基于BP神經網絡的旁熱式輻射與對流糧食干燥過程模型

代愛妮 周曉光 劉相東 劉景云 張 馳

(1.北京郵電大學自動化學院， 北京 100876； 2.青島農業大學理學與信息學院， 青島 266109；3.中國農業大學工學院， 北京 100083； 4.北京聯合大學自動化學院， 北京 100101)

基于BP神經網絡的旁熱式輻射與對流糧食干燥過程模型

代愛妮1,2周曉光1劉相東3劉景云4張 馳1

(1.北京郵電大學自動化學院， 北京 100876； 2.青島農業大學理學與信息學院， 青島 266109；3.中國農業大學工學院， 北京 100083； 4.北京聯合大學自動化學院， 北京 100101)

針對旁熱式輻射與對流糧食干燥機的干燥特點，建立了一種糧食干燥機干燥過程的BP神經網絡預測模型。該模型采用了3層神經網絡結構(8-10-1)，模型輸入為糧食干燥機的8個變量，模型輸出為出口糧食水分比或干燥速率。通過編寫Matlab建模程序，基于實際干燥實驗的樣本數據訓練與測試網絡，實現了紅外輻射與對流聯合干燥的動力學模型，并給出了相應的模型數學表達式，模型預測的出口水分比與干燥速率的R2分別為0.998 9和0.998 0，均方根誤差分別為0.009和0.004 1，預測結果與實際測量數據擬合較好；另外，結合實驗干燥條件對模型干燥性能的預測結果進行了分析與總結，并依據同樣方法建立了順逆流糧食干燥過程的出口糧食水分比預測模型，對比了2種干燥方式的干燥性能。仿真預測表明用BP神經網絡方法建模簡單，具有自適應性、靈活性和自學習性等特點，相比于其他糧食干燥的經驗數學模型，能綜合考慮多種影響因素，可為紅外輻射與對流聯合干燥過程提供一種新的建模方法。

糧食； 紅外輻射與對流干燥； BP神經網絡； 預測模型

引言

實現糧食干燥的精確控制需要較為精確的數學模型，然而糧食干燥是一個典型的非線性復雜系統，干燥過程中，各變量因素相互耦合，具有滯后性和多干擾性[1]，從而建立一個符合實際干燥過程的數學模型非常困難。

目前，各項研究中建立的糧食干燥數學模型很多，主要有單顆粒干燥模型、薄層干燥模型和深床干燥模型。通常，實際干燥中，針對糧食干燥機的數學模型均為深床干燥模型，其中的典型模型是PDE偏微分方程，該類模型基于熱質傳遞原理，通用性較好，應用廣泛。相關學者主要利用此類模型進行干燥過程的數值模擬，以此了解干燥過程中各個參量的變化規律，為簡化模型提供參考數據。但該類模型復雜，求解比較困難，無法利用該模型進行有效的實時控制[2]。分布參數DP模型計算耗時少，可用于干燥機的控制[3-4]，該類模型通常在分析與計算時把深床谷物分為若干個薄層，利用現有的薄層方程計算熱空氣狀態與糧食溫度和水分的變化，最后簡化成多個薄層方程的疊加[4]。然而，DP模型通常在建立時均做了很多假設，而且只考慮了部分因素，與實際復雜系統有一定的差距。

對于此類復雜不確定系統的數學建模還可以依靠實驗的方法，采集一定的輸入、輸出數據對系統進行辨識從而得到數學模型，通常這種方法得到的數學模型參數可能不具有明確的物理意義，但并不影響利用該模型進行控制系統的設計與分析[5]。例如，神經網絡辨識方法在解決復雜系統的辨識方面具有很大的潛力。

神經網絡在糧食等干燥系統辨識和建模中有很多應用[6-10]，從文獻分析可以看出，利用神經網絡的自學習、自適應功能，以及逼近任意非線性函數的特點，通過輸入、輸出數據辨識系統的模型是糧食干燥過程辨識的有效途徑。

紅外輻射干燥技術是一種節能、高效、無污染的新型干燥技術，是糧食干燥技術發展的新方向[11-12]，具有產品干燥品質高、生產效率高、干燥速率快和節約能源等優點。目前，國內外很多學者在紅外輻射干燥建模方面已經開展了相關研究[12-25]。綜合來看，研究文獻中所建紅外輻射干燥過程模型基本還是傳統的經驗和半經驗模型或者其它簡單回歸模型，未考慮諸多復雜的紅外輻射干燥影響因素，其應用領域也基本在食品及蔬菜方面。

本文基于BP神經網絡算法，利用實時在線測量的數據，把干燥時間、入口糧食含水率和溫度、出口糧食溫度、紅外輻射段的糧溫、對流段的糧溫、熱風對流溫度和排糧速度作為BP神經網絡模型的輸入量，預測紅外輻射與對流糧食干燥機的出口糧食水分比和干燥速率，確定糧食被干燥至目標含水率所需要的循環干燥次數，以期為該糧食干燥機的智能控制提供預測模型。

1 BP神經網絡

1.1 BP神經網絡算法原理

如圖1所示，人工神經元模型是一個多輸入多輸出的非線性信息處理節點，把每一個這樣的節點當作一個神經元，由這些神經元組成的網絡就是神經網絡[26]。

圖1中，x1～xn為人工神經元i的輸入，通過權與神經元連接；win為神經元的連接權值；yi為人工神經元i的輸出；f(·)為人工神經元的非線性作用函數。人工神經元i的輸出可以寫為

(1)

式中θi——閾值

神經網絡有許多不同的算法，其中應用比較廣泛的算法是反向傳播(Back propagation,BP)學習算法，簡稱BP算法。

BP神經網絡結構如圖2所示，X和y是網絡的輸入、輸出向量，每個神經元用一個節點表示，網絡由輸入層、隱含層和輸出層節點組成，隱含層可以是一層，也可以是多層，其模型的可調參數分布在網絡內部的連接權值上，非線性函數隱含在神經元及網絡結構中。

圖2 BP神經網絡結構Fig.2 Structure of BP neural network

BP學習算法屬于σ算法，基本思想是最小二乘算法(Levenberg-Marquardt)，是有導師的學習，基本原理是最速梯度下降法，由正向傳播和反向傳播組成。正向傳播中，輸入信號從輸入層經隱含層傳向輸出層，輸入層到隱含層的作用函數通常為非線性函數，隱含層到輸出層的作用函數可以是非線性，也可以是線性函數。若輸出層得到了期望的輸出，學習算法結束；否則，轉向反向傳播。反向傳播是將誤差信號(樣本輸出與網絡輸出之差)按原連接通路反向計算，由梯度下降法調整各層神經元的權值和閾值，使網絡輸出層誤差信號的平方和最小[26]。其實質是把一組輸入輸出問題轉換為一個非線性優化問題。

1.2 模型評價指標

圖4 糧食干燥機控制系統框圖Fig.4 Control schematic of grain dryer

評價模型好壞的指標有：和方差、決定系數R2、均方根誤差和均方誤差。通常，均方根誤差和均方誤差越接近于0，R2越接近于1，函數擬合性能越好。

2 實驗裝置

2.1 旁熱式輻射與對流糧食干燥機系統

2.1.1 機械系統及控制系統結構

實驗裝置是自行設計的已在東北某機械有限公司投入使用的旁熱式輻射與對流糧食干燥機系統，系統由機械結構和控制結構組成。其中機械系統結構如圖3所示，主要由存放被干燥糧食的濕谷倉、加熱干燥糧食的5HSHF10型干燥機和存放糧食的干谷倉組成，其形狀均為矩形體。此外還有膠帶輸送機、提升機及電動機等。

圖3 糧食干燥機系統機械結構示意圖Fig.3 Mechanical structure diagram of grain dryer system 1、4、8.提升機 2.濕谷倉 3、5、6、9、11.膠帶輸送機 7.干谷倉 10.干燥機

糧食干燥機的檢測控制系統由計算機、PLC、變頻器及各種檢測傳感器組成，控制方案如圖4所示，主要由檢測部分及控制部分組成。實時檢測的信息有21個溫度、3個風速和2個濕度，另外干燥機頂端與底端都安裝了電容式水分在線監測裝置，可以實現干燥機入口糧食及出口糧食含水率的實時檢測，各傳感器及檢測位置如圖5中1～13所示；控制部分主要對3臺糧食提升機、5臺糧食膠帶輸送機以及供熱風機、除塵風機、油爐電動機和濕倉閥門電動機進行啟?？刂?，對混氣電動閥門進行開度控制，對排糧電動機進行變頻控制。傳感器檢測的數據經PLC：s7-300輸入輸出模塊采集后，經以太網通信，在計算機上或觸摸屏上進行存儲、顯示和計算，操作人員通過計算機或觸摸屏對干燥機設備進行控制。

圖5 干燥機結構與原理圖Fig.5 Schematic of structure and principle of grain dryer1.主熱風道風速傳感器監測點 2.熱風溫度傳感器監測點 3.紅外廢氣溫度傳感器監測點 4.紅外廢氣風速傳感器監測點5.廢氣溫度和濕度傳感器監測點 6.干燥廢氣風速傳感器監測點 7.入口糧食溫度和水分傳感器監測點 8.出口糧食溫度及水分傳感器監測點 9.對流段糧食溫度傳感器監測點 10.紅外輻射段糧食溫度傳感器監測點 11.燃燒管溫度傳感器監測點 12.煙氣溫度傳感器監測點 13.環境溫度和濕度傳感器監測點14.電動調節閥 15.廢氣室 16.油爐

其中依據出口糧食含水率及相關數據對排糧電動機進行變頻控制是糧食干燥控制的關鍵，本研究主要為該糧食干燥機出口糧食含水率的控制建立預測模型。

2.1.2 糧食干燥機結構及干燥工藝

糧食干燥機結構如圖5所示，干燥機長2.06 m，寬1.3 m，高4.7 m，主體由儲糧段、對流段、輻射段和排糧段組成，其中儲糧段高1.6 m，對流段高1.1 m，輻射段高0.8 m，排糧段高1.2 m。干燥機的對流段為組合設計，方便拆解和更換，有3種工藝可供選擇：順流、順逆流和混流；輻射段4個油爐為旁熱輻射式，能自動點火，配有相應安全裝置；燃燒室采用了鍋爐鋼板結構并且所有鋼板均做了防銹處理。

糧食從干燥機頂端由上而下流動經過對流段與輻射段依次進行對流干燥與輻射干燥，到達排糧口時，判斷出口糧食水分傳感器檢測的糧食含水率是否達到目標值，如達到，則膠帶輸送機6正轉，糧食送入干谷倉，至此干燥結束，如未達到目標含水率，則膠帶輸送機6反轉，糧食重新進入干燥機，繼續循環干燥。其中輻射段與對流段干燥糧食的基本原理如下：

輻射干燥時，燃燒機加熱的輻射筒溫度可以達到380℃左右，利用其高溫對輻射段糧食進行紅外輻射干燥。紅外輻射干燥后的紅外廢氣溫度為150℃左右，利用其余熱進行熱風對流干燥可有效節約能源。

對流干燥時，將輻射段產生的紅外廢氣中混入適量冷空氣，通過電動調節閥調節冷風量實現對混合后空氣溫度的調節，混合空氣經管道進入對流段與糧食接觸進行熱風對流干燥。因其利用了紅外輻

射干燥的余熱進行了熱風對流干燥，輻射段與對流段使用同一熱源，實現了能源的循環利用；另外，輻射干燥時不需要加熱中間介質，熱量直接傳入物料內部，可使物料內部受熱均勻，所以比較節能，干燥后糧食品質較好。

2.2 糧食干燥機出口糧食含水率控制模型

2.2.1 研究對象的確立

本系統的控制對象為新型糧食干燥機的出口糧食含水率，該變量是一個隨干燥時間連續變化的物理量，通常，糧食在干燥機中的干燥時間通過排糧電動機的轉速來調節，控制算法的目的是根據糧食干燥系統的相關影響因素，自動計算出系統所需要的最優排糧轉速，最終將出口糧食含水率穩定調節到所需要的范圍。

2.2.2 影響因素分析

在糧食干燥機干燥過程中，影響出口糧食含水率的因素主要有：干燥工藝、環境因素(環境溫度、環境濕度)、谷物因素(品種、初始含水率、排糧速度、干燥流型)、熱風因素(風溫、風濕、風量)等。糧食干燥機控制過程中各變量選擇如下：被控變量為出口糧食含水率；控制變量為排糧電動機轉速；干擾量為糧食初始含水率、各熱風段溫度、濕度、環境溫度和濕度。

經綜合分析，建立糧食干燥機的干燥過程模型時，設熱風風速、風量及品種等在整個實驗過程中基本不變，看作常量，主要選取了干燥時間(Dt)、入口糧食含水率(Min)和溫度(Tin)、出口糧食溫度(Tout)、紅外輻射段的糧溫(Tir)、對流段的糧溫(Tcon)、熱風對流溫度(Th)以及干燥機排糧速度(V)共8個主要影響因素作為BP神經網絡模型的輸入，將糧食干燥機的出口水分比或干燥速率作為模型的輸出。

2.2.3 控制策略

神經網絡預測控制模型結構如圖6所示，首先依據干燥實驗中傳感器檢測的實驗數據，建立糧食干燥機的神經網絡模型，對該模型進行離線訓練和學習，實時控制過程中在線優化神經網絡模型參數，使模型逼近實際干燥過程。該控制器不是單純的依據出口糧食含水率來調整排糧速度，而是綜合了多種因素，當其中的任何一個相關因素發生變化時，神經網絡模型都能自動計算分析，得到下一時刻出口糧食含水率的預測值，控制模型中的智能控制器依據該預測值優化計算出該時刻排糧電動機的轉速最優值給變頻器，從而控制糧食在干燥機中的干燥時間，實現出口糧食含水率的最優控制。

圖6 干燥機控制算法原理圖Fig.6 Control model structure of grain dryer

3 糧食干燥機的神經網絡模型建立

3.1 實驗條件及計算公式

進行實驗的玉米為黑龍江省哈爾濱市賓縣農戶當季自然收獲的品種星星一號，初始含水率在28%左右，實驗環境溫度為-10～8℃，濕度60%～70%，熱風溫度在80～120℃之間，熱風風速12 m/s，出口糧食水分傳感器校準采用105℃標準干燥箱法進行(GB/T 5497—1985)。

實驗過程中相關計算公式如下：

干燥箱試樣糧食含水率計算公式為

M=(W1-W2)/(W1-W0)×100%

(2)

式中W0——稱量瓶質量，gW1——干燥前試樣和稱量瓶質量，gW2——干燥后試樣和稱量瓶質量，g

t時刻出口糧食含水率(濕基含水率)計算公式為

Mt=wh(t)/w(t)×100%

(3)

式中wh(t)——t時刻糧食中水分的質量，kgw(t)——t時刻糧食的總質量，kg

t時刻的糧食水分比與初始含水率、t時刻的糧食濕基含水率以及t時刻的平衡含水率有關，公式為

MR=(Mt-Me)/(M0-Me)

(4)

式中M0——初始含水率,%Me——t時刻的平衡含水率,%

平衡含水率會隨著干燥過程中空氣溫度和濕度的改變而改變，因此，干燥機出口糧食的平衡含水率是一個隨出口空氣溫度與濕度變化的值，計算公式為

(5)

式中RH——t時刻干燥機出口空氣相對濕度，%T——t時刻干燥機出口空氣溫度，℃

t時刻瞬時干燥速率計算公式為

DV=(M1-M2)/Δt

(6)

式中M1——t1時刻的濕基含水率，%M2——t2時刻的濕基含水率，% Δt——t1到t2之間的時間差，min

3.2 實驗數據選取

為了建立神經網絡模型，首先需采集實驗樣本數據，神經網絡依靠學習樣本來確定網絡中的權值和閾值等參數。表1為2015年11月25日順流紅外輻射干燥實驗中各傳感器采集到的部分實測樣本數據，實測樣本數據為糧食干燥機運行0.5 h后，輻射溫度達到380℃左右，熱風溫度達到120℃后各傳感器每隔1 min采集的干燥數據。表1中DR為該點附近10個瞬時干燥速率的平均值。

首先對采集的數據進行處理，剔除明顯不合理的數據，例如，實驗初始，糧食內部結冰現象造成的糧食水分傳感器測量不準確，或供熱系統故障等產生的隨機誤差影響較大的不符合正常干燥過程的數據等，最終選擇了274組實驗樣本數據，其中隨機選擇了204組數據作為網絡訓練集，剩余70組數據作為預測驗證集。

表1 糧食干燥機實驗部分樣本數據Tab.1 Partial experiment samples result for grain dryer

訓練時，將數據進行了歸一化操作，標準的歸一化公式為

(7)

式中Xi——樣本數據中輸入/輸出向量的實測值Xmax——樣本數據中輸入/輸出向量的最大值Xmin——樣本數據中輸入/輸出向量的最小值

3.3BP神經網絡預測模型結構

根據采集到的數據特點，在Matlab中，編寫神經網絡建模程序，確立新型糧食干燥機的神經網絡預測模型結構如圖7所示，輸入層M有8個節點，分別為選定的影響糧食干燥的8個主要影響因素，隱含層N有10個節點，輸出層L有1個節點，為出口糧食水分比或干燥速率。最佳隱含層的個數滿足公式

(8)

式中a——1～10之間的常數

圖7 建立的3層共19個神經元的神經網絡預測模型結構Fig.7 BP prediction model structure based on three layers with 19 neurons

圖7中xj為網絡的第j個輸入變量值；ni為隱含層第i個節點的輸入；Oi為隱含層第i個節點的輸出；N′1為輸出層節點y1的輸入；N′2為輸出層節點y2的輸入；y1、y2分別為水分比模型MR、干燥速率模型DR的輸出；wij為輸入層到隱含層的權值；wki為隱含層到輸出層的權值。隱含層到輸出層的作用函數為線性函數，輸入層到隱含層作用函數及其導數形式為

f(x)=1/(1+e-x)

(9)

f′(x)=f(x)(1-f(x))

(10)

網絡初始權值和閾值為(0,1]之間的隨機數，初始迭代次數為100次，學習率為0.1，訓練目標誤差為0.000 4。

3.4BP神經網絡預測模型實現

網絡預測模型的訓練過程采用Levenberg-Marquardt (LM)算法，學習算法流程如圖8所示。

圖8 BP神經網絡模型學習流程Fig.8 Learning process of BP neural network model

輸入學習樣本為xp=(x1p,x2p,…,x8p)，已知對應的輸出樣本為dp=d1p(若為干燥速率模型則為d2p，學習的目的是用網絡的預測輸出y1p(若為干燥速率模型則為y2p)與目標量d1p或d2p的誤差來修正其權值，使誤差信號逐漸減少。

對于每一個樣本p的二次型誤差準則函數Ep，取L2范數，即

(11)

系統P個訓練樣本訓練后的總誤差準則函數為

(12)

每次迭代時的誤差梯度下降法公式為

(13)

(14)

wij=wij+Δwij

(15)

wki=wki+Δwki

(16)

其中

(17)

η為學習速率，范圍在(0,1]之間。

最終水分比預測模型經過13次迭代(干燥速率模型經過24次迭代) 后網絡訓練結束。建立的順流紅外輻射的出口水分比MR及干燥速率預測模型DR的公式分別為(輸出層的激勵函數為線性函數)

1.66O2-0.13O3-0.33O4+0.14O5-0.44O6-

0.25O7+0.68O8-1.55O9+0.32O10+1.16

(18)

3.35O2+8.2O3+3.74O4+0.79O5+14.35O6+

5.67O7+10.39O8-5.68O9+2.62O10-0.99

(19)

其中

x0=θiwi0=-1 (i=1,2,…,10)

MR模型和DR模型的wij權系數矩陣和θi閾值矩陣分別如表2和表3所示。

表2 水分比和干燥速率模型的權系統矩陣Tab.2 Weight coefficient matrix of MR and DR models

表3 水分比和干燥速率的θi閾值矩陣Tab.3 θi threshold matrix of MR and DR models

3.5 BP神經網絡預測結果分析

網絡訓練結束后，利用70組驗證數據集進行測試，其中出口糧食水分比模型訓練的均方根誤差為0.009；R2為0.998 9，總誤差為0.504，絕對誤差在±0.03范圍內，相對誤差在±0.04范圍內；干燥速率模型預測的均方根誤差為0.004 1，R2為0.998 0，預測的總誤差為0.212，絕對誤差在±0.02范圍內，大多集中在±0.005附近，相對誤差基本在±0.1范圍內。

基于均方根誤差的水分比模型和干燥速率模型的訓練性能曲線分別如圖9a、9b所示；出口水分比和干燥速率的模型預測總誤差分別如圖9c、9d所示。

圖9 糧食干燥機的神經網絡模型預測性能Fig.9 Prediction performance of BP neural network model for grain dryer

4 模型應用結果分析

應用上述模型分別預測了新型糧食干燥機干燥過程的出口水分比隨時間的變化趨勢，干燥速率隨時間變化的曲線，如圖10a所示；干燥水分比、干燥速率及對流熱風溫度變化關系如圖10b所示。通過與實際實驗曲線對比分析可以看出，預測曲線與實際實驗曲線擬合良好，證明該模型能正確預測該糧食干燥機的動力學曲線。

圖10a為干燥30 min之后的干燥特性曲線，此時的輻射筒溫度已經升高到380℃左右，干燥時的熱風溫度基本維持在120℃，干燥初期，儲糧段糧食會有吸濕現象，越上層吸濕現象越明顯，被干燥糧食含水率出現分層現象，越靠近上層含水率越高，因最下層的糧食首先到達排糧段，所以出口糧食水分比會出現不降反升的現象，隨著干燥時間的進行，糧食水分比開始下降，說明糧食開始被干燥。干燥速率隨著輻射筒溫度的升高而逐漸升到最大值，之后開始出現的下降-上升-下降趨勢，應該與干燥條件變化、輻射溫度變化和糧食含水率分布不均等諸多影響因素有關，大約經過90 min，糧食水分比下降到0.7左右，平均干燥速率下降，糧食含水率減小7%～8%，此后糧食水分比與干燥速率重復相同變化趨勢，同樣大約持續90 min，重復剛才趨勢，糧食含水率減小3%～4%，之后經過兩次同樣變化趨勢，每次都比前一次稍微變緩，平均干燥速率比前一次下降，由此可以推斷，紅外輻射與對流糧食干燥機循環干燥時一個干燥循環大約需要90 min，此次干燥大約需4個循環。

圖10 紅外輻射對流聯合干燥的干燥動力學預測 曲線分析Fig.10 Analysis of drying dynamics prediction curves of infrared radiation and convection grain dryer

從圖10b基本可以看出前90 min平均干燥速率較快，此階段熱風溫度基本維持在120℃，糧食含水率較高，糧食內部水氣分壓較大，平均干燥速率較快，糧食吸收的熱量與蒸發水分所用熱量大致平衡，因此糧食升溫并不明顯；90～180 min平均干燥速度比第一次循環下降，溫度比第一次循環干燥時上升，變化不大；180 min后雖然熱風溫度降為100℃，仍可以看出糧食溫度有明顯的升高，糧食干燥進入降速段，此時蒸發吸熱減少。

依據同樣的建模方法，利用2015年11月28日的實驗數據建立順逆流干燥水分比預測模型(網絡結構為7-10-1，模型去掉了一個影響因素：輻射糧溫)，與建立的紅外輻射對流聯合加熱的模型預測的出口水分比進行對比分析，由圖11可以看出，根據干燥到相同水分所用時間的對比，紅外輻射與對流聯合干燥所用時間最短，干燥速度最快，證明紅外輻射與對流聯合干燥相對于普通對流干燥有明顯的優勢。

圖11 對流干燥與紅外輻射對流聯合干燥的水分比 預測曲線對比Fig.11 Comparison of MR curves of convective drying and infrared radiative and convective drying

5 結束語

建立了糧食干燥的水分比與干燥速率的神經網

絡模型，模型結構為8-10-1，給出了模型的數學表達式及擬合指標值，R2分別為0.998 9和0.998 0，均方根誤差分別為0.009和0.004 1，能較好地預測紅外輻射與對流聯合加熱的干燥機干燥性能，同時對紅外輻射與對流糧食干燥的動力學特性進行了分析，分析了該糧食干燥機干燥過程中的出口水分比及干燥速率的變化情況以及各個干燥階段糧食溫度的變化情況，總結了本次紅外輻射對流糧食干燥機的循環干燥過程大約需要經過4個循環到達目標水分。相比于其它經驗模型，該模型能綜合考慮多個影響因素，能較真實地反映糧食干燥的實際實驗情況；最后利用該方法建立了順逆流干燥實驗的出口水分比預測模型，其預測性能較好，說明神經網絡建模方法具有普遍適用的辨識結構，并且通過對2種不同干燥工藝的出口糧食水分比預測分析，證明了紅外輻射干燥與對流聯合干燥相對于普通對流干燥的優越性。該建模方法可以為紅外輻射與對流聯合干燥過程提供一種新的建模方法，應用該方法可以更好地指導實際生產，為不確定系統的建模方法及其應用提供參考。

1 MUJUMDAR A S. Handbook of industrial drying [M].Second edition revised and expanded. New York: Marcel Dekker, Inc.,1995:417-424.

2 胡志超,王海鷗,謝煥雄,等.幾種谷物橫流干燥數學模型及其應用[J].農業工程學報,2010, 26(增刊1):76-82. HU Zhichao, WANG Haiou,XIE Huanxiong, et al.Mathematical models of cross flow grain drying and their applications[J].Transactions of the CSAE,2010,26(Supp.1):76-82.(in Chinese)

3 LIU Q, BAKKER-ARKEMA F W. A model-predictive controller for grain drying [J]. Journal of Food Engineering,2001，49(4): 321-326.

4 張立輝. 谷物干燥過程模擬及測控新方法的研究[D]. 長春：吉林大學,2014. ZHANG Lihui. Research on grain drying process simulation and new measurement and control methods [D].Changchun: Jilin University, 2014.(in Chinese)

5 劉英暉,劉賀平.多變量耦合系統的神經網絡預測建模[J].微計算機信息,2009(34):153-155. LIU Yinghui, LIU Heping. Forecasting modeling based on neural network of multivariable coupling system[J].Microcomputer Information, 2009(34):153-155.(in Chinese)

6 FARKAS I, REMENYI P, BIRO A. Modelling aspects of grain drying with a neural network [J]. Computers and Electronics in Agriculture,2000, 29 (1-2): 99-113.

7 KAMYAR Movagharnejad,MARYAM Nikzad.Modeling of tomato drying using artificial neural network[J].Computers and Electronics in Agriculture,2007,59(1-2):78-85.

9 朱文學,孫淑紅,陳鵬濤,等.基于BP神經網絡的牡丹花熱風干燥含水率預測模型[J].農業機械學報,2011,42(8):128-130,137. ZHU Wenxue,SUN Shuhong,CHEN Pengtao, et al.Moisture content prediction modeling of hot-air drying for pressed peony based on BP neural network[J].Transactions of the Chinese Society for Agricultural Machinery,2011,42(8):128-130,137.(in Chinese)

10 王佩東,基于BP神經網絡的水稻干燥智能控制研究[D].哈爾濱：哈爾濱工程大學,2011. WANG Peidong. Study on the intelligent control of rice drying based on BP neural network [D]. Harbin: Harbin Engineering University, 2011.(in Chinese)

11 潘永康,王喜忠，劉相東.現代干燥技術[M].北京:化學工業出版社,1998:94.

12 汪喜波,胡瓊,肖波,等.稻谷紅外輻射與對流聯合干燥過程的模型模擬[J/OL].農業機械學報,2013,44(9):145-151.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20130926&flag=1.DOI:10.6041/j.issn.1000-1298.2013.09.026. WANG Xibo, HU Qiong, XIAO Bo, et al. Modeling simulation of combined convective and infrared radiation in rice drying process[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2013,44(9):145-151.(in Chinese)

13 RIADHMUHMMED Hussain, AHMAD Siti Anom Binti,MARHABANMOHDHAMIRUCE, et al.Infrared heating in food drying: an overview [J].Drying Technology, 2015, 33(3):322-335.

14 DAS I, DAS S K, BAL S. Drying performance of a batch type vibration aided infrared dryer[J]. Journal of Food Engineering, 2004, 64(1):129-133.

15 LIKITRATTANAPORN Charun,NOOMHORM Athapol. Effects of simultaneous parboiling and drying by infrared radiation heating on parboiled rice quality [J].Drying Technology, 2011, 29(9):1066-1075.

16 WANG J.A single-layer model for far-infrared radiation drying of onion slices [J].Drying Technology, 2002,20(10):1941-1953.

17 張麗麗,王相友,魏忠彩,等.紅外輻射干燥胡蘿卜切片結構特性研究[J/OL].農業機械學報,2016,47(7):246-251. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20160734&flag=1. DOI:10.6041/j.issn.1000-1298.2016.07.034. ZHANG Lili,WANG Xiangyou,WEI Zhongcai, et al.Structural properties research of infrared radiation drying for carrot slices[J/OL].Transactions of the Chinese Society for Agricultural Machinery,2016,47(7):246-251.(in Chinese)

18 劉云宏,朱文學,劉建學.地黃真空紅外輻射干燥質熱傳遞分析[J].農業機械學報,2011,42(10):135-140. LIU Yunhong, ZHU Wenxue, LIU Jianxue. Mass and heat transfer analysis of vacuum infrared radiation drying on rehmanniae[J].Transactions of the Chinese Society for Agricultural Machinery,2011,42(10):135-140.(in Chinese)

19 謝小雷,張春暉,賈偉,等.連續式中紅外-熱風組合干燥設備的研制與試驗[J].農業工程學報,2015,31(6):282-289. XIE Xiaolei, ZHANG Chunhui, JIA Wei, et al. Development and test of continuous combined mid-infrared with hot air drying equipment[J].Transactions of the CSAE,2015,31(6):282-289.(in Chinese)

20 林喜娜,王相友.蘋果切片紅外輻射干燥模型建立與評價[J].農業機械學報,2010,41(6)：128-132. LIN Xi’na, WANG Xiangyou. Modeling and evaluation of infrared radiation drying for apple slices [J]. Transactions of the Chinese Society for Agricultural Machinery, 2010, 41(6):128-132.(in Chinese)

21 李超新,張學軍,朱自成.基于神經網絡紅棗紅外輻射干燥預測模型建立[J].農機化研究，2015(5):220-223. LI Chaoxin, ZHANG Xuejun, ZHU Zicheng. Predicted model of red jujube infrared radiation drying based on artificial neural network [J]. Journal of Agriculture of Mechanization Research， 2015(5)：220-223.(in Chinese)

22 DHIB R. Infrared drying: from process modeling to advanced process control [J].Drying Technology, 2007, 25(1):97-105.

23 AFZAL T M, ABE T.Some fundamental attributes of far infrared radiation drying of potato [J].Drying Technology, 1999, 17(1-2):138-155.

24 LAMPINEN M J, OJALA K T, KOSKI E. Modeling and measurements of infrared dryers for coated paper [J].Drying Technology, 1991, 9(4):973-1017.

25 吳振,李紅,羅楊,等.銀耳紅外輻射干燥特性研究及動力學模型構建[J].天然產物研究與開發,2014(4):471-474,503. WU Zhen, LI Hong, LUO Yang, et al. Drying characteristics ofTremellafuciformisunder infrared ray and its kinetics model [J]. Natural Product Research and Development,2014(4): 471-474,503.(in Chinese)

26 李國勇.神經模糊控制理論及應用[M].北京:電子工業出版社,2009.

Model of Drying Process for Combined Side-heat Infrared Radiation and Convection Grain Dryer Based on BP Neural Network

DAI Aini1,2ZHOU Xiaoguang1LIU Xiangdong3LIU Jingyun4ZHANG Chi1

(1.SchoolofAutomation,BeijingUniversityofPostsandTelecommunications,Beijing100876,China2.ScienceandInformationCollege,QingdaoAgriculturalUniversity,Qingdao266109,China3.CollegeofEngineering,ChinaAgriculturalUniversity,Beijing100083,China4.SchoolofAutomation,BeijingUnionUniversity,Beijing100101,China)

The drying mechanism of combined side-heat infrared radiation and convection (IRC) grain dryer is more complicated compared with that of the traditional convection drying. In order to explore the model of uncertain system like the grain drying and application of BP artificial neural network method, a new intelligent prediction model for the combined side-heated IRC dryer used to predict the outlet core moisture content ratio and drying rate is developed based on BP neural network algorithm. The model which has three layer neural network structures (8-10-1) is trained and tested based on the train data set and test data set by programming the model in Matlab. The model inputs are the eight influence variables of grain dryer, and the model output is the outlet grain moisture ratio of the dryer or the drying rate. The corresponding mathematical expressions of moisture ratio and drying rate model are also given, and the determination coefficients (R2) of model prediction are 0.998 9 and 0.998 0, and the root mean square errors (RMSE) are 0.009 and 0.004 1, respectively. The predicted results are fitted well with the measured data, and the prediction accuracy is high. In addition, combined with the experimental drying conditions, the prediction results of the model are analyzed and summarized. According to the same method, the prediction model of outlet moisture ratio for the counter-current grain drying is also successfully established. By the comparison of predicted performance curves for two types of drying process, it is proved that the combined side-heat IRC drying has faster drying rate and less time to dry to the target moisture value than those of the conventional hot air convection drying. It can be used to predict the drying performance of different drying processes and to realize the comparison of different drying processes. In addition, compared with other grain drying mathematical models, various influence factors of grain drying can be comprehensively considered, which can provide a new modeling method for the complex system like the drying of combined side-heat IRC.

grain; combined infrared radiation and convection drying; BP neural network; prediction model

10.6041/j.issn.1000-1298.2017.03.045

2016-07-03

2016-08-09

國家糧食公益性行業科研專項(201413006)

代愛妮(1977—)，女，博士生，青島農業大學講師，主要從事糧食干燥控制和智能控制研究，E-mail: dan20023@163.com

周曉光(1957—)，男，教授，博士生導師，主要從事控制理論及其在工程中的應用研究，E-mail: zxg@bupt.edu.cn

TP273; S226

A

1000-1298(2017)03-0351-10