基于時延神經(jīng)網(wǎng)絡(luò)的酒醅溫度時序預(yù)測?

余天陽

（江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院 無錫 214122）

1 引言

發(fā)酵工藝是傳統(tǒng)白酒發(fā)酵的核心，生產(chǎn)工藝人員結(jié)合每口窖池60d（出窖前7d）的酒醅溫度曲線和相關(guān)入窖發(fā)酵參數(shù)對生產(chǎn)工藝進行分析，并做好下一輪的入窖配料方案的調(diào)整［1］。但是在實際操作過程中由于不同窖池發(fā)酵的情況不一、工序復(fù)雜、時間倉促等原因，常出現(xiàn)配料配比偏差并最終導(dǎo)致發(fā)酵失敗［2］。因此精準(zhǔn)的預(yù)測酒醅發(fā)酵溫度，提前分析發(fā)酵工藝，為生產(chǎn)工藝人員爭取充足的配料調(diào)整時間對提高白酒產(chǎn)量具有十分重要的意義。

酒醅發(fā)酵溫度數(shù)據(jù)具有非平穩(wěn)性時間序列的基本特征，目前針對時間序列數(shù)據(jù)的預(yù)測方法可分為傳統(tǒng)方法［3～5］和基于人工智能方法［6～13］。傳統(tǒng)方法主要采用基于統(tǒng)計理論或者ARIMA 模型等方法進行分析預(yù)測；人工智能方法主要采用人工神經(jīng)網(wǎng)絡(luò)和混沌理論、支持向量機等。田瑞杰［6］等提出一種基于BP-ANN 相結(jié)合的預(yù)測模型研究了短時交通流速度預(yù)測，實驗結(jié)果表明該預(yù)測模型能夠?qū)㈩A(yù)測誤差控制在7%以內(nèi)，表現(xiàn)出良好的預(yù)測精度。丁剛［7］等基于過程神經(jīng)網(wǎng)絡(luò)就時間序列的短期預(yù)測和長期預(yù)測問題分別建立兩種預(yù)測模型，并應(yīng)用到航空發(fā)動機中鐵金屬含量的預(yù)測，驗證了兩種預(yù)測模型的有效性。梁志珊、王麗敏［8］等利用混沌方法對電力系統(tǒng)歷史負(fù)荷時間序列進行數(shù)理統(tǒng)計處理，并將這種混沌特性應(yīng)用于對東北電網(wǎng)實際負(fù)荷時間序列進行短期預(yù)測，取得了滿意結(jié)果。高雄飛［9］針對具有非線性特性的時間序列進行預(yù)測，將時間序列在相空間重構(gòu)，利用最小二乘支持向量機模型對重構(gòu)后的時間序列進行預(yù)測，具有很好的理論和應(yīng)用價值。張林、劉先珊［10］等針對負(fù)荷預(yù)測不確定、非線性、動態(tài)開放性的特點提出一種基于時間序列的支持向量機（SVM）的負(fù)荷預(yù)測方法，可以提供準(zhǔn)確的預(yù)測，減少了對經(jīng)驗的依賴。

酒醅發(fā)酵溫度的精準(zhǔn)預(yù)測不僅可以讓工藝人員時刻掌握白酒發(fā)酵的真實狀態(tài)，還可以為他們爭取充足的配料調(diào)整時間，對提升白酒產(chǎn)量具有重要的應(yīng)用價值。通過對所監(jiān)測數(shù)據(jù)發(fā)現(xiàn)，整個發(fā)酵期間酒醅溫度曲線大都保持“前緩、中挺、后緩落”的規(guī)律，即相鄰溫度變化具有較強的相關(guān)性。綜上所述，針對這種具有非平穩(wěn)性時間序列數(shù)據(jù)本文利用時延神經(jīng)網(wǎng)絡(luò)（Time Delay Neural Network，TDNN）能夠有效利用歷史數(shù)據(jù)對未來數(shù)據(jù)預(yù)測的能力，提出一種酒醅溫度時間序列預(yù)測模型，利用發(fā)酵過程前50d 的溫度數(shù)據(jù)來預(yù)測后10d 的溫度曲線，為進一步提高白酒產(chǎn)量提供了有效的數(shù)據(jù)支持。

2 數(shù)據(jù)的采集與處理

2.1 數(shù)據(jù)采集

預(yù)測模型所需要的訓(xùn)練樣本和測試樣本是來自于2018 年2 月采集自江蘇某酒廠生產(chǎn)區(qū)域內(nèi)1168 口窖池，利用物聯(lián)網(wǎng)無線測溫技術(shù)對生產(chǎn)區(qū)域全部窖池內(nèi)糟醅進行實時在線監(jiān)控。物聯(lián)網(wǎng)無線溫度傳感器統(tǒng)一安插位置為每口窖池中心點往下1.5m 處（離窖底0.5m），采用的是PT100 溫度傳感器，每個溫度傳感器每隔1h自動采集1次糟醅發(fā)酵溫度，并發(fā)送到各自的無線路由器上，再由無線路由器將搜集到的溫度數(shù)據(jù)傳送到工控機中進行數(shù)據(jù)交換和數(shù)據(jù)處理。此次共采集樣本522 份，數(shù)據(jù)特征為522*1440。

2.2 Gaussian處理

固態(tài)發(fā)酵的溫度數(shù)據(jù)采集過程中，操作人員的失誤、環(huán)境干擾和設(shè)備故障等會導(dǎo)致采集數(shù)據(jù)中含有小部分的野值。由于野值提供的信息不具有參考價值，反而會降低算法的性能，因此必須對數(shù)據(jù)進行預(yù)處理，一方面擬合溫度數(shù)據(jù)，為后期工作作準(zhǔn)備，另一方面有效地減少了野值對后期工作產(chǎn)生的不利影響。

圖1 原始溫度曲線和高斯擬合法預(yù)處理后的溫度曲線

高斯函數(shù)對發(fā)酵溫度數(shù)據(jù)的擬合效果非常好［7～8］，后面要對酒醅溫度曲線進行溫度預(yù)測，所以要對溫度數(shù)據(jù)進行擬合，在誤差允許的范圍內(nèi)，高斯擬合可以將隨時間變化的溫度點擬合成連續(xù)的曲線，所以選用高斯擬合法對溫度數(shù)據(jù)預(yù)處理。

2.3 實驗結(jié)果及分析

原始樣本共有522 個發(fā)酵數(shù)據(jù)，采用Matlab R2014a 曲線擬合工具箱CFtool，擬合類型選擇Gaussian函數(shù)對原始溫度曲線進行擬合，如圖1（a）～（f）所示，列出了六個樣本的原始溫度曲線圖以及高斯擬合法預(yù)處理后的溫度曲線圖，每個樣本預(yù)處理后對應(yīng)的SSE、R2、和RMSE如表1所示。

表1 圖1中樣本對應(yīng)的統(tǒng)計參數(shù)

由圖1 可知，每個樣本都有一些野值，高斯擬合法可以很好地擬合溫度曲線，同時減少了野值對后期工作產(chǎn)生的負(fù)面影響，高斯擬合法的有效性在表1 中也可看出，由表1 可知圖中每個樣本的誤差平方和SSE和均方根誤差RMSE都不大，判斷系數(shù)R2和調(diào)整的判斷系數(shù)Rˉ2接近于1，所以Gauss?ian函數(shù)非常適合對原始溫度數(shù)據(jù)進行預(yù)處理。

由圖1 可知，每個樣本都有一些野值，高斯擬合法可以很好地擬合溫度曲線，同時減少了野值對后期工作產(chǎn)生的負(fù)面影響，高斯擬合法的有效性在表1 中也可看出，由表1 可知圖中每個樣本的誤差平方和SSE和均方根誤差RMSE都不大，判斷系數(shù)R2和調(diào)整的判斷系數(shù)接近于1，所以Gauss?ian函數(shù)非常適合對原始溫度數(shù)據(jù)進行預(yù)處理。

3 酒醅溫度多步滾動預(yù)測模型

3.1 時延神經(jīng)網(wǎng)絡(luò)預(yù)測算法

時延神經(jīng)網(wǎng)絡(luò)［14］是用于時序分析的一種人工神經(jīng)網(wǎng)絡(luò)模型，可以有效挖掘時序數(shù)據(jù)的時序相關(guān)性［15～18］。

時延神經(jīng)元（time delay neuron，TDN）是時延神經(jīng)網(wǎng)絡(luò)的基本組成單元。每一個TDN 有M個輸入(I1(t)，I2(t)，...IM(t))和一個輸出O(t)。每個輸入Ii(t)包含N 步時延，用以保存當(dāng)前時刻之前的N個時刻的輸入Ii(t-d) ，d=1，...，N信息，其對應(yīng)的權(quán)重(ωi1，ωi2，...，ωiN) ，反映不同時刻對當(dāng)前時刻數(shù)據(jù)的影響程度。每個TDN輸出如式（1）所示。

其中bi為第i個輸入的偏置；f為激勵函數(shù)，一般選用sigmoid 函數(shù)。從式（1）可以發(fā)現(xiàn)，神經(jīng)元輸出由每一個輸入的當(dāng)前時刻及其前N個時刻的時序數(shù)據(jù)共同決定。因此時延神經(jīng)網(wǎng)絡(luò)可以有效的處理非線性動態(tài)時序問題。

時延神經(jīng)網(wǎng)絡(luò)（TDNN）模型是在多層BP 神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上加入了時延單元，使得BP 神經(jīng)網(wǎng)絡(luò)模型具有記憶功能，其結(jié)構(gòu)圖如圖2 所示。其中隱含層有J個神經(jīng)元輸出層有R個神經(jīng)元。TDNN輸出層各個神經(jīng)元輸出如式（2）所示。

式中N1為輸出層節(jié)點的時延步數(shù)；r為輸出層節(jié)點編號；R為輸出層數(shù)；為第r個輸出層節(jié)點與隱含層節(jié)點間連接權(quán)重；為第r個輸出層節(jié)點的偏置；Hj(t)為第j個隱含層的輸出，其計算公式如式（3）所示。

式中N2為隱含層節(jié)點的時延步數(shù)；j為隱含層節(jié)點編號；Ii(t-d)為第i個輸入層節(jié)點。為第j個隱含層節(jié)點與輸入層節(jié)點的連接權(quán)重；為第j個隱含層節(jié)點的偏置。

圖2 時延神經(jīng)網(wǎng)絡(luò)整體結(jié)構(gòu)圖

3.2 酒醅溫度多步滾動預(yù)測模型

固態(tài)白酒發(fā)酵過程中的酒醅溫度數(shù)據(jù)的時序性很強，因此本文利用TDNN 神經(jīng)網(wǎng)絡(luò)模型對發(fā)酵過程中的酒醅溫度進行時序預(yù)測，預(yù)測的模型結(jié)構(gòu)如圖2 所示。酒醅溫度數(shù)據(jù)預(yù)測模型共有3 層，輸入層、隱含層和輸出層。其中輸入層為1 個節(jié)點，每個節(jié)點包含20 步延時。輸出層也為1 個輸出節(jié)點，輸出層也為一個節(jié)點，為上述溫度發(fā)酵數(shù)據(jù)下一個時刻預(yù)測值。隱含層為1 層，節(jié)點個數(shù)需要用實驗法驗證獲得。

4 模型訓(xùn)練及預(yù)測

4.1 樣本集劃分

有效的劃分樣本集可以提高模型的泛化能力，本文通過高斯擬合算法處理后共得到522 組樣本數(shù)據(jù)，數(shù)據(jù)特征為522*1440。按照校正集和驗證集大約4：1 的比例，將522 個樣本劃分418 個作為訓(xùn)練樣本，104 個作為測試樣本，檢驗預(yù)測結(jié)果的真實性。

4.2 時延神經(jīng)網(wǎng)絡(luò)參數(shù)選擇

為使基于時延神經(jīng)網(wǎng)絡(luò)酒醅溫度多步滾動預(yù)測模型能夠準(zhǔn)確預(yù)測溫度趨勢，預(yù)測模型訓(xùn)練算法的選擇和隱含層節(jié)點個數(shù)的設(shè)置都非常重要，為此本文用試驗方法選擇預(yù)測模型的隱含層節(jié)點個數(shù)和訓(xùn)練算法。

1）訓(xùn)練算法選擇

本文在Matlab2014a 環(huán)境下利用Leven?berg-Marquardt（L-M）算法、共軛梯度法和動量增加法來訓(xùn)練所建預(yù)測模型。表2 為三種訓(xùn)練算法及其仿真結(jié)果。

表2 訓(xùn)練算法及其仿真結(jié)果

從仿真效果來看，L-M 算法的效果最好，其次是共軛梯度法，動量增加法最差。

2）隱含層節(jié)點個數(shù)設(shè)置

本文分別選取了5、7、9、10、11、13、15 分別作為隱含層神經(jīng)元個數(shù)，對所建預(yù)測模型進行訓(xùn)練，通過對比訓(xùn)練精度和訓(xùn)練時間，具體如表3 所示。由表2 可知，當(dāng)隱含層神經(jīng)元個數(shù)為10 時，網(wǎng)絡(luò)學(xué)習(xí)時間和預(yù)測精度為最佳。因此，所建預(yù)測模型的網(wǎng)絡(luò)結(jié)構(gòu)為輸入層（一個神經(jīng)元，每個神經(jīng)元20 步延時），隱含層（10 個神經(jīng)元），輸出層（一個神經(jīng)元），可以滾動預(yù)測10d 后整個酒醅溫度曲線的趨勢。

表3 隱含層神經(jīng)元個數(shù)及其仿真結(jié)果

圖3 時延神經(jīng)網(wǎng)絡(luò)酒醅溫度時序預(yù)測

4.3 預(yù)測結(jié)果及分析

本文將經(jīng)過預(yù)處理后的酒醅發(fā)酵溫度數(shù)據(jù)按照4：1 的比例劃分為訓(xùn)練集樣本和測試集樣本，對所建模型進行預(yù)測。訓(xùn)練算法采用L-M 算法，隱含層節(jié)點為10 個。再用測試集樣本測試其預(yù)測精度。圖3為部分測試集樣本預(yù)測結(jié)果圖。

從圖3 可以看出，時延神經(jīng)網(wǎng)絡(luò)構(gòu)建的酒醅溫度多步滾動預(yù)測模型對整個酒窖發(fā)酵過程中的溫度進行很好的預(yù)測，將預(yù)測模型的預(yù)測結(jié)果與實際的測量結(jié)果進行比較，MSE（Mean Squared Error）僅為0.00605，說明預(yù)測模型描述實驗數(shù)據(jù)具有更好的精確度。

5 結(jié)語

為了精確預(yù)測白酒發(fā)酵過程中酒醅溫度的變化趨勢，讓生產(chǎn)工藝人員更加直觀地時刻掌握白酒發(fā)酵的內(nèi)部情況，本文建立時延神經(jīng)網(wǎng)絡(luò)對酒醅溫度時序數(shù)據(jù)進行預(yù)測，結(jié)果表明：

1）由于單個時延神經(jīng)元可對動態(tài)非線性時序數(shù)據(jù)進行預(yù)測，則時延神經(jīng)網(wǎng)絡(luò)可以對復(fù)雜動態(tài)非線性時序數(shù)據(jù)預(yù)測。酒醅發(fā)酵溫度時序數(shù)據(jù)屬于動態(tài)非線性時序數(shù)據(jù)。

2）建立三層時延神經(jīng)網(wǎng)絡(luò)，訓(xùn)練算法采用L-M算法，對酒醅發(fā)酵溫度時序數(shù)據(jù)進行預(yù)測，用以預(yù)測后10d內(nèi)酒醅發(fā)酵溫度時序數(shù)據(jù)。

3）選取樣本數(shù)據(jù)的80%作為訓(xùn)練集樣本，20%作為測試集樣本，對所建預(yù)測模型進行預(yù)測，發(fā)現(xiàn)預(yù)測結(jié)果的MSE 僅為0.00605，很好地描述了酒醅發(fā)酵溫度時序數(shù)據(jù)的變化趨勢。

綜上所述，利用時延神經(jīng)網(wǎng)絡(luò)可以較為準(zhǔn)確地預(yù)測酒醅發(fā)酵溫度時序數(shù)據(jù)。因此基于時延神經(jīng)網(wǎng)絡(luò)的酒醅溫度多步滾動預(yù)測算法為白酒發(fā)酵過程中時刻掌握溫度變化趨勢提出了一種解決方案。