基于极限学习机的玉米干燥系统出机水分含量预测模型.pdf

邢思敏 高香兰,林子木，等.基于极限学习机的玉米干燥系统出机水分含量预测模型J.沈阳农业大学学报，2023，54（5）：619-626.沈阳农业大学学报，2023，54(5)：619-626Journal of Shenyang Agricultural Universityhttp：/DOI:10.3969/j.issn.1000-1700.2023.05.015收稿日期：2023-06-15基金项目：辽宁省自然科学基金项目(2022-MS-068)第一作者：邢思敏(1997-)，女，硕士，助理工程师，从事粮食干燥领域研究，E-mail：基于极限学习机的玉米干燥系统出机水分含量预测模型邢思敏1，高香兰1，林子木1，王德华1，曹英丽2，曹毅1，刘国辉1（1.辽宁省粮食科学研究所，沈阳110032；2.沈阳农业大学 信息与电气工程学院，沈阳110161）摘要：精准预测玉米出机水分含量是实现玉米干燥过程自动控制的关键。为提升玉米干燥系统自动化程度，实现玉米出机水分的快速、无损、精准预测，研究依托粮食干燥模拟试验系统，通过调节干燥过程的热风温度、干燥段温度和排粮频率，设计8组多批次玉米干燥平行试验，分时段获得玉米干燥过程6个点位的温湿度特征数据，以及相对应的出机玉米水分含量数据；通过相邻平均法（adjacent average smoothing，AAS）对12组温湿度特征数据进行平滑处理，平滑后的数据点集合毛刺减少、波动明显缓解，12组特征数据与玉米出机水分含量的Pearson相关性大幅提升，提高幅度在0.0610.105之间，为后续构建玉米水分预测模型提供了数据基础；进而，研究以相邻平均法平滑后的12组特征数据作为模型输入量，构建了基于极限学习机（extreme learning machine，ELM）的玉米干燥过程出机水分含量预测模型并进行评价分析。结果表明：基于ELM的玉米出机水分含量预测模型以sigmoid为激活函数、神经元个数设定为22时，模型运行速率较快、预测效果较好，其中训练集和验证集拟合优度R2分别为0.988 6和0.981 2，验证集R2与训练集接近，表明该模型拟合效果较好、未出现过拟合情况，水分含量预测均方根误差（root mean square error，RMSE）分别为0.281 1%和0.382 1%，预测误差总体较低。综上表明，模型在训练与验证过程中均具备较好的拟合效果和较高的预测准确性。该模型为玉米干燥过程的自动化控制和工艺优化提供了数据参考和技术支持。关键词：玉米干燥；预测模型；极限学习机；相邻平均法中图分类号：S513；S127文章编号：1000-1700（2023）05-0619-08文献标识码：A开放科学（资源服务）标识码（OSID):A Model for Predicting the Outgoing Moisture Content of Corn DryingSystem Based on Extreme Learning MachineXING Si-min1,GAO Xiang-lan1,LIN Zi-mu1,WANG De-hua1,CAO Ying-li2,CAO Yi1,LIU Guo-hui1（1.LiaoningGrainScienceResearchInstitute,Shenyang110032,China;2.CollegeofInformationandElectricalEngineering,ShenyangAgriculturalUniversity,Shenyang110161,China）Abstract：Accurately predicting the moisture content of corn outlet is the key to realize the automatic control of corn drying process.In order to improve the degree of automation of corn drying system and realize the rapid,non-destructive and accurate prediction ofcorn moisture content,this study relies on the grain drying simulation test system to design 8 groups multiple batches of corn dryingparallel experiments by adjusting the hot air temperature,drying section temperature and grain discharge frequency,and obtainedtemperature and humidity characteristic data of six points and the corresponding moisture content data of corn during drying process atdifferent time intervals.The smoothing of 12 sets temperature and humidity feature data were performed using the adjacent averagesmoothing(AAS)method,and the smoothed data point sets had fewer burrs and less fluctuation,resulting in a Pearson correlationsignificant improvement of 0.061 to 0.105 between the smoothed feature data and the moisture content of corn outlet,which provides adata basis for the subsequent construction of corn moisture prediction model;further,this study uses 12 sets of feature data smoothedby AAS as model inputs,and then a prediction model for the moisture content of corn outlet during the drying process based on theextreme learning machine(ELM)was constructed and evaluated.The results showed that the prediction model for the outgoingmoisture content of corn based on ELM works at a faster rate and has a better prediction effect when the number of neurons is 22 with-沈阳农业大学学报第 54 卷sigmoid as the activation function.The R2of the training set and validation set are 0.988 6 and 0.981 2,respectively,and the R2ofthe validation set is close to that of the training set,indicating that the model fits well and does not overfit;the root mean square error(RMSE)of moisture content prediction is 0.281 1%and 0.382 1%,respectively,and the prediction error is generally low.In summary,it shows that the model has a very good fitting effect and high prediction accuracy in both training and validation processes.Themodel provides data references and technical support for the automatic control and process optimization of corn drying.Key words：corn drying;prediction model;extreme learning machine;neighbor-averaging smoothing近年来，粮食生产技术水平不断提高。玉米作为我国的主要粮食作物之一，其生产和加工也受到了广泛的关注。我国现有的玉米干燥系统自动化程度普遍较低，对水分监测的及时性、准确性差，直接影响到玉米干燥的品质和效率，容易造成经济损失与资源浪费1-3。目前，针对粮食干燥系统或干燥过程的自动控制研究主要集中在常规控制方法上，如比例积分微分控制（proportional-integral-derivative control，PID）和模糊控制（fuzzy control，FC）4-5。这些方法可以实现对干燥过程的控制，但存在控制精度不高、适用性有限等问题。神经网络具备较强的自适应性、训练效率6。基于神经网络的预测、分类控制模型已经在农业自动化领域得到广泛应用，如农田管理环节的病虫害预测7、农作物营养水平监测8-9、灌溉用水量预测10，农产品生产环节的品种11、品质分类识别等12。该类模型均体现了较高的精确度和实用性。国内外研究团队已经开始探索基于神经网络的预测控制模型在干燥过程中的应用。墨西哥韦拉克鲁斯科技研究所有关团队基于人工神经网络，构建了木薯和芒果干燥过程热质传递预测模型，实现了对干燥过程的状态监测和控制13。MUOZ等14开发了人工神经网络模型（artificial neural network，ANN），模拟稻谷干燥过程并得到了较高的拟合度。吉林大学的研究团队提出了基于反向传播神经网络（back propagation network，BP）的连续式稻谷干燥机智能控制方法，基本实现了对稻谷干燥过程的精准调控15。在王赫等16、雷得超等17针对玉米水分含量预测模型的研究中，BP神经网络均表现良好。这些研究实例都展现了神经网络在玉米干燥过程中亟待挖掘的能力与应用前景18-19。综上所述，依托神经网络模型实现玉米干燥系统出机水分含量的精准预测，是提升玉米干燥技术水平及设备效率的关键环节。本研究旨在建立一种基于极限学习机（extreme learning machine,ELM）的预测模型，实现对出机玉米水分含量的精准预测，为玉米干燥过程自动化和智能化控制提供模型基础。1材料与方法1.1材料试验采购玉米籽粒总质量2 000 kg，产自辽宁省开原市，品种为M81；玉米供测试前未经晾晒，湿基含水率为21.18%23.01%，平均值22.11%。1.2试验装置试验装置为批次式粮食干燥模拟试验系统，系统工作原理与结构如图1和图2。图3为试验期间温湿度特征数据测定点的名称与位置，所标注位置装有温湿度传感器，可实时采集玉米干燥过程温湿度特征数据，通过电信号传输至可编程控制器（programmable logic controller，PLC）模块，并储存数据。图1粮食干燥模拟试验系统工作流程简图Figure 1Grain drying simulation test system workflow sketch否No废气Emission玉米原粮Wet corn装料口Feed opening进机粮提升机Grain elevator干燥段Drying section缓苏段Tempering section符合排粮要求？Compliancewithdischargerequirements?排粮Grain discharge是Yes热空气Hot air电热风粮Electric hot air furnace冷空气Cold air620-第 5 期邢思敏等：基于极限学习机的玉米干燥系统出机水分含量预测模型1.3试验设计试验于2022年11月2023年2月在辽宁省粮食科学研究所粮食干燥中试试验间开展，选择晴朗、无雨雪的天气状态下进行玉米干燥试验，单次样品用量为（982）kg。为丰富数据变化范围，更好地描绘干燥过程中的变化规律、理解每个特征的独立作用以及相互影响，采用控制变量法分别调节干燥过程的热风温度、干燥段温度以及排粮频率，设置8个平行试验，每个试验两次重复，用于检验试验的可重复性与结果的一致性，具体参数设置如表1。图2粮食干燥模拟试验系统正视图Figure 2Front view of grain drying simulation test system参数名称Parameter烘前样品（两次）/kgSample before baking(twice)风管温度/Air duct temperature干燥段温度/Drying section temperature排粮频率/HzGrain discharge frequency1Test I97.596.77050102Test II96.196.37050203Test III98.497.28050104Test IV96.397.38050205Test V95.696.69050106Test VI99.398.19050207Test VII96.497.510050108Test VIII99.896.11005020表1试验参数设置表Table 1Test parameter setting table图3温湿度特征数据测定点Figure 3Temperature and humidity characteristics measurement points1.4数据获取以启动粮食干燥模拟试验系统为试验开始时间，每15 min取样1次，采用国标方法测定玉米样品的湿基含水率，出机玉米水分干燥至（12.80.5）%时停止取样，并将粮食干燥模拟试验系统测得的12种特征:上出口温度、上出口湿度、下出口温度、下出口湿度、上部温度、下部温度、干燥段1温度、干燥段2温度、干燥段3温度、干燥段1湿度、干燥段2湿度、干燥段3湿度数据导出；实时监测的温、湿度特征数据量庞大，每分钟数据取平均值处理，以供后续研究。出机玉米湿基含水率检测采用国标方法GB5009.32016食品安全国家标准 食品中水分的测定20，同一样品两次测量，以两次测量结果的平均值作为当前时刻出机玉米湿基含水率。2数据平滑处理2.1数据预处理8组平行试验验后，经统计分析、剔除误差值，共保留了玉米干燥过程出机水分含量、对应温湿度特征数据123548761.干燥段；2.热风管道；3.缓苏段；4.电热风炉；5.排粮机构；6.装料口；7.控制箱；8.进机粮提升机1.Drying section；2.Hot air duct；3.Tempering section；4.Electric hot air furnace；5.Grain discharge section；6.Flhed opening；7.Control box；8.Grain elevator上部温度、湿度The upper part temperature,humidity干燥段D温度、湿度Drying section 1 temperature,humidity干燥段2温度、湿度Drying section 2 temperature,humidity干燥段3温度、湿度Drying section 3 temperature,humidity下部温度、湿度The lower part temperature,humidity上出口温度、温度Upper outlet temperature,humidity下出口温度、温度Lower outlet temperature,humidity621-沈阳农业大学学报第 54 卷207组，将样本集按照2 1的比例划分为训练集和验证集，其统计数据如表2。图4干燥段1温度(a)、湿度(b)与玉米水分含量变化关系Figure 4Relationship between temperature(a),humidity(b)and changes in moisture content of corn in drying section 1数据集Sample set训练集Training set验证集Validation set样本量/组Samples13869最大值/%Minimum value22.8623.01最小值/%Maximum value12.4112.83均值/%Mean value17.6617.54标准差/%SD2.802.65变异系数C.V.0.160.15表2出机玉米水分数据统计Table 2Statistics of corn moisture out of the machine图4是干燥段温度1、干燥段湿度1与出机玉米水分含量的关系图。由图4可知，干燥段1温度、湿度这两种特征的初始数据具有明显变化趋势，但波动幅度较大、噪声明显。其他10组特征也表现为上述规律。ab干燥段1温度/Drying section 1 temperature5550454035302520151050-5-10222018161412玉米水分含量/%Corn moisture content干燥段1温度/Drying section 1 temperature100806040200222018161412玉米水分含量/%Corn moisture content2.2相邻平均法平滑数据为最大程度地保留试验所得各类原始数据，强化数据变化特征、降低噪声，研究采用相邻平均法平滑分别对12组特征数据进行降噪处理。相邻平均法平滑常用于降低数据中的噪声和抖动，其原理是通过计算数据中一定时间范围内的数据均值来代替原始数据点，从而使得数据曲线更加平滑，平滑短期波动和噪声具有较好效果。在每个数据点yi处计算它前后一定范围内的数据点的平均值，得到平滑后的值si。公式为：si=1kj=i-k+1i+k-1yj（1）式中：i为当前计算的数据点位置；k为用于计算平均值的数据点个数；j为用于计算平均值的数据点的下标。2.3平滑处理结果相邻平均法用于计算平均值的数据点个数设置为5，边界点采用外推法计算，得到的平滑处理结果如图5。图5中实线、虚线分别由原始数据点、平滑后数据点连结形成，从图形来看，经平滑处理的数据点集合毛刺减少，相邻数据点之间的波动明显缓解，数据趋势更加明显和连续。以玉米水分含量与温湿度特征的Pearson相关系数为评价标准，对比平滑处理前后的Pearson相关性，结果见图6。经相邻平均法平滑后的数据，与玉米水分含量的相关系数明显提高。经相邻平均法平滑处理后，温、湿度特征数据更加稳定，更加适合用于预测和建模。622-第 5 期邢思敏等：基于极限学习机的玉米干燥系统出机水分含量预测模型3玉米干燥系统出机水分含量预测模型3.1基于ELM的玉米出机水分含量预测模型构建极限学习机是一种单层前向神经网络21，其主要特点是随机初始化隐藏层的权重和偏置，而不需要对这些参数进行迭代优化，训练速度快、计算量小22，其在谷物干燥领域研究实例鲜少、探索空间广阔。研究以12组温湿度特征数据为模型输入，构建基于ELM的玉米出机水分含量预测模型的实现过程如下：初始化参数：随机初始化输入层到隐藏层的权重w和隐藏层的偏置b，手动设定隐含层神经元个数，一般设定在特征数量的23倍。前向传播：将输入数据通过输入层传递到隐藏层，并使用非线性激活函数处理隐藏层的输出结果。输出权重的计算：使用矩阵求逆的方法计算输出权重，其中输出权重通过最小二乘法求解得到。图6平滑处理前后Person相关系数对比图Figure 6Comparison of Person correlation coefficient before and after smoothing treatment图5相邻平均法平滑处理后的干燥段1 温度(a)、湿度(b)Figure 5Temperature and humidity results of drying section 1 smoothed by adjacent averaging methodab干燥段1温度/Drying section 1 temperature5550454035302520151050-5-10222018161412玉米水分含量/%Corn moisture content干燥段1温度/Drying section 1 temperature100806040200222018161412玉米水分含量/%Corn moisture content原始数据Original data经相邻平均法平滑后的数据Data by the adjacent averaging smoothing原始数据Original data经相邻平均法平滑后的数据Data by the adjacent averaging smoothing原始数据Original data经相邻平均法平滑后的数据Data by the adjacent averaging smoothing皮尔森相关系数绝对值Pearson correlation coefficient absolute value0.950.900.850.800.750.70上出口温度Upper outlet temperature上出口湿度Upper outlet humidity下出口温度Lower outlet humidity下出口湿度Lower outlet humidity干燥段1温度Drying section 1 temperature干燥段2温度Drying section 2 temperature干燥段1湿度Drying section 1 humidity干燥段2湿度Drying section 2 humidity干燥段3湿度Drying section 3 humidity上部温度Upper temperature下部温度Lower temperature特征名称Feature names干燥段3温度Drying section 3 temperature623-沈阳农业大学学报第 54 卷输出预测：将隐藏层的输出与输出权重相乘得到预测输出结果。yi=h()xi=j=1Ljh(ajxi,bj)（2）式中：xi为输入节点数为i时的特征向量集；j为第j个隐含层节点的输出权值向量；aj为第j个隐含层节点的输入权值向量；bj为第j个隐含层节点的偏置参数；i为输入节点数；L为隐含层节点数。简化后，即：Y=H（3）H()a1,aL,b1,bL,x1,xN,=h(a1x1+b1)h(aLx1+bLh(a1xN+b1)h(aLxN+bL)N L（4）模型评估：使用评价指标对模型进行评估，研究以拟合优度（R2）、均方根误差（root mean square error，RMSE）作为评价指标。3.2模型结果ELM模型依托Matlab软件实现，研究以sigmoid函数作为模型隐含层神经元激活函数，隐含层神经元个数设定22，模型运行时间为0.018 794 s，预测结果如图7。图7ELM模型预测结果Figure 7ELM model prediction results模型训练集拟合优度R2为0.988 6，均方根误差RMSE为0.281 1%，验证集R2为0.981 2，RMSE为0.382 1%。模型训练集R2相对较高，表明该模型可以很好地拟合训练数据，具有很强的预测能力，同时预测误差较小；训练集与验证集R2接近，表明该模型不会出现过度拟合情况；验证集的均方根误差为0.382 1%，与训练集相比略有增加，但差距很小。3.3模型的验证与评价图8为玉米干燥系统出机水分含量模型预测值与值的对比。由图8可知，预测值与实际值差距较小，模型预测效果较好。4讨论与结论本研究的主要目的是通过建立一种基于ELM的玉米干燥系统出机水分含量预测模型，以提高玉米干燥中水分含量实测值/%Measured moisture content242220181614水分含量预测值Predicted moisture content/%1214161820222412141618202224水分含量实测值/%Measured moisture content242220181614验证集数据Validation set data验证集Validation set R2=0.981 2,RMSE=0.382 1训练集数据Training set data训练集Training set R2=0.988 6,RMSE=0.281 1水分含量预测值Predicted moisture content/%624-第 5 期邢思敏等：基于极限学习机的玉米干燥系统出机水分含量预测模型过程对出机水分含量的控制精度，提升干燥质量和效率。研究供试验的批次式粮食干燥模拟试验系统属于顺逆流干燥段组合机型。该类型烘干塔为现阶段玉米干燥生产中的主流机型，依据此类型干燥模拟系统进行玉米干燥试验、分析温湿度数据、构建水分预测模型，对顺逆流烘干塔的实际生产具有重要意义。研究构建的玉米干燥系统出机水分含量预测模型训练集拟合精度较高、误差较小，验证效果理想，为玉米干燥工艺参数优化和过程的自动控制提供技术支撑23。但该模型仍有一些可以改进的方向：首先，ELM模型训练集与验证集拟合系数易产生显著差异，ELM模型存在一定的训练过度情况，模型的泛化能力亟待提升，同时ELM模型在预测精度、预测误差上也具备优化空间，未来研究中考虑使用交叉验证24、集成学习25、仿生优化26等方法进一步优化ELM模型。当然，为深入探索玉米干燥过程出机水分预测模型的构建，未来也考虑采用其他的机器学习算法和深度学习方法，对比提升的预测模型精度27。其次，可以进一步丰富试验设计，增加更多的训练样本及特征数据，以便进一步提高模型的泛化能力和预测能力。同时，在大型玉米干燥系统开展试验，探究该模型在实际生产中的应用效果。本研究设计了基于粮食干燥模拟试验系统的玉米干燥试验，获得了玉米干燥过程温湿度特征数据、对应出机水分含量数据，以相邻平均法对干燥段温湿度特征进行了降噪处理，进而建立了基于ELM的玉米干燥过程出机水分含量预测模型，并进行验证评价。主要结论为：（1）依据相邻平均法对干燥段温湿度数据的平滑、降噪处理，能够显著提升温湿度数据与出机玉米水分含量的相关性，同时表明，采用平滑降噪的方式对构建ELM模型的输入量进行前置处理，能够为构建出机玉米水分含量预测模型提供基础。（2）基于ELM的玉米干燥系统出机水分含量预测模型可以取得较好的拟合效果和预测准确性，训练集和验证集R2分别为0.988 6和0.981 2，预测误差为0.281 1%和0.382 1%，表明极限学习机模型能够应用于玉米干燥过程出机含水量的预测，且预测精度较高，能够为玉米干燥过程水分测定的工艺优化提供参考。参考文献：1韩峰,吴文福,刘哲,等.粮食连续干燥工艺及过程控制模拟实验系统J.粮油食品科技,2023,31(2):83-89.2IJAH A A,OLAGUNJU O E,ADAMU S M,et al.Development of a corn drying systemJ.Journal of Engineering Research and Reports,2021:74-79.3薄克明,申天兵,王健平,等.天津市粮食干燥机械化技术发展现状及对策J.农业工程,2017,7(3):89-91,74.4王炫权.连续式玉米干燥机测控系统的研究D.长春:吉林大学,2018.5张中平.连续式微波干燥控制系统的研究与设计D.哈尔滨:东北农业大学,2020.6谢辉煌,金毅,张忠杰，等.基于LSTM网络的粮食干燥机水分预测与优化J.中国粮油学报,2023,16(8):1-14.7邱习.基于Bi-LSTM模型的水稻病虫害预测D.武汉:武汉轻工大学,2022.8许童羽,邢思敏,于丰华,等.基于多植被指数组合的BAS-ELM粳稻冠层氮含量反演方法J.沈阳农业大学学报,2021,52(5):577-585.图8实际值与预测值对比图Figure 8Comparison of actual and predicted values水分含量/%Moisture content2015实际值Actual value预测值Predicted value样本序号Sample serial number7065605550454035302520151050625-沈阳农业大学学报第 54 卷9杨红云,郭紫微,郭高飞,等.基于Stacking集成卷积神经网络的水稻氮素营养诊断J.植物营养与肥料学报,2023,29(3):573-581.10 王建辉,冉金鑫,沈莹莹,等.基于GA-Adam优化算法的BP神经网络农业灌水量预测模型J.中国农村水利水电,2022(4):138-143.11 RYBACKI P,NIEMANN J,BAHCEVANDZIEV K,et al.Convolutional neural network model for variety classification and seed qualityassessment of winter rapeseedJ.Sensors,2023,23(5):2486.12 阙昊天,赵鑫,黄敏,等.基于特征波段卷积神经网络的小麦种子品种分类研究J.中国粮油学报,2023,38(5):1-10.13 HERNNDEZ-PREZ J A,GARCA-ALVARADO M A,TRYSTRAM G,et al.Neural networks for the heat and mass transfer prediction during drying of cassava and mangoJ.Innovative Food Science&Emerging Technologies,2004,5(1):57-64.14 MUOZ J A,DEL TOLIMA U,SNCHEZ C A,et al.Nonlinear model of arice drying process using neural networksJ.Revista Vitae,2018,25(3):120-127.15 金毅.基于等效积温的谷物干燥过程建模与智能控制D.长春:吉林大学,2019.16 王赫,刘国辉,林琳,等.基于神经网络的玉米干燥过程预测控制模型建立J.粮食与油脂,2021,34(12):37-40.17 雷得超,付彦涛,金厚熙,等.BP神经网络在玉米干燥含水率预测中的研究J.粮食加工,2022,47(4):45-48.18 JIN Y,YIN J,XIE H H,et al.Reconstruction of rice drying model and analysis of tempering characteristics based on drying accumulated temperatureJ.Applied Sciences,2021,11(23):11113.19 FENG X Y,GUO C L,LI P C,et al.A study on drying control of seed cotton based on BP neural network modelJ.IOP Conference Series:Earth and Environmental Science,2021,697(1):012007.20 中华人民共和国国家卫生和计划生育委员会.食品安全国家标准 食品中水分的测定:GB 5009.32016S.北京:中国标准出版社,2017.21 HUANG G B,ZHU Q Y,SIEW C K.Extreme learning machine:Theory and applicationsJ.Neurocomputing,2006,70(1-2-3):489-501.22 李昌龙,陈松,吴炫炫,等.基于PSO-ELM的316L不锈钢细长管磁粒研磨内表面粗糙度预测模型J.中国表面工程,2023,36(2):212-221.23 FREIRE F B,VIEIRA G N A,FREIRE J T,et al.Trends in modeling and sensing approaches for drying controlJ.Drying Technology,2014,32(13):1524-1532.24 洪敏,艾萍,岳兆新.基于FPA-ELM模型的中长期径流预测以雅砻江流域为例J.人民长江,2022,53(6):119-125.25 李丽.基于ELM的高光谱遥感影像土地利用覆盖分类优化方法研究D.成都:电子科技大学,2018.26 张新生,常潆戈.基于FA-BAS-ELM的海洋油气管道外腐蚀速率预测J.中国安全科学学报,2022,32(2):99-106.27 代爱妮,周晓光,刘相东,等.基于BP神经网络的旁热式辐射与对流粮食干燥过程模型J.农业机械学报,2017,48(3):351-360.责任编辑李薇626