基于时延神经网络的酒醅温度时序预测∗

2020-11-02余天阳

计算机与数字工程 2020年9期

余天阳

（江南大学物联网工程学院无锡 214122）

1 引言

发酵工艺是传统白酒发酵的核心，生产工艺人员结合每口窖池60d（出窖前7d）的酒醅温度曲线和相关入窖发酵参数对生产工艺进行分析，并做好下一轮的入窖配料方案的调整［1］。但是在实际操作过程中由于不同窖池发酵的情况不一、工序复杂、时间仓促等原因，常出现配料配比偏差并最终导致发酵失败［2］。因此精准的预测酒醅发酵温度，提前分析发酵工艺，为生产工艺人员争取充足的配料调整时间对提高白酒产量具有十分重要的意义。

酒醅发酵温度数据具有非平稳性时间序列的基本特征，目前针对时间序列数据的预测方法可分为传统方法［3～5］和基于人工智能方法［6～13］。传统方法主要采用基于统计理论或者ARIMA 模型等方法进行分析预测；人工智能方法主要采用人工神经网络和混沌理论、支持向量机等。田瑞杰［6］等提出一种基于BP-ANN 相结合的预测模型研究了短时交通流速度预测，实验结果表明该预测模型能够将预测误差控制在7%以内，表现出良好的预测精度。丁刚［7］等基于过程神经网络就时间序列的短期预测和长期预测问题分别建立两种预测模型，并应用到航空发动机中铁金属含量的预测，验证了两种预测模型的有效性。梁志珊、王丽敏［8］等利用混沌方法对电力系统历史负荷时间序列进行数理统计处理，并将这种混沌特性应用于对东北电网实际负荷时间序列进行短期预测，取得了满意结果。高雄飞［9］针对具有非线性特性的时间序列进行预测，将时间序列在相空间重构，利用最小二乘支持向量机模型对重构后的时间序列进行预测，具有很好的理论和应用价值。张林、刘先珊［10］等针对负荷预测不确定、非线性、动态开放性的特点提出一种基于时间序列的支持向量机（SVM）的负荷预测方法，可以提供准确的预测，减少了对经验的依赖。

酒醅发酵温度的精准预测不仅可以让工艺人员时刻掌握白酒发酵的真实状态，还可以为他们争取充足的配料调整时间，对提升白酒产量具有重要的应用价值。通过对所监测数据发现，整个发酵期间酒醅温度曲线大都保持“前缓、中挺、后缓落”的规律，即相邻温度变化具有较强的相关性。综上所述，针对这种具有非平稳性时间序列数据本文利用时延神经网络（Time Delay Neural Network，TDNN）能够有效利用历史数据对未来数据预测的能力，提出一种酒醅温度时间序列预测模型，利用发酵过程前50d 的温度数据来预测后10d 的温度曲线，为进一步提高白酒产量提供了有效的数据支持。

2 数据的采集与处理

2.1 数据采集

预测模型所需要的训练样本和测试样本是来自于2018 年2 月采集自江苏某酒厂生产区域内1168 口窖池，利用物联网无线测温技术对生产区域全部窖池内糟醅进行实时在线监控。物联网无线温度传感器统一安插位置为每口窖池中心点往下1.5m 处（离窖底0.5m），采用的是PT100 温度传感器，每个温度传感器每隔1h自动采集1次糟醅发酵温度，并发送到各自的无线路由器上，再由无线路由器将搜集到的温度数据传送到工控机中进行数据交换和数据处理。此次共采集样本522 份，数据特征为522*1440。

2.2 Gaussian处理

固态发酵的温度数据采集过程中，操作人员的失误、环境干扰和设备故障等会导致采集数据中含有小部分的野值。由于野值提供的信息不具有参考价值，反而会降低算法的性能，因此必须对数据进行预处理，一方面拟合温度数据，为后期工作作准备，另一方面有效地减少了野值对后期工作产生的不利影响。

图1 原始温度曲线和高斯拟合法预处理后的温度曲线

高斯函数对发酵温度数据的拟合效果非常好［7～8］，后面要对酒醅温度曲线进行温度预测，所以要对温度数据进行拟合，在误差允许的范围内，高斯拟合可以将随时间变化的温度点拟合成连续的曲线，所以选用高斯拟合法对温度数据预处理。

2.3 实验结果及分析

原始样本共有522 个发酵数据，采用Matlab R2014a 曲线拟合工具箱CFtool，拟合类型选择Gaussian函数对原始温度曲线进行拟合，如图1（a）～（f）所示，列出了六个样本的原始温度曲线图以及高斯拟合法预处理后的温度曲线图，每个样本预处理后对应的SSE、R2、和RMSE如表1所示。

表1 图1中样本对应的统计参数

由图1 可知，每个样本都有一些野值，高斯拟合法可以很好地拟合温度曲线，同时减少了野值对后期工作产生的负面影响，高斯拟合法的有效性在表1 中也可看出，由表1 可知图中每个样本的误差平方和SSE和均方根误差RMSE都不大，判断系数R2和调整的判断系数Rˉ2接近于1，所以Gauss⁃ian函数非常适合对原始温度数据进行预处理。

由图1 可知，每个样本都有一些野值，高斯拟合法可以很好地拟合温度曲线，同时减少了野值对后期工作产生的负面影响，高斯拟合法的有效性在表1 中也可看出，由表1 可知图中每个样本的误差平方和SSE和均方根误差RMSE都不大，判断系数R2和调整的判断系数接近于1，所以Gauss⁃ian函数非常适合对原始温度数据进行预处理。

3 酒醅温度多步滚动预测模型

3.1 时延神经网络预测算法

时延神经网络［14］是用于时序分析的一种人工神经网络模型，可以有效挖掘时序数据的时序相关性［15～18］。

时延神经元（time delay neuron，TDN）是时延神经网络的基本组成单元。每一个TDN 有M个输入(I1(t)，I2(t)，...IM(t))和一个输出O(t)。每个输入Ii(t)包含N 步时延，用以保存当前时刻之前的N个时刻的输入Ii(t-d) ，d=1，...，N信息，其对应的权重(ωi1，ωi2，...，ωiN) ，反映不同时刻对当前时刻数据的影响程度。每个TDN输出如式（1）所示。

其中bi为第i个输入的偏置；f为激励函数，一般选用sigmoid 函数。从式（1）可以发现，神经元输出由每一个输入的当前时刻及其前N个时刻的时序数据共同决定。因此时延神经网络可以有效的处理非线性动态时序问题。

时延神经网络（TDNN）模型是在多层BP 神经网络模型的基础上加入了时延单元，使得BP 神经网络模型具有记忆功能，其结构图如图2 所示。其中隐含层有J个神经元输出层有R个神经元。TDNN输出层各个神经元输出如式（2）所示。

式中N1为输出层节点的时延步数；r为输出层节点编号；R为输出层数；为第r个输出层节点与隐含层节点间连接权重；为第r个输出层节点的偏置；Hj(t)为第j个隐含层的输出，其计算公式如式（3）所示。

式中N2为隐含层节点的时延步数；j为隐含层节点编号；Ii(t-d)为第i个输入层节点。为第j个隐含层节点与输入层节点的连接权重；为第j个隐含层节点的偏置。

图2 时延神经网络整体结构图

3.2 酒醅温度多步滚动预测模型

固态白酒发酵过程中的酒醅温度数据的时序性很强，因此本文利用TDNN 神经网络模型对发酵过程中的酒醅温度进行时序预测，预测的模型结构如图2 所示。酒醅温度数据预测模型共有3 层，输入层、隐含层和输出层。其中输入层为1 个节点，每个节点包含20 步延时。输出层也为1 个输出节点，输出层也为一个节点，为上述温度发酵数据下一个时刻预测值。隐含层为1 层，节点个数需要用实验法验证获得。

4 模型训练及预测

4.1 样本集划分

有效的划分样本集可以提高模型的泛化能力，本文通过高斯拟合算法处理后共得到522 组样本数据，数据特征为522*1440。按照校正集和验证集大约4：1 的比例，将522 个样本划分418 个作为训练样本，104 个作为测试样本，检验预测结果的真实性。

4.2 时延神经网络参数选择

为使基于时延神经网络酒醅温度多步滚动预测模型能够准确预测温度趋势，预测模型训练算法的选择和隐含层节点个数的设置都非常重要，为此本文用试验方法选择预测模型的隐含层节点个数和训练算法。

1）训练算法选择

本文在Matlab2014a 环境下利用Leven⁃berg-Marquardt（L-M）算法、共轭梯度法和动量增加法来训练所建预测模型。表2 为三种训练算法及其仿真结果。

表2 训练算法及其仿真结果

从仿真效果来看，L-M 算法的效果最好，其次是共轭梯度法，动量增加法最差。

2）隐含层节点个数设置

本文分别选取了5、7、9、10、11、13、15 分别作为隐含层神经元个数，对所建预测模型进行训练，通过对比训练精度和训练时间，具体如表3 所示。由表2 可知，当隐含层神经元个数为10 时，网络学习时间和预测精度为最佳。因此，所建预测模型的网络结构为输入层（一个神经元，每个神经元20 步延时），隐含层（10 个神经元），输出层（一个神经元），可以滚动预测10d 后整个酒醅温度曲线的趋势。