好氧堆肥曝气供氧量预测系统的设计

丁国超，徐艳婷，胡军，施雪玲

（黑龙江八一农垦大学，大庆 163319）

好氧堆肥是多种有机好氧微生物在一定条件下转化为可溶性营养物质和腐殖质的过程，并可通过产生高温，杀灭病原微生物。发酵产物既可以作为土壤改良剂，又可以作为农作物的营养源，以实现原料的无害化[1]。

堆肥一直是我国处理有机废弃物最有效、最环保的方法之一[2]。堆肥过程的监测方法也在不断发展，人工监测是最早对堆肥的监测手段，采用温度计测量堆肥几个点的温度，但这种测量方法测量数据单一，且测量范围较小，费时费力，数据量少，不利于统计和分析。经过发展，温度传感器代替温度计，但监测由于反应器本体体积较大，上部与中部温差可能较大，导致测量结果不准确[3-5]。目前，监测手段普遍使用多点温度探头、氧浓度探头、二氧化碳浓度探头，生物传感器、免疫传感器、红外光谱等[6-8]对堆肥物料参数进行监测，测量准确，效率显著提升。尤其无线传输技术被应用后，通过采集信息和分析数据来控制机械设备的运作，形成了一个完善的堆肥在线监控系统，综合分析整个堆肥的状态，更好的掌控堆肥反应[9-10]。

为完善好氧堆肥曝气量监测系统，实时监测堆肥状态，提高堆肥效率，利用Matlab App Designer设计了好氧堆肥曝气预测系统界面，对预测系统进行初步搭建。将影响好氧堆肥曝气量的因素，如氧气浓度、温度、湿度和室温作为输入量，好氧堆肥过程中释放的曝气供氧量作为输出量，建立基于GA-BP神经网络的曝气供氧量预测模型。通过STM32F103单片机将传感器采集到的数据实时传输到预测系统中，对数据进行运算处理，预测曝气供氧量，根据预测数据控制曝气阀门，从而提高实验效率与准确性，实现精准曝气。

1 实验装置及数据来源

1.1 实验装置

好氧堆肥实验设备由北京市农林科学院科技成果展示示范温室提供，实验原料由北京市密云区海华沼气厂提供的鸡粪和玉米秸秆。

好氧堆肥实验装置如图1所示主要结构分为三个单元：好氧发酵、测控和曝气[11]。设计好氧堆肥曝气供氧量预测系统，对好氧发酵过程的温度、湿度、氧气浓度以及室温进行实时监控，通过发酵罐内的传感器采集好氧发酵过程中各参数变化信息[12]。

图1 好氧堆肥实验装置结构简图Fig.1 Structure of aerobic composting experimental device

1.2 数据来源及选取

实验选取的数据为2019年1月4日至2019年1月22日的海华沼气厂3号鸡粪和秸秆的反应堆数据，实验输入数据为室温、氧气浓度、温度和湿度，输出数据为曝气量。在实验中选取268组有效数据作为数据样本，其中的218组作为输入数据，50组数据作为测试样本，计算误差并分析模型效果。

2 预测模型的建立与分析

2.1 GA-BP神经网络预测模型的建立

由于原始数据中不同的维数间的数值差距较大，为了提高训练速率和运算精度，先对数据进行有效化预处理，再对数据做归一化处理[13]。重构基于BP神经网络的好氧堆肥曝气量的预测模型如图2所示：

图2 基于BP神经网络建立的好氧堆肥曝气量预测模型Fig.2 Prediction model of aerobic composting aeration rate based on BP neural network

BP神经网络在训练时存在的缺点较为明显，像是容易陷入局部极值增加训练时间、训练过程收敛速度过慢等，而遗传算法则是从其他方面改善了BP神经网络训练过程的缺陷，解决了非线性和多维空间寻优的问题[14]。将BP神经网络和遗传算法相结合，建立基于GA-BP神经网络的曝气供氧量预测模型。遗传算法优化BP神经网络，主要利用遗传算法优化神经网络的初始权值和训练阈值[15]，通过遗传算法的选择、交叉和变异等操作获取最优的适应度参数，将获取的最优适应度参数对BP神经网络进行新一轮的赋值和训练，最终得出基于GA-BP神经网络的曝气供氧量预测模型的最优网路训练参数，GA-BP神经网络预测模型的参数如表1所示。

表1 GA-BP神经网络参数设置Table 1 Parameter setting of GA-BP neural network

其算法流程如图3所示：

图3 算法流程图Fig.3 Algorithm flow chart

为了能够全面准确的评价曝气供氧预测模型性能，选用平均绝对误差（MAE）、平均绝对百分误差（MAPE）和均方根误差（MSE）作为评价指标[16-17]。

2.2 GA-BP神经网络预测模型的分析

由图4可知，GA-BP神经网络算法和标准BP神经网络算法的预测值和真实值比较，GA-BP神经网络预测结果与真实值的差值几乎为0，预测结果相比标准的BP神经网络算法更接近真实值，准确性更高。

图4 BP与GA-BP结果比较Fig.4 Comparison of BP and GA-BP results

由表2可知，遗传优化BP的算法预测的数据相比标准BP算法得出的准确率要高得多，标准BP算法的准确率仅96.481 2%，经优化后准确率可达到98.979 7%。GA-BP模型中MAE、MAPE以及MSE分别是0.042 595、0.003 693 9以及0.002 28，相对先前BP神经网络而言，依次减少了73.238 2%、71.004 3%和87.809 6%，GA-BP的评价指标值更小，因此GABP算法的预测值更加准确。由此可见，GA-BP算法已经得到了极大的优化，精确率相比标准的算法而言有了极大的提高，可以更准确地对曝气供氧量进行预测，为下一次曝气提供数据。

表2 BP与GA-BP算法评价指标Table 2 BP and GA-BP algorithm evaluation index

该模型与标准的BP神经网络算法相比，在曝气供氧量预测中具有准确的预测效果；研究内容评价指标均优于BP神经网络预测结果，能够很高的预测曝气供氧量。该模型可满足好氧堆肥的曝气供氧量需要，作为好氧堆肥曝气供氧量预测系统的预测模型基础。

3 系统硬件部分设计

3.1 硬件系统开发环境

使用KeilμVision5软件作为集成开发环境，为STM32F103单片机提供良好的环境基础，采用C语言进行开发，将固件库中关键文件、芯片启动文件等复制到工程目录中，在Files中添加各分组需要的文件，设置.h头文件路径，完成了软件环境的初始搭建，说明程序开发前的工作已经完成，在开发软件过程中可以根据使用功能进行不同的参数设置。完成主函数编写后进行试运行，试运行也没有任何编译上的错误，就可以生成HEX文件，将其下载到STM-32F103单片机中，这样就完成程序的初始搭建[18]。

借助jzx875无线通讯模块，为下位机与上位机搭建数据交互通道。jzx875无线通信模块通过收发器建立透明的传输通道，分别连接下位机和上位机的串口，上传和存储采集的数据。选用北京农业智能装备技术研究中心自主研发的STM-100型温湿度一体型传感器和SST氧气传感器；控制系统选用北京农业智能装备技术研究中心自主研发的ASE-300控制板作为下位机控制器[19]。

3.2 硬件系统工作流程

系统的设计主要分为预初始化、传感器数据采集、数据显示、存储和传输[20-21]。如图5所示为预测系统的流程图。

图5 好氧堆肥曝气供氧量预测系统的流程图Fig.5 Flow chart of aeration oxygen supply prediction system for aerobic composting

初始化部分主要包括系统中断优先级设置和定时器函数的初始化。系统初始化完成后，进入到主控程序中，控制各个传感器进行数据采集，将采集参数按照指定的参数读取方式进行计算，通过无线串口模块进行数据收发，在上位机界面将接收到的采集数据进行显示并存储到数据库当中。

4 系统软件界面设计

采用Matlab设计一个实时监测界面，在Matlab中，对数据进行预处理和建模，并在AppDesigner中设计一个好氧堆肥曝气供氧量预测系统界面，接口可以实时显示下位机采集到并发送到上位机的数据，预测系统可生成exe文件，脱离Matlab环境单独使用，操作方便快捷。

在初步设计的应用程序界面中，应用到基本设计按钮，包括按钮、滑块、选择按钮、文本、面板和其他可用的选项，好氧堆肥曝气供氧量预测系统界面如图6所示。实现了实时数据显示、预测数据显示、串口数据接收、数据搜索和阀门控制等功能。

图6 好氧堆肥曝气供氧量预测系统界面设计Fig.6 Interface design of aeration oxygen supply prediction system for aerobic composting

据预期的功能安排，设计每个模块所需的文本、按钮和下拉选项。针对每个控件的功能设计，实现相应的回调函数。回调函数的设计主要对应界面的主要功能。当按下按钮时，执行接收或输出数据的指令，调用相应的回调函数完成用户界面对应的程序指令，如表3所示。

表3 主要回调函数名与实际功能对应表Table 3 Corresponding table of main callback function name and actual function

5 结论

初步搭建好氧堆肥曝气量预测系统，以GA-BP神经网络好氧堆肥的曝气供氧量预测模型为运算基础，实现好氧堆肥实验中对曝气供氧量的预测和影响因素的监测，计算曝气速率并作为驱动阀门开关的理论依据，系统结构简单，操作方便。

结果表明，曝气供氧预测模型能够在好氧堆肥曝气供氧预测系统中实时掌握影响的曝气量因素和变化情况，为控制阀门曝气提供理论支撑，提高了实验中的曝气效率，为好氧堆肥提供充足的氧气，减少翻堆次数和增加实验成功率。系统在实际应用中，可实现较好监测作用，具有一定的实用价值。