BP神经网络在粮食干燥预测模型中的应用*

2022-03-23王赫

粮食加工 2022年1期

王赫

（辽宁省粮食科学研究所，沈阳 110032）

粮食干燥是保证粮食安全的重要环节，是粮食储藏的第一道关键性作业程序。由于粮食干燥系统是一个大时滞、多干扰的强非线性系统，长期以来，自动化程度低、干燥作业过程中控制的严重滞后性和干燥结果的不可调整性一直没有解决，粮食在干燥过程中易造成品质陈化和劣变、破碎率增高、水分减量等不应有的品质与重量损失。21世纪以来，人工神经网络的研究工作不断深入，已经取得了很大的进展，其在模式识别、智能机器人、自动控制、预测估计、生物、医学和经济等领域已成功地解决了许多现代计算机难以解决的实际问题，表现出了良好的智能特性[1]。

1 BP神经网络

BP(back propagation)神经网络是一种神经网络学习算法。它是由输入层、中间层和输出层组成的阶层型神经网络，中间层可扩展为多层。相邻层之间各神经元进行全连接，而每层各神经元之间无连接。当一对学习模式提供给网络后，各神经元获得网络的输入响应产生连接权值(Weight)，然后按减小希望输出与实际输出误差的方向，从输出层经各中间层逐层修正各连接权，回到输入层。此过程反复交替进行，直至网络的全局误差趋向给定的极小值，即完成学习的过程[2]。图1为BP网络拓扑结构图。

图1 BP网络拓扑结构图

2 玉米干燥特性分析

粮食烘干过程中的影响因素来自四个方面，即谷物特性、干燥介质、干燥塔的结构和外界环境。在外形结构己经确定的情况下，主要考虑其它三个方面。本文通过采集顺逆流粮食干燥机生产实际数据、现场测试数据以及生产跟班记录数据，分析玉米干燥特性。其中，粮食温度的高低直接影响到粮食内部水分的扩散速度与蒸发速度的快慢。根据操作经验，当粮食温度过高时，需要通过增加排粮频率来改变干燥机内粮食的流量。以免因为粮食温度过高使得粮食含水率下降到过低的水平，甚至出现糊粒的情况。粮食温度过低时，结果相反[3]。本文将从这方面加以考虑，通过BP神经网络建立粮温与排粮频率关系的预测模型，进一步指导现场的操作人员如何调节排粮电机的频率。

3 BP神经网络的设计与实现

3.1 隐含层节点选取

本文通过采集大量玉米干燥过程中干燥机内各层粮温数据以及环境温度数据，选取60个样本数据进行建模分析。确定BP网络输入层节点数为10，输出层节点数为1，隐含层节点数根据公式（1）确定[4]。根据以上网络采用10-7-1的节点数分布，分布图见图2。

图2 神经网络节点分布图

式中：输入层节点数n=10

隐含层节点数l=7

输出层节点数m=1

a为0～10之间的常数

3.2 激励函数的选取

BP神经网络通常采用Sigmoid可微函数和线性函数作为网络的激励函数。本文选择S型正切函数tansig作为隐层神经元的激励函数。而由于网络的输出归一到[-1,1]范围内,因此预测模型选取S型对数函数logsig作为输出层神经元的激励函数。

3.3 神经网络模型的建立

此次预测选用MATLAB中的神经网络工具箱进行网络的训练,预测模型的具体实现步骤如下:将训练样本数据归一化后输入网络,设定网络隐层和输出层激励函数分别为tansig和logsig函数,网络训练函数为traingdx,网络性能函数为mse,根据经验隐含层神经元数设为7，神经网络模型参数设置见图3。网络参数设定完成后，开始训练。

图3 神经网络参数设置图

3.4 结果分析及模型验证

由图4可知：网络模型经过9次训练后，目标误差达到设定要求。图5为BP神经网络模型测试样本网络输出回归直线（Output=0.86×Target+3.3）。排粮频率实际值和预测值之间关系系数为0.9491。表明该模型预测值与实际值拟合较好。图6为神经网络模型预测排粮频率值与实际值对比曲线。可以看出，该模型能较准确地预测玉米干燥过程中排粮频率的变化规律。但是BP神经网络中极小值比较多，所以很容易陷入局部极小值，这就要求对初始权值和阀值有要求，要使得初始权值和阀值随机性足够好，可以多次随机来实现。