干燥段末时的温度差。
由式(12)～式(18)建立出机粮含水率预测回归模糊神经网络及参数辨识，第II层的节点数为16×5＝80个节点。
出机粮含水率预测回归模糊神经网络训练过程按以下步骤执行，如图14所示步骤一、开始；步骤二、给定样本总数，终止误差和学习步长；步骤三、检查权值数据库；步骤四、判断权值是否存在，是，进入步骤五，否则进入步骤六；步骤五、读入权值，进入步骤七；步骤六、随机初始化权值；步骤七、读入样本数据；步骤八、计算目标函数；步骤九、判断目标函数是否小于终止误差，是，进入步骤十二，否则进入步骤十；步骤十、计算目标函数梯度；步骤十一、更新权值，返回步骤八；步骤十二、结束。
四、建立排粮速度预测回归模糊神经网络模型及参数辨识排粮速度预测神经网络模型输入量有玉米的入机温度z1，高温和低温高燥段的热风温度z2，z3，z4，z5；干燥段2和缓苏段2的玉米层温度z6，z8；干燥段3和缓苏段3的玉米层温度z7，z9；干燥段4末和缓苏段4末的温度z8，z11；粮排粮电机的频率z12。该网络的输出量是烘干机的排量体积流量yR。由于排粮速度以不但与系统的当前状态相关，而与系统状态历史相关，所以在各输入变量均引入了反馈量。
由式(19)～式(25)建立排粮速度预测回归模糊神经网络模型及参数辨识，其中第II层的节点数为12×7＝84个节点。
排粮速度预测回归模糊神经网络训练同出机粮含水率预测回归模糊神经网络的训练相同，流程图如图14所示。
五、玉米烘干过程的含水率预测控制利用前述的两种模糊神经网络的方法，开发出烘干塔的预测控制模块。在该模块中，包括排粮速率预测模糊神经网络、出机粮水分预测模糊神经网络和两个PI调节器，即排粮频率PI调节器和目标排粮速度PI调节器。
本实例在烘干过程中，系统为间歇上料方式，当料位达到下料位时，系统启动自动上粮系统，开始上料；当料位达到上料位时，上粮系统自动停止。而粮层从上料位下降到上料位时，一般为20～40分钟，系统排出粮食的体积是一定的。系统捕捉上料位和下料位时间，通过计算得系统上此时间区段的平均排粮速度。将计算得该时间区段排粮速度玉米的排粮速度与排粮速度预测回归模糊神经网络的预测值比较，如果误差超过给定值，则去掉训练样本库中的最早期的样本，并将当前系统状态数据补充到样本库中，启动BP神经网络训练算法，对其重新训练，直到达到所要求的预测精度为止。第一排粮速度预测神经网络训练的初始权值由系统随机给定，而后则以已在权值为初始值进行训练。
出机粮含水率预测回归模糊神经网络采用离线训练方式。在干燥过程中，通过人工采样出机粮样品，利用烘箱法检测检测含水率。然后将其采样时间和出机样品含水率化样结果输入到计算机中。当样本数量达积累到给定时(本实例设置为20个)，则启动出机粮含水率预测回归模糊神经网络训练程序，对其进行训练，并将训练结果存入系统权值文件中。
在干燥过程，系统利用已获得的权值每采样一次则对系统出机粮含水率进行预测，采样周期设为5分钟。每次预测对从当前缓苏段3末位置的粮层到出缓苏段4末粮层进行预测，预测结果取其均值。预测过程数据来自于对当前历史数据的统计计算，而对于不完整的数据则用当前统计值进行补充(当前排粮速度值来自于排粮速度预测神经网络)。然后将出机粮含水率预测模糊神经网络的速度切换至目标排粮速度PI调节器输出，预测均值与系统设置值比较，调节目标排粮速度，直到给定的预测值，完成一次排粮速度目标值的调节，再将出机含水率预测神经网络排粮速度输入切换回排粮速度预测模糊神经网络。
本实例出机粮含水率预测控制过程按以下步骤执行，如图15所示步骤一、开始；步骤二、读入系统设定数据；步骤三、计算排粮电机频率并给定排粮电机频率；步骤四、采样上、下料位开关；步骤五、判断上料跳变时间和下料位跳变时间是否均采样到，是，进入步骤六，否则进入步骤九；步骤六、计算排粮速度，更新排粮速度预测样本数据；步骤七、判断预测误差是否小于给定排粮速度预测误差，是，进入步骤八，否则进入步骤九；步骤八、启动在线排粮速度模糊神经网络训练程序，进行神经网络训练；步骤九、判断过程温度采样时间是否到，是，进入步骤十，否则进入步骤十一；
步骤十、调用过程采样、含水率预测及排粮速度调节；步骤十一、结束。
其中调用过程采样、含水率预测及排粮速度调节过程如图16所示，其执行步骤如下步骤一、开始；步骤二、采样过程温度参数和料位开关跳变时间信息并分别存储到温度历史数据文件和料位信息历史数据文件；步骤三、调用系统参数统计模块，计算过程参数；步骤四、调用排粮速度预测模块，预测排粮速度；步骤五、将预测排粮速度及上述计算数据设为含水率预测神经网络的输入，调用出机粮含水率预测模块，预测通过干燥机段4末到缓苏层段末粮层出机粮含水率的均值；步骤六、判断预测出机粮含率误差是否小于给定误差值，是，进入步骤七，否则进入步骤十；步骤七、切换开关到B点；步骤八、启动含水率PI控制器，调节给定排粮速度，直到出机含水率预测值达到系统设定值；步骤九、将开关调整至A点；步骤十、调用排粮速度PI控制器；步骤十一、结束。
本实例在某粮库进行了一个干燥季节的试验。系统总共积累样本共300个，用300个样本对出机含水率预测模糊神经网络进行了训练。经过试验，干燥层分为5段，即式(12)中取L＝4即可得到较好的预测结果。为了便于比较，将样本中出机僦含水率由小到大进行了重排，图17为出机粮含水率预测与烘箱化验结果比较。由图可以看出，预测结果与化验结果的误差不超过0.4％，而90％以上的样本预测误差低于0.3％。可见预测模型具有较高的预测精度，烘箱化验误差一般为0.3％，基本上与烘箱化验相当。而对于连续干燥过程，积累20个样本后，在环境条件及热风温度稳定的条件下即可要求。而环境条件及热风温度变化较大时，样本少会出现误差。但当样本数量增大，系统会记录下多种工况下的干燥结果，预测误差随之减小，充分显示系统的经验积累能力。
对于连续生产过程，排粮速度预测模糊神经网络保证50个本样即可精确预测排粮速度。图18为系统调试后连续工作24小时，每小时采样一次的烘箱化验结果，其中设置干燥出机含水率为14％。图中仅一个样14.6％，而80％样本出机含水率在13.7％～14.3％之间。而我国完全储粮含水率为14.5％以下，由可以看出本系统能够满足我国商用干燥机的控制要求。
权利要求
1.一种基于模糊神经网络的谷物干燥预测控制系统，其特征在于包括传感器、传感器信号转接板、数据采集板、计算机、系统电源以及隔离电源；传感器与粮食干燥机相连，传感器信号转接板分别与传感器、数据采集板、隔离电源相连，计算机分别与数据采集板、系统电源相连，隔离电源与系统电源相连，计算机中嵌入了谷物干燥预测控制功能模块。
2.如权利要求
1所述的一种基于模糊神经网络的谷物干燥预测控制系统，其特征在于所述计算机中嵌入的实现谷物干燥预测控制功能模块包括系统参数统计模块、排粮速度预测模块、出机粮含水率预测模块和出机粮含水率预测控制模块，其中系统参数统计模块包括系统传感器标定模块、干燥机结构参数设置模块、温度及排粮速度统计模块。
3.如权利要求
1所述的一种基于模糊神经网络的谷物干燥预测控制系统的控制方法，其特征在于包括以下步骤一、传感器标定模块对温度传感器进行在线标定；二、粮层干燥过程温度及排粮速度统计分析；三、建立出机粮含水率回归模糊神经网络的预测模型；四、建立排粮速度预测回归模糊神经网络模型及参数辨识；五、谷物烘干过程的含水率预测控制。
4.如权利要求
3所述的一种基于模糊神经网络的谷物干燥预测控制系统的控制方法，其特征在于步骤二所述的粮层干燥过程温度及排粮速度统计分析包括计算干燥机内排粮速度；计算干燥段当量高度；计算出机粮通过干燥机固定位置时间；计算粮层通过各段平均速度和温度。
5.如权利要求
3所述的一种基于模糊神经网络的谷物干燥预测控制系统的控制方法，其特征在于步骤三所述的建立出机粮含水率回归模糊神经网络的预测模型包括干燥过程中热质交换与过程温度关系分析；建立出机粮含水率预测回归模糊神经网络及参数辨识。
6.如权利要求
3所述的一种基于模糊神经网络的谷物干燥预测控制系统的控制方法，其特征在于步骤五所述的谷物烘干过程的含水率预测控制，是以干燥机上部上、下料位开关的跳变断续检测排粮速度，作为排粮速度预测模糊神经网络训练的导师信号，以关键点的温度检测实时信号与历史为输入信号，在线的训练排粮速度预测模糊神经网络；以出机粮烘箱检测样本的含水率作导师信号，以样本粮层及与样本相关的粮层通过关键点温度统计值及样本粮层通过干燥机各段时的排粮速度的统计计算值作为输入信号，离线训练出机粮含水率预测回归模糊神经网络；在实时控制过程中，以出机粮含水率回归模糊神经网络的预测模型和排粮速度预测回归模糊神经网络模型为基础，以最末干燥段及缓苏段出机粮含水率预测均值为目标，利用PI速度调节器，调节系统排粮速度。
专利摘要
一种基于模糊神经网络的谷物干燥预测控制系统及方法属于自动检测领域。本发明系统包括传感器、传感器信号转接板、数据采集板、计算机、系统电源以及隔离电源，其中计算机嵌入了谷物预测干燥控制功能模块。本发明方法包括传感器标定模块对温度传感器进行在线标定；粮层干燥过程温度及排粮速度统计分析；建立出机粮含水率回归模糊神经网络的预测模型；建立排粮速度预测回归模糊神经网络模型及参数辨识；谷物烘干过程的预测控制；系统运行结果显示。本发明建立了出机粮含水率与排速度预测的模糊神经网络模型，克服了干燥传热传质过程大滞后强非线性的特点，大大增加了系统控制的及时性。
文档编号F26B25/22GK1996175SQ200610155852
公开日2007年7月11日 申请日期2006年12月30日
发明者赵春雨, 赵学工, 任朝晖, 周钢霞, 郑刚, 曹毅, 董殿文, 高树成, 迟庆雷 申请人:辽宁省粮食科学研究所, 东北大学导出引文BiBTeX, EndNote, RefMan