翅片式雙重極板水稻含水率檢測裝置優化設計與試驗

萬 霖 唐宏宇 馬廣宇 車 剛 鄒丹丹 孫文勝

(1.黑龍江八一農墾大學工程學院， 大慶 163319； 2.黑龍江省農機智能裝備重點實驗室， 大慶 163319)

0 引言

水稻含水率是水稻安全儲藏與加工的重要指標，水稻含水率的準確在線測量具有重要意義。谷物含水率測量方法主要分為直接測量與間接測量兩種形式[1-4]。間接測量法為常用的測量方法，包括微波法[5-6]、電容法[7-10]、電阻法[11]、紅外法[12]、頻域法[13-14]和中子法[15]等。其中，電容法根據被測谷物不同的介電常數測量谷物含水率，成本低，測量方式無損，能夠保證被測谷物的品質，可實現谷物含水率的快速檢測，是目前水稻含水率在線測量的常用方法。電容法基于介電特性進行快速測量[16]，其靈敏度受環境、溫度、濕度、頻率等因素影響較大[17]。針對上述影響因素，學者們對谷物含水率檢測過程中的裝置結構、數據處理及優化等進行了相關研究。張本華等[18]提出了基于SPA-SVR算法的水稻含水率檢測方法，建立了水稻含水率多元線性回歸和支持向量機模型。麥智煒等[19]基于非接觸式平行板電容測量原理，研制了適用于惡劣環境的糧食水分檢測裝置。王月菊[20]采用分段式PID算法對含水率檢測裝置進行熱源控制，滿足多種環境下的快速檢測需求。目前，基于外部環境因子對電容傳感器適應性的研究較多，而在電容極板結構的邊緣效應[21]方面的研究深度不足，且鮮見雙重極板結構電容器的研究報道。本文基于平行板電容器，采取翅片式雙重極板檢測方式，通過優化極板結構提高電容器的靈敏度，建立基于量化共軛梯度算法的神經網絡NARX水稻含水率預測模型，實現測試數據的泛化與校正。通過完善檢測方式、檢測結構和數據處理方式提高水稻含水率的在線檢測精度，為在線檢測裝置的設計提供參考。

1 檢測原理

相對介電常數作為影響電容器電容的參數之一，在確保其他影響參數不變的情況下，通過測量電容即可求出相應糧食的相對介電常數。結合水稻干燥機中水稻的流態特性與電容法測量的靈敏性，本文選擇平行板式電容器作為試驗對象。相對介電常數不同，電容器所產生的電容不同，從而將被測物理量轉換為電容量[22-23]。糧食含水率則由已經求出的相對介電常數與已標定的相應谷物含水率和相對介電常數的關系得出。平行極板式電容水分檢測儀具有結構簡單的特點，板內電場均勻，電容與電容器本身的性質(如幾何形狀、尺寸和相對位置)相關，與電量和電勢差無關[24]。由高斯定理和場強疊加原理可知兩平行板間的電場強度和電勢差，根據電容器的定義可得平行板電容器的電容C為

(1)

式中ε0——真空介電常數，取8.85×10-12F/m

εr——兩極板間介質相對介電常數

A——兩極板間相對面積，mm2

d——兩極板間間距，mm

根據極板間介質相對介電常數、等效總電容與谷物含水率的關系，測算出谷物相應的含水率，且每次的檢測結果為單一值[25]。平行板電容器工作原理圖如圖1所示。

圖1雙重極板檢測裝置可視為并聯電容式結構，因加載到各電極板的電壓相同，所以總電荷量與等效電容為兩個電容器的電荷量與電容之和[26]，當極板間充滿谷物時，其內部狀態可視為由谷物的干物質、谷物中的水分以及谷粒孔隙間的空氣三者組成。相對面積A可視為三者面積之和。總電容可表達為3種物質等效電容之和，即

(2)

式中ε1、ε2、ε3——干物質、水分、空氣相對介電常數

A1、A2、A3——干物質、水分、空氣面積，mm2

空氣質量忽略不計，被測谷物含水率W計算式為

(3)

式中ρ1——水稻干物質密度，g/cm3

ρ2——水密度，g/cm3

V1——谷物干物質體積，cm3

V2——谷物中水體積，cm3

以ρ2=1 g/cm3、ε0=8.85×10-12F/m為基礎數據，假定極板間距范圍內干物質、水分和空氣緊密結合。將式(3)轉換為各組分面積與谷物含水率的函數式，代入式(2)可得電容傳感器的電容C與含水率的函數表達式為

(4)

其中

K0=2ε0A/d

式中K0——定常數

γ——極板間谷物干物質容積與總容積比值

e——同一高度下孔隙與谷物干物質顆粒體積比值

2 雙重極板電容器結構設計與優化

2.1 雙重極板電容器設計

雙重極板電容器主要由帶極外殼體、電極板、基座、控制器、激振電機等組成，如圖2所示。檢測區上端為進糧口，下端設有排糧口。通過絕緣基座將中間電極板與檢測控制器封裝并與外殼體相連接，采樣裝置的中空部分及前端嵌入干燥機出糧口內壁處。中間極板為翅片式，在保證裝置整體測試水稻容積不變的情況下增大了電容，外設的激振電機的有序振動可以避免水稻間粘連，保證被測水稻孔隙度均勻分布，降低電容檢測過程的不良影響。

在檢測過程中，考慮水稻流態化導致堆積密度變化對測量準確性存在一定偏差，設計了一種抽拉式排糧機構，實現水稻含水率分批量連續檢測，如圖3所示。抽拉式排糧機構采用單片機有序控制電動推桿實現底座內排糧閘門的開合，通過控制器可以控制水稻在極板間的堆積、振動、測量和排放時間，穩定水稻在線測試。

2.2 平行板結構參數優化

平行板電容器邊緣效應主要是由于電場線在極板間區域向外部空間擴展過程中，電場線由平行線變為呈開口狀分布，邊緣電場線寬度改變，電場分布集中在極板的邊緣，產生附加電容[27]。因此對極板結構進行合理的優化，有利于消除邊緣效應產生的影響，提高電容檢測的靈敏度。

2.2.1試驗材料與方法

選取初始含水率為19.43%的齊齊哈爾地區短粒粳稻為試驗樣品，采用105℃恒重法測定樣品含水率。所用儀器包括DGG-9070B型電熱恒溫鼓風干燥箱和沈陽龍騰電子有限公司生產的電子天平。為保證測量結果準確，將被測樣品均勻分成3份，測量結果取平均值。

基于電容器極板結構分析，確定極板厚度h、極板間距d、相對面積A作為影響電容器靈敏度主要因素，確定試驗指標為電容比，即實測水稻含水率電容C1與理論計算電容C2之比，采用二次回歸正交組合試驗，獲取電容器最佳參數組合。試驗因素編碼如表1所示。

表1 因素編碼Tab.1 Factors and codes

2.2.2試驗結果與分析

利用Design-Expert 8.0.6軟件處理試驗數據，試驗方案與結果如表2所示，X1、X2、X3為因素編碼值。通過回歸分析處理試驗結果，獲取方差分析如表3所示，建立衡量電容器靈敏度的指標——電容比編碼值的回歸方程，并檢驗其顯著性。

表2 試驗方案與結果Tab.2 Experiment scheme and results

表3 電容比方差分析Tab.3 Variance analysis of capacitance ratio

(5)

而失擬項為不顯著(P=0.338)，表明方程擬合效果較好。

2.2.3參數優化

依據試驗結果和數據分析，以衡量電容器靈敏度指標(電容比)最小為目標，通過Design-Expert 8.0.6軟件分析，極板厚度、極板間距、相對面積兩兩交互作用對電容比的影響如圖4所示。極板厚度與極板間距交互作用趨勢較為平緩，作用不顯著。極板間距與相對面積、極板厚度與相對面積交互作用對電容比的影響大，在極板間距減小、極板厚度增大、相對面積變大的情況下，電容比較大。

同時獲得多個最佳參數組合，列舉出其中5個符合期望的優選方案，如表4所示。由表3和式(5)可知，相對面積是影響電容器靈敏度的關鍵因素。由方

表4 測試極板的較優條件Tab.4 Better conditions of electrode plate

差分析可知，減小電容器極板面積，可減小測試誤差，因此，確定相對面積的期望值為最小值。結合實際電容器加工制造水平，獲得電容器最優結構方案為極板厚度2.98 mm，極板間距101.60 mm，相對面積為32 583.69 mm2。

3 測量系統設計

3.1 電容測量電路設計

電容式含水率傳感器測量電路通常為調頻測量電路，根據電容變化時振蕩器的振蕩頻率發生變化對電容進行測量，具有較高靈敏度。但頻率變化受環境因素影響較大，故該電路穩定性較差。因此，本文選擇運算放大器電路作為電容測量電路，根據其較高的放大系數K和輸入阻抗Zi，可保證電路的穩定性，是較為理想的測量電路。

3.1.1運算放大電路

電容測量方式采用運算放大電路，主要由LM741和LM709組成。運算放大電路如圖5所示。該電路的測量是根據兩被測電容間充電和放電所產生的三角波振蕩周期變化，從而測得電容。圖中LM741構成密勒積分電路，LM709構成施密特整形電路形成正反饋而產生振蕩，振蕩周期不受電源電壓的影響。主控芯片將模擬量轉換成數字量。

3.1.2溫度測量傳感器及A/D轉換

溫度變化是影響電容測量精度的重要因素，溫度的改變會導致被測谷物介電常數的變化。因此，對被測谷物進行實時的溫度監測，對電容整體測量結果有重要意義。溫度傳感器選用PT100熱電阻溫度傳感器，其型號為PT100WZP-187。利用AD7793芯片的高轉換精度和自校準、系統校準功能，能夠消除零點誤差、滿量程誤差和溫度漂移帶來的影響。采用3差分模擬輸入通道，可直接接收來自傳感器的模擬量輸入；由于芯片自身具有低噪聲特點，通過RC低通濾波器即可達到濾波效果，大大降低前段抗混疊濾波器的需求。通過MCU靈活控制和配置AD7793芯片內寄存器，實現對AD7793芯片的控制。A/D轉換電路如圖6所示。

3.1.3電源穩壓及補償電路

溫度變化會引起被測谷物的介電常數變化，溫度系數的改變會影響電路的輸出信號，產生溫漂，進而影響測試結果。本文設計以LM732芯片為核心的電源穩壓電路，具有溫度控制作用。利用其溫度控制特點，可減弱溫漂所產生的信號誤差。根據其較強的調壓范圍(2～37 V)，可降低電容變化時產生的干擾波紋，對測量電容起到穩定的作用。該電路根據溫度、電容的模擬量，將物理變化轉為電壓變化，通過對電壓的補償調節，間接對電容和溫度進行補償。電源穩壓電路如圖7所示。

3.2 上位機監測界面

采用Visual Basic 6.0進行上位機軟件程序編寫。程序界面如圖8所示，主要包括串行口調試模塊、配置調試模塊、設備地址、Modbus通訊測試模塊、校準水分模塊、校準溫度模塊。主界面包括水分和溫度數顯，設備信息與糧食類型以及數據曲線圖。實現水稻含水率的實時檢測。

4 基于神經網絡的水稻含水率預測與校正

水稻干燥環境復雜、多變，傳感器的靈敏度會受到環境因素變化的干擾。面對自然環境不可控因素的干擾，含水率的精確預測可減少105℃恒重法或電阻校正法的試驗次數，配合上位機軟件中水分校正模塊，可提升含水率檢測結果的準確性。

4.1 NARX水稻含水率預測模型

本文采用的NARX動態神經網絡如圖9所示，具有非線性自回歸的網絡特性，適用于單輸出、單輸入的網絡訓練。在自然環境相對穩定狀態下，以實際測量的電容為輸入函數，以恒重法標定的含水率為目標輸出函數對含水率進行預測。

4.2 預測模型參數

通過對比驗證確定神經網絡模型的參數。本文對網絡不同的隱含層數、神經元數、優化算法、滯后階數進行對比分析。其中，隱含層數通常設定為1層，過多的隱含層數不利于模型的整體訓練，可能會使模型陷入極值問題。

4.2.1優化算法對比

在Neural Network Start中，針對模型的優化訓練算法包括LM(Levenberg-Marquard)算法、BR(Bayesian regularization)算法、SCG(Scaled conjugate gradient)算法。以3種優化算法對應訓練模型結果的均方誤差(MSE)和復相關系數R作為模型評價指標，其中均方誤差(MSE)越低越好，0代表無誤差；復相關系數R越接近于1，表明模型相關性越緊密，0代表隨機相關。評價結果如表5所示。

表5 算法模型優化評價結果Tab.5 Algorithm model optimization evaluation results

由表5可知，SCG模型的均方誤差在3種模型中最接近于0，效果最優；LM模型的均方誤差略大于SCG模型；3種模型的復相關系數均接近于1，R表現差別不大。最終確定SCG算法作為模型的優化算法。

4.2.2神經元數量及滯后階數確定

依據SCG算法優化算法模型，采用控制變量方法，分別調整神經元數量、滯后階數對模型進行訓練，得到最佳的參數數值。測試神經元數量選擇為5、10、15；測試滯后階數為1、2、3。以MSE和R作為評價指標，評價結果如表6所示。

表6 神經元數量及滯后階數評價結果Tab.6 Results of evaluation of number of neurons and lag order

由表6可知，神經元數量為5時，模型的MSE最低，相關性均為緊密，差異不大；滯后階數為3時，模型的MSE最低，且與滯后階數為1、2時差別較大，三者回歸相關性差異不大。最終確定模型的神經元數量為5，滯后階數為3。

4.3 預測結果及分析

將含水率為10%～20%的水稻樣品依次放置在檢測裝置中進行電容測試，記錄對應含水率下的水稻電容作為模型訓練的輸入值和輸出值。按照網絡默認設置的訓練集70%、驗證集15%、測試集15%對訓練樣本進行劃分。訓練結果如圖10所示。

如圖10所示，隨著訓練次數的增加，均方誤差逐漸降低，在訓練次數達到17次后，訓練集、驗證集、測試集的均方誤差不再變化，保持恒定。因此訓練次數達到17時為最優。訓練完成后，可得出水稻含水率NARX預測結果誤差，通過分析預測值與實測值，判斷預測模型的擬合效果。水稻含水率NARX預測結果誤差如圖11所示。由圖11可以看出，誤差范圍在±0.5%以內，模型預測結果較好。

圖12中訓練集擬合度N為0.998 19，驗證集擬合度N為0.999 31，測試集擬合度N為0.998 72，綜合集擬合度N為0.998 39。根據訓練集、驗證集、測試集和綜合集擬合度結果分析，針對水稻含水率范圍在10%～20%的預測準確性較好，表明模型適用于水稻含水率的預測。

5 試驗結果與分析

5.1 靜態測試試驗

靜態測試試驗在黑龍江省農機智能裝備重點實驗室進行，采用帶溫度補償模塊的水分檢測裝置，并在上位機軟件設置水分校正模塊，進行溫度系數的補償和水分偏差修正。實驗室內溫度調控為5～7℃,符合常規干燥作業的環境溫度。采用含水率為13.92%～19.22%的水稻樣品100份，分組標記后依次放入檢測裝置中進行檢測。采用105℃恒重法進行校對，測試試驗臺如圖13所示。

檢測裝置執行階段檢測，執行20 s檢測周期(可調)，檢測過程電動推桿不動作，閥門關閉，5 s充糧，測試含水率，取平均值；檢測完成后，電動推桿動作，閥門打開，5 s排糧。每組試驗重復3次，取平均值。含水率測試結果如表7所示。

表7 含水率測試結果Tab.7 Result of moisture content test %

由表7可知，含水率最大相對偏差為0.65%，最小相對偏差為0.26%，平均相對偏差為0.44%，滿足測試要求，檢測結果接近恒重法測量值。

5.2 水稻干燥在線測試

水稻干燥在線測試地點為北大荒米業集團五常市加工基地干燥現場，水稻品種為長粒稻花香，含水率為18%～20%。將兩套水稻含水率檢測裝置安置于干燥機提升機入糧斗側壁內和皮帶輸送機排糧出口處，水稻干燥機與在線檢測裝置如圖14所示。

因鮮食稻谷加工的需求，水稻干燥含水率控制在15%左右。在線完成一次水分檢測周期需30 s，其中收集與振動時間需12 s，含水率檢測一次的時間為10 s，排糧電動推桿完成開合時間為8 s。利用該裝置進行了24 h連續在線測試稻谷含水率，采樣間隔30 min，對比KettPM8188A型靜態電容水分儀測試的數據，測試結果如圖15所示。稻谷水分相對偏差在±0.5%以內，測試結果較穩定。

6 結論

(1)提出一種翅片式雙重極板水稻含水率檢測方式，通過二次回歸正交組合試驗建立電容比的有效回歸方程。結合邊緣效應最低需求，得到極板參數最優組合為極板厚度2.98 mm、極板間距101.60 mm、相對面積32 583.69 mm2。

(2)采用運算放大器電路作為電容的測量電路，設計了以LM741芯片為核心的電容測量電路，利用溫度傳感器與A/D轉換電路實現數據轉換，并利用電源穩壓電路進行了補償；設計了上位機監測系統，完成對水稻含水率的實時采集與監控。

(3)建立了水稻含水率NARX預測模型。確定神經元數量為5，滯后階數為3，最佳優化算法為SCG算法。訓練集、驗證集、測試集和綜合集擬合度均接近1，模型擬合度良好。水稻含水率預測值與105℃恒重法測試值的誤差范圍在±0.5%以內。

(4)實驗室靜態測試與干燥機在線測試試驗表明，應用雙重極板電容測定裝置進行在線測試，最大相對偏差為0.65%，最小相對偏差為0.26%，平均相對偏差為0.44%，滿足水稻含水率測試要求。水稻干燥生產現場在線測試結果與靜態電容水分儀測試結果相比，含水率測試偏差浮動較小，相對偏差在±0.5%以內，檢測性能穩定。