基于氣味特征的烤房干濕球控制溫度的智能設置

吳娟

摘要：為解決傳統人工設置烤房干濕球控制溫度帶來的不足、易產生人為主觀因素干擾等問題，提出利用電子鼻技術對烤房干濕球控制溫度進行智能設置的方法。通過電子鼻傳感器陣列采集和檢測烤房氣體，得到傳感器的原始響應曲線，經過最小均方自適應濾波方法預處理后，采用小波變換方法提取氣味特征，特征數據再通過PCA降維處理后輸入到模糊神經網絡進行預測，輸出干濕球控制溫度的設置值。測試結果顯示，干濕球控制溫度設置值的預測精度分別達到98.9%、97.1%，相關系數分別為0.998 3、0.982 8，均方根誤差分別為0.738 4、1.677 5。可見，采用小波變換的氣味特征提取方法和模糊神經網絡的預測模型可以有效地對烤房干濕球控制溫度進行智能設置，有助于智能烘烤系統的建立。

關鍵詞：電子鼻；氣味特征；模糊神經網絡；干濕球溫度；小波變換

中圖分類號： TP391.4；S126文獻標志碼： A文章編號：1002-1302（2017）12-0163-04

我國密集烤房煙葉烘烤方式依靠人工觀察煙葉烘烤狀態來設置烤房干濕球的控制溫度。在烘烤過程中，不同的烘烤階段煙葉呈現出不同的外觀狀態，以此決定干濕球控制溫度的設置值。目前對烤房干濕球溫度控制的研究著重于分析如何讓烤房的干濕球溫度達到給定的干濕球控制溫度[1-4]，而本研究側重的是如何設置給定的干濕球控制溫度，在實際烘烤中，該參數是通過人工現場觀察煙葉烘烤狀態后設置的，而該過程的智能控制是本研究的重點。

通過研究分析[5-7]，在不同的烘烤階段煙葉散發的揮發性物質強度會有所不同，因此可以通過檢測烤房頂空氣體來確定煙葉的烘烤階段。本研究借助電子鼻技術檢測烤房氣體，提取出表征不同烘烤階段的氣味特征，經過模糊神經網絡的處理，確定干濕球控制溫度的設置值，實現烤房干濕球控制溫度的智能設置，這是目前相關領域比較缺乏的研究。電子鼻技術廣泛用于信息化農業、食品工業以及軍事等領域[8-13]，為本研究提供了可行性依據。

1材料與方法

1.1供試樣本

試驗的供試煙葉品種為南江3號，煙葉為中部煙，供試烤房為裝煙3層的密集烤房，煙葉放置方式為散葉堆積式，裝煙室規格為13 m×2.6 m，裝煙量為5 000 kg左右，試驗于2014年7月在貴州省遵義市遵義縣進行。一般地，一炕煙葉的烘烤要持續1周時間，在烘烤過程中，每小時提取烤房內煙葉散發氣體的氣味特征，同時記錄該時間內干濕球控制溫度的設置值，以此作為1個試驗樣本，共采集351個樣本。

如圖1所示，烤房氣體通過傳感器陣列采集，不同材料的傳感器會對氣體的不同成分產生響應，本系統采用10路傳感器，每個樣本的傳感器響應曲線都是由10條曲線組成。氣味數據經放大得到傳感器原始響應曲線，再通過信號預處理，濾除高頻干擾，對濾波后的數據提取出氣味特征，氣味特征作為智能算法模型的輸入，經計算處理后輸出干濕球控制溫度的設置值，再通過可編程邏輯控制器（programmable logic controller，PLC）控制烤房內的干濕球溫度達到設置值。

1.2方法

1.2.1氣味信號預處理和氣味特征提取傳感器陣列輸出的10路傳感器響應電壓構成10條響應曲線，在這過程中會有干擾和噪聲，須要對氣味信號濾波處理。本研究采用最小均方自適應濾波方法對原始傳感器響應曲線進行預處理。

烤房氣味特征的提取要反映出烘烤過程中煙葉散發不同氣味而得到不同的氣體強度。氣味特征提取的常用方式有基于原始響應曲線和基于變換域的方法[14-17]。本研究采用4

種特征提取方法對烤房氣味特征進行提取，分別是基于原始響應曲線的最大值、積分特征提取方法，以及基于變換域的小波變換、傅里葉變換提取方法。最大值、積分特征提取方法分別提取響應曲線上響應強度的最大值、響應曲線的積分值；小波變換、傅里葉變換特征提取方法是對響應曲線經過小波、傅里葉變換后，提取變換系數作為特征的方法。

1.2.2數據降維和算法處理氣體特征經過主成分分析（principal component analysis，PCA）方法降維處理，再輸入到模糊神經網絡，預測出烤房干濕球控制溫度的設置值。為表征網絡的預測結果，本研究給出3個度量參數，分別為精度P、均方根誤差RMSE以及相關系數r，計算公式如下：

P=1n∑ni=1|ti-yi|ti；（1）

RMSE=∑ni=1（ti-yi）2n；（2）

r=∑ni=1（ti-t）（yi-y）∑ni=1（ti-t）2∑ni=1（yi-y）2。（3）

式中：n為樣本總數，ti、yi分別是第i個樣本的期望值、網絡輸出預測值，t、y分別是樣本期望值的均值、輸出預測值的均值。

2結果與分析

2.1氣味信號預處理結果

傳感器陣列對烤房氣體的原始響應曲線如圖2-a所示，橫坐標為采集時間，縱坐標為傳感器響應輸出電壓，10根曲線分別代表10個氣體傳感器在采集過程中隨時間變化的響應輸出。圖2-b、圖2-c為響應曲線經過不同濾波方法處理后的結果。從圖2中比較看出，最小均方自適應濾波方法能較好地去除信號干擾，保留原始有效響應。

2.2氣味特征分析

將經最小均方自適應濾波后的傳感器響應曲線作為氣味特征提取的依據。采用“1.2.1”節所述4種特征提取方法提取氣味特征，再通過PCA的降維處理，將前3個主成分（PC1、PC2、PC3）作為后續建模的氣味特征。

由表1中可知，4種特征提取方法的前3個主成分PC1、PC2、PC3對原始數據信息的累積方差貢獻率達到97%以上，能較好地反映原始數據信息，保證了處理結果的可靠性[18]。

2.3干濕球控制溫度的智能設置結果endprint

本研究共采集351個樣本，隨機選取樣本總數的75%（263個）作為訓練集，剩余的25%（88個）作為測試集。氣味特征作為模糊神經網絡的輸入，輸出分別為干球控制溫度、濕球控制溫度的設置值。模糊神經網絡訓練迭代次數為 1 000，隸屬度函數為三角形函數，得到測試集的預測結果如表2所示。

以小波變換氣味特征作為輸入，模糊神經網絡訓練后的決策面 （decision surface） 如圖5所示。 決策面是描繪網絡輸

入與輸出關系的非線性曲面，有助于分析各輸入因子對輸出參數的影響[19-21]，從圖中可以看出，PC1成分對干濕球控制溫度設置的影響較大。

3結論與討論

本研究提出了基于氣味特征的干濕球控制溫度的智能設置方法，采用小波變換的特征提取方式提取烤房氣體的氣味特征，經PCA降維處理后，提取前3個主成分作為氣味特征，通過模糊神經網絡預測模型，輸出烤房干濕球控制溫度的設置值，干濕球的測試精度分別達到98.9%、97.1%，相關系數分別為0.998 3、0.982 8，均方根誤差分別為0.738 4、1.677 5，結果顯示該方法能有效地對烤房干濕球控制溫度進行智能設置。本研究提出的方法擺脫了人工對烘烤過程的參與，為建立智能烘烤系統提供試驗依據。

從干濕球控制溫度的預測結果相比較來看，濕球控制溫度的預測結果還有提升空間，下一步可考慮結合煙葉的圖像特征，以多傳感器信息融合的方式進一步提高干濕球控制溫度的智能設置結果。

參考文獻：

[1]張芬，楊陽，付紅霞，等. 基于密集化煙葉烤房建模的溫度模糊控制器設計[J]. 系統仿真學報，2014，26（12）：2974-2978，2990.

[2]胡鳳忠，黎添笑，高金定. 智能化密集烤房控制器的設計與實現[J]. 計算機測量與控制，2011，19（12）：2952-2954.

[3]王暑，楊曉京. 基于模糊神經網絡的煙葉烘烤溫濕度監控系統研究[J]. 計算機測量與控制，2009，17（2）：342-344.

[4]王勝雷，陳順輝，吳祖仁，等. 烤煙烘烤測控系統的設計與實現[J]. 農機化研究，2007（4）：73-75.

[5]樊軍輝，陳江華，宋朝鵬，等. 2種類型烤房烘烤過程中氣體成分變化的差異[J]. 西北農林科技大學學報（自然科學版），2011，39（2）：120-124.

[6]廖和明，孫福山，徐秀紅，等. 不同烘烤工藝對烤煙品種NC55中性香氣物質各組分含量的影響[J]. 中國煙草科學，2013，34（5）：89-94.

[7]孟智勇，馬浩波，李彥平，等. 密集烘烤定色升溫方式對烤煙質量及中性致香物質含量的影響[J]. 河南農業科學，2012，41（8）：57-61.

[8]施文正，王錫昌，楊薇，等. 基于電子鼻的養殖草魚不同部位揮發性成分分析[J]. 江蘇農業科學，2011，39（6）：505-507.

[9]矯海楠，王傳義，徐秀紅，等. 不同裝煙方式烤后煙感官評價與電子鼻綜合分析[J]. 江蘇農業科學，2015，43（8）：290-293.

[10]王俊，崔紹慶，陳新偉，等. 電子鼻傳感技術與應用研究進展[J]. 農業機械學報，2013，44（11）：160-167.

[11]翟曉娜，楊剴舟，柴智，等. 電子鼻電子舌在咖啡風味研究中的應用[J]. 食品工業科技，2016，37（5）：365-370.

[12]李欣逸，解達帥，張超，等. 基于電子鼻技術的膽南星定性鑒別研究[J]. 中國實驗方劑學雜志，2016，22（8）：6-10.

[13]何珊，藺佳良，張迪駿，等. 南北中華絨螯蟹揮發性物質的比較研究[J]. 核農學報，2016，30（8）：1577-1586.

[14]Setkus A，Olekas A，Senuliene D，et al. Analysis of the dynamic features of metal oxide sensors in response to SPME fiber gas release[J]. Sensors and Actuators B：Chemical，2010，146（2）：539-546.

[15]Green G C，Chan A D C，Dan H H，et al. Using a Metal Oxide Sensor（MOS）-based electronic nose for discrimination of bacteria based on individual colonies in suspension[J]. Sensors and Actuators B：Chemical，2011，152（1）：21-28.

[16]楊添鈞，楊詩龍，黎量，等. 基于電子鼻及機器視覺技術的山楂不同炮制品判別研究[J]. 時珍國醫國藥，2014，25（10）：2399-2402.

[17]金玉琴，周金海，趙群，等. 基于神經網絡的芳香類中草藥品質檢測技術[J]. 計算機仿真，2012，29（12）：251-254.

[18]甘玲，鄒寬中，劉肖. 基于PCA降維的多特征級聯的行人檢測[J]. 計算機科學，2016，43（6）：308-311.

[19]Petkovic' D，C'ojbaic' ，Lukic' S. Adaptive neuro fuzzy selection of heart rate variability parameters affected by autonomic nervous system[J]. Expert Systems with Applications，2013，40（11）：4490-4495.

[20]Baturone I，Gersnoviez A，Barriga . Neuro-fuzzy techniques to optimize an FPGA embedded controller for robot navigation[J]. Applied Soft Computing，2014，21（5）：95-106.

[21]C'irovic' G，Pamucˇar D，Boanic' D. Green logistic vehicle routing problem：routing light delivery vehicles in urban areas using a neuro-fuzzy model [J]. Expert Systems with Applications，2014，41（9）：4245-4258.姜美曦，陳春玲，周云成. 基于卡爾曼濾波器的肉牛行為識別方法[J]. 江蘇農業科學，2017，45（12）：167-171.endprint