基于BP神經網絡預測紅外-噴動干燥帶殼鮮花生水分比

朱凱陽，任廣躍,2,*，段 續,2，仇彩霞，李琳琳，楚倩倩，余祖艷

（1.河南科技大學食品與生物工程學院，河南 洛陽 471000；2.糧食儲藏安全河南省協同創新中心，河南 鄭州 450001）

花生屬薔薇目、豆科一年生草本植物，其中油脂和蛋白質含量最為豐富，同時還含有各種維生素以及鈣、磷、鐵等微量元素，具有極高的營養價值?；ㄉ嵌箍浦参镏幸环N重要的經濟作物，主要生長在干旱和半干旱地區，然而花生的收獲季節多在夏季高溫多雨時期，采摘后新鮮的帶殼花生含水量高，不易貯存，若不及時進行干燥處理，容易使花生再次生芽或者發霉腐敗，感染黃曲霉菌，影響食用。通過干燥處理可以延長花生的貯存期，使其更易于運輸及后續加工處理。

噴動床干燥可以在物料顆粒干燥過程中提供氣動攪拌，這種攪動通過在顆粒表面重建邊界層來促進熱量傳遞，同時使物料在床體內做噴泉式往復運動，實現了物料與熱空氣在床體內有規律的間歇接觸。而紅外輻射具有熱效應好、節能等優點，已被廣泛用于糧油、果蔬等農產品的干燥。研究表明，將紅外-噴動干燥進行聯用能夠獲得良好的干燥效果。段續等采用紅外噴動床對玫瑰花瓣進行干燥實驗，研究不同出風溫度和風速下玫瑰花瓣的干燥特性并建立干燥動力學模型，為紅外-噴動干燥的研究與應用提供了參考；Alizehi等采用紅外輻射和噴動床聯合干燥胡蘿卜，使得胡蘿卜具有比普通干燥方法更好的感官特性，熱空氣和紅外輻射的結合形成了協同效應，產生比單獨紅外干燥或噴動干燥更有效的干燥效果。目前鮮見使用該技術對帶殼鮮花生進行干燥的研究報道，因此，可嘗試利用該方法對帶殼鮮花生進行干燥以獲得更好的干燥效果。

物料水分比是干燥過程中一個重要參數，為干燥過程中物料變化的預測和控制提供重要依據。在干燥過程中，物料的水分比具有顯著的非線性和時變性，且經過不同程度的處理以后，僅利用單一模型進行擬合，不可避免地存在適應性和預測精確性的局限。近年來，BP人工神經網絡（簡稱BP神經網絡）在處理食品加工過程中理化特性與工藝參數之間的復雜關系方面具有較強的適應性和良好的模擬效果。人工神經網絡，是通過模仿生物神經網絡的行為特征，進行分布式并行信息處理的數學模型。這種網絡依靠系統的復雜度，通過調整內部大量節點之間相互連接的關系，從而達到信息處理的目的。BP神經網絡屬于人工神經網絡的一種，是Rumelhart和McClelland于1986年提出的一種誤差逆向傳播算法的多層前饋網絡。BP神經網絡具有自我學習和適應的能力，可以通過預先提供的一批相互對應的輸入輸出數據，分析兩者的內在關系和規律，最終通過這些規律形成一個復雜的非線性系統函數，這種學習分析過程被稱作“訓練”。每個人工神經網絡包括輸入層、隱含層和輸出層，每一層都由幾個神經元組成。外界信息從BP神經網絡輸入層輸入，經過隱含層處理，再傳到輸出層，得到輸出值，經過反復學習與訓練，輸出預期的輸出值。BP神經網絡在函數逼近、非線性函數擬合和在線預測方面具有良好的適應力，是目前應用最廣泛的神經網絡模型之一。Akbar等采用人工神經網絡對姜黃油產量進行優化和預測，獲得了較好的優化和預測結果；巨浩羽等以光皮木瓜為原料對其進行干燥實驗，結果表明BP神經網絡模型可以很好地描述光皮木瓜的真空脈動干燥過程；李凱旋等采用遺傳算法（genetic algorithm，GA）-BP神經網絡對蒜香調味粉的制備條件進行優化，結果證明該方法優化后的條件符合實際生產工藝需要；未志勝等基于BP神經網絡技術結合GA實現了定向制備鷹嘴豆美拉德風味肽產品，所得參數可以作為鷹嘴豆蛋白美拉德肽產品的最佳制備條件。姜鵬飛等以大西洋鯖魚為原料，通過人工神經網絡研究不同烘烤條件下大西洋鯖魚水分含量的變化情況，結果表明人工神經網絡法能夠準確地對大西洋鯖魚在烘烤過程中的水分含量進行建模。王玉環等采用人工神經網絡模型準確預測了油炸外裹糊魚塊的水分含量。

目前鮮見利用BP神經網絡預測帶殼鮮花生紅外-噴動干燥中水分含量變化的研究報道。帶殼鮮花生在紅外-噴動干燥過程中水分比受到干燥溫度、進口風速和助流劑質量等因素的影響，且與其影響因素具有復雜的非線性關系。通過經典的數學模型來預測干燥進程中的水分比，其預測精度隨預測對象和條件而變化，且部分數學模型表達式較為繁瑣。因此，可嘗試利用BP神經網絡預測帶殼鮮花生干燥過程中水分比變化。本研究通過單因素和正交試驗探討帶殼鮮花生在干燥過程中水分比與干燥溫度、進口風速、助流劑質量因素之間的關系，使用Matlab R2018a軟件建立基于BP神經網絡的帶殼鮮花生水分比預測模型，以期為帶殼鮮花生水分比的在線預測提供進一步的理論依據和技術支持。

1 材料與方法

1.1 材料

新鮮帶殼花生（‘海花一號’）產自河南正陽縣。挑選大小均勻顆粒飽滿的花生，清除泥沙后，放置于網篩中瀝水30 min，參考GB 5009.3ü2016《食品安全國家標準 食品中水分的測定》測定初始水分含量（初始水分含量為0.96 g/g），用自封袋封裝并放置于4 ℃冰箱中保存備用。選擇表面光滑干青豆作為助流劑。

1.2 儀器與設備

紅外-噴動裝置系本實驗室自制，設備示意圖如圖1所示。設備紅外輻射波長范圍為2.5～100 μm，紅外功率在0～15 kW之間可線性調節。調節軸流風機可以改變物料在噴動床內再循環的速率，出風溫度可通過溫度傳感器測得。

圖1 紅外噴動床組合干燥裝置示意圖Fig.1 Schematic diagram of infrared-assisted spouted bed dryer

1.3 方法

1.3.1 帶殼鮮花生干燥

試驗前通過控制系統調節紅外輻射板溫度，使噴動床內部達到設定試驗溫度。將封存于4 ℃冰箱中的帶殼鮮花生取出，恢復至室溫后將花生和助流劑通過頂蓋放入噴動床中，調節變頻器，使進口風速達到設定試驗值，然后定時定量取出花生測定數據。本研究首先采用單因素試驗，因素設置如表1所示。將花生放入紅外-噴動床中開始計時，每隔30 min從噴動床中選取做好標記的20 ?；ㄉ焖俜Q量后放回，得到的數據記錄留用。待花生干燥至安全水分（干基水分含量不大于0.1 g/g）時停止試驗。然后，根據單因素試驗結果分析確定正交試驗因素水平，采用L9(3)正交試驗，如表2所示。

表1 帶殼鮮花生紅外-噴動干燥單因素試驗方案Table 1 Experimental scheme of one-factor-at-a-time design on infrared-assisted spout bed drying of fresh in-shell peanut

表2 帶殼鮮花生紅外-噴動干燥正交試驗因素水平Table 2 Code and level of independent variables used in orthogonal array design on infrared-assisted spout bed drying of fresh in-shell peanut

1.3.2 干燥動力學曲線

干燥過程中，測定不同時刻帶殼鮮花生的質量，繪制干燥動力學曲線。帶殼鮮花生的干基水分含量（/（g/g））按式（1）計算。

式中：m為時刻帶殼鮮花生的質量/g；為帶殼鮮花生絕干（花生前后兩次稱量結果差值小于0.002 g）時的質量/g。

紅外-噴動干燥過程中帶殼鮮花生水分含量用水分比（moisture ratio，MR）來表示，帶殼鮮花生中不同時間水分比按公式（2）計算。

式中：m表示任意干燥時刻帶殼鮮花生的干基水分含量/（g/g）；表示平衡時帶殼鮮花生干基水分含量/（g/g）；表示初始時帶殼鮮花生干基水分含量/（g/g）。

由于帶殼鮮花生的平衡水分含量遠遠的小于和m，所以公式（2）可簡化為公式（3）。

干燥過程中的干燥速率按式（4）計算。

式中：為干燥速率/（g/（ggh））；X為時刻干基水分含量/（g/g）；X為＋?時刻干基水分含量/（g/g）。

1.3.3 BP神經網絡結構設計

BP神經網絡是一種特殊的多層向前型網絡模型，主要由輸入層、隱含層和輸出層3個部分組成。在帶殼鮮花生干燥過程中，干燥溫度、出口風速、干燥時間和助流劑質量是干燥的重要參數，均對物料水分比有重要影響，因此確定BP神經網絡輸入層節點數為4，輸出層節點數為1。其中，隱含層節點數可以根據公式（5）～（8）確定。

式中：為輸入層節點數；為隱含層節點數；為輸出層節點數；為0～10之間的常數。

根據式（5）～（8）確定隱含層節點數5＜＜12，通過BP神經網絡訓練得到不同節點數下的均方誤差（mean square error，MSE）結果，確定隱含層節點數。在確定節點數量后，模型由激活函數、求和單元和連接權構成。權值代表連接；通過調整權值的正負來激活或抑制神經元的輸入信號；求和單元計算輸入信號與權值，最后通過激活函數傳遞輸出。激活函數也稱為傳遞函數，保證神經元輸出在[－1,1]或者[0,1]之間。一般情況下，常用的傳遞函數有3種形式，即線性傳遞函數purelin，對數S型傳遞函數logsig以及雙曲正切S型傳遞函數tansig。訓練函數主要包括最速梯度下降函數traingd、動量反轉的梯度下降函數traindm和Levenberg-Marquardt（L-M）訓練函數等。L-M訓練函數可以避免傳統BP神經網絡訓練到一定程度時出現的網絡麻痹現象，可實現網絡的快速收斂，因此，本研究中采用L-M算法作為訓練函數。綜上，得出建立帶殼鮮花生水分比的BP神經網絡模型流程圖，如圖2所示。通過干燥實驗得到原始數據，將原始數進行處理后分為測試樣本和訓練樣本輸入，輸入信號通過隱含層作用于輸出節點，經過非線性變換，產生輸出信號，即得到所需的輸出結果。

圖2 BP神經網絡設計流程圖Fig.2 Flow chart of BP neural network design

1.3.4 數據采集

采用擬合度和MSE對神經網絡模型進行評價。擬合度計算如公式（9）所示。一般來說，越大，所建立的模型擬合效果越好。

樣本MSE的計算如公式（10）所示，MSE越小表示網絡模型性能越好。

從帶殼鮮花生紅外-噴動干燥特性實驗600 組數據中前480 組數據作為模型輸入數據，剩下的120 組數據作為網絡模型的測試數據。在選取的數據中，為了減小各個數據間數量級差別，避免因輸入輸出數據數量級差別較大而造成網絡預測誤差較大，按公式（11）對原始數據進行歸一化處理。歸一化處理使其值均在[0,1]范圍內，網絡模型水分比輸出值也在[0,1]內。

式中：為輸入數據；為原始數據；為相應指標的最小值；為相應指標的最大值。

1.3.5 模型驗證

為了驗證建立的BP神經網絡的可靠性，利用1.3.4節所獲得的數據，選取幾種常用的經驗、半經驗干燥數學模型與該BP神經網絡模型進行對比。具體模型見表3。

表3 驗證建立的BP神經網絡可靠性的干燥數學模型Table 3 Common drying mathematical models used for reliability evaluation of BP neural network

1.4 數據處理與分析

釆用Excel軟件對數據進行處理，利用Origin 8.5軟件繪圖，采用Matlab R2018a軟件進行BP神經網絡程序編寫，并對數據進行分析。

2 結果與分析

2.1 干燥條件對帶殼鮮花生的影響

2.1.1 溫度對帶殼鮮花生紅外-噴動干燥特性的影響

在進口風速為16 m/s、助流劑質量為1 kg的條件下，觀察不同溫度（55、60、65 ℃和70 ℃）對帶殼鮮花生紅外-噴動干燥特性的影響。由圖3A可知，帶殼鮮花生水分比隨著干燥的進行呈現降低的趨勢，并且溫度越高，干燥時間越短，水分比降低越快速。由圖3B可知，帶殼鮮花生干燥速率隨著溫度的升高而提升。在進口風速為16 m/s、助流劑質量為1 kg、干燥溫度為55～70 ℃范圍內，初始干燥速率在0.22～0.39 g/（ggh）。溫度55、60、65 ℃和70 ℃下，帶殼鮮花生的平均干燥速率依次增大，分別為0.06、0.07、0.09 g/（ggh）和0.13 g/（ggh）。在干燥過程中，還存在一個明顯的降速階段，說明在帶殼鮮花生的干燥中，水分擴散受內部擴散控制，而內部擴散阻力決定了傳質速率。

圖3 不同溫度下帶殼鮮花生干燥特性曲線Fig.3 Drying curves of fresh in-shell peanut at different temperatures

溫度55、60、65 ℃和70 ℃條件下，帶殼鮮花生達到安全水分含量的時間分別為540、480、450 min和390 min。其中60、65、70 ℃與55 ℃相比，所需要的干燥時間分別縮短11.11%、16.67%和27.78%，能耗分別降低6.00%、8.50%和15.00%。綜合干燥時間和干燥能耗，選取正交試驗溫度為60、65 ℃和70 ℃。

2.1.2 進口風速對帶殼鮮花生紅外-噴動干燥特性的影響

在干燥溫度65 ℃、助流劑質量1 kg的條件下，觀察不同進口風速（16、17、18 m/s和19 m/s）對帶殼鮮花生紅外-噴動干燥特性的影響。由圖4A可知，帶殼鮮花生水分比隨著干燥的進行逐漸降低，并且進口風速越高，干燥時間越短，水分比降低越快。由圖4B可知，帶殼鮮花生干燥速率隨進口風速的升高而提升，在干燥溫度65 ℃、助流劑質量1 kg、進口風速16～19 m/s范圍內，初始干燥速率在0.31～0.47 g/（ggh）。進口風速16、17、18 m/s和19 m/s下，帶殼鮮花生的平均干燥速率依次增大，分別為0.07、0.09、0.10 g/（ggh）和0.13 g/（ggh）。

圖4 不同進口風速下帶殼鮮花生干燥特性曲線Fig.4 Drying curves of fresh in-shell flower at different inlet airflow rates

進口風速16、17、18 m/s和19 m/s條件下，帶殼鮮花生達到安全水分的時間分別為450、390、360 min和300 min。其中17、18、19 m/s與16 m/s相比，所需要的干燥時間分別縮短13.33%、20.00%和33.33%，能耗分別降低5.41%、10.81%和18.92%。綜合干燥時間和干燥能耗，選取正交試驗進口風速為17、18 m/s和19 m/s。

2.1.3 助流劑質量對帶殼鮮花生紅外-噴動干燥特性的影響

在干燥溫度65 ℃、進口風速16 m/s條件下，觀察不同助流劑質量1.0、1.5、2.0 kg和2.5 kg對帶殼鮮花生紅外-噴動干燥特性的影響。由圖5A可知，帶殼鮮花生水分比隨著干燥的進行逐漸降低，但水分比的降低趨勢較以不同溫度和不同風速為變量緩慢，說明助流劑質量對帶殼鮮花生干燥影響程度較小。由圖5B可知，帶殼鮮花生干燥速率在助流劑質量不同的情況下呈現出不一樣的變化趨勢。由于干燥初期帶殼鮮花生在噴動床內處于涌動狀態，因此在助流劑質量1 kg時，花生整體所接觸熱源的面積較大，此時干燥速率明顯高于其他3種助流劑質量組。隨著干燥的進行，花生處于噴動狀態，助流劑的參與可以給花生帶來更好的噴動效果，此時帶殼鮮花生的干燥速率隨助流劑質量的增大而增大。因此，在助流劑質量這一單因素變量中，帶殼鮮花生的干燥速率呈現先降速干燥，然后加速干燥，最后又降速干燥3個階段。在干燥溫度65 ℃、進口風速16 m/s、助流劑質量1.0～2.5 kg范圍內，初始干燥速率在0.20～0.33 g/（ggh），助流劑質量1.0、1.5、2.0 kg和2.5 kg下，帶殼鮮花生平均干燥速率較為接近，均約等于0.08 g/（ggh）。

圖5 不同助流劑質量下帶殼鮮花生干燥特性曲線Fig.5 Drying curves of fresh in-shell peanut with different amounts of glidant

助流劑質量1.0、1.5、2.0 kg和2.5 kg條件下，帶殼鮮花生達到安全水分的時間分別為450、450、420 min和420 min。其中2.0、2.5 kg與1.0 kg相比，所需要的干燥時間縮短了6.67%，能耗分別減小7.50%和5.00%。由于在助流劑質量1.0 kg和1.5 kg下二者各項指標相差不大，因此，綜合干燥時間和干燥能耗，選取正交試驗助流劑質量為1.5、2.0 kg和2.5 kg。

2.2 模型訓練與測試

2.2.1 隱含層節點的選擇

由前面結果已知，在帶殼鮮花生的紅外-噴動干燥實驗中，溫度、進口風速、助流劑質量、干燥時間均對水分比有影響，因此確定該BP神經網絡輸入層節點數為4。該干燥方式下網絡建模的目的是預測水分比，即輸出層的節點數為1。

帶殼鮮花生紅外-噴動試驗水分比BP網絡建模中采用單隱含層，隱含層節點數在5～12范圍內經測試后選取，網絡拓撲結構為“4-K-1”。紅外-噴動干燥水分比BP網絡單隱含層不同節點數的訓練逼近圖如圖6所示。隱含層神經元數目與BP神經網絡MSE和訓練迭代次數的對應關系如表4所示。

表4 紅外-噴動干燥BP神經網絡隱含層不同節點訓練結果Table 4 Training results for BP neural networks with different nodes in hidden layer

圖6 紅外-噴動干燥BP神經網絡單隱含層不同節點數的MSE曲線Fig.6 Mean square error curves of BP neural networks comprising of different nodes in single hidden layer

當隱層節點數為11時，對應的MSE最小，為0.010 128，訓練迭代數為43時，網絡訓練速度較快。這些結果表明，該條件下BP神經網絡模型具有高超的泛化能力；因此選擇11為帶殼鮮花生紅外-噴動試驗BP神經網絡模型單隱層節點數。

2.2.2 網絡模型訓練

從600 組樣本數據中，隨機抽取480 組作為訓練樣本數據，剩余120 組作為測試數據，通過BP神經網絡進行訓練，進行水分比分布曲線預測。在BP神經網絡中，輸入層試驗數據經過歸一化處理后輸入系統；隱含層節點數選擇11，輸入層到隱含層的傳遞函數為tansig-purelin函數；設置該BP神經網絡的學習速率是0.06，迭代次數為1 000，收斂準則為0.000 001，通過不斷調整權值和閾值，達到預測的效果。在確定網絡模型的結構后，開始對模型進行訓練。如圖7所示，在迭代訓練41 次之后，獲得滿足誤差條件的穩定預測模型，并停止訓練。在驗證過程中，BP神經網絡模型在第35代表現出最佳的驗證性能，MSE最小，為0.002 010 8。

圖7 均方誤差曲線Fig.7 Mean square error curves

神經網絡必須對新數據具有高度的可預測性，在訓練中，圖8反映了4 組試驗值和預測值之間的回歸擬合情況，實線和虛線結果表明試驗值和預測值之間線性擬合良好。BP神經網絡模型訓練集的擬合度為0.995，驗證集的擬合度為0.995，測試集的擬合度為0.994。所有樣品試驗值和預測值的擬合度均高于0.995，表明優化后的模型與訓練數據吻合，BP神經網絡模型預測的擬合度均大于0.99。

圖8 帶殼鮮花生紅外-噴動干燥BP網絡訓練回歸圖Fig.8 Fitted curves of fresh in-shell peanut obtained from BP network training

2.2.3 模型測試

將實驗測得的數據輸入訓練好的模型進行仿真驗證。圖9顯示了神經網絡的預測誤差曲線（誤差＝實驗值－預測值）。由圖9可知，在用于測試的干燥樣本中，大部分數據集中在±0.04之間，其中39.17%的誤差為負值，表明預測值略小于實驗值；60.83%的誤差為正值，表明預測值略大于實驗值。其中最大誤差6.43%，最小誤差0.02%，平均誤差3.23%，三者均在誤差允許的范圍內。經計算，實驗值與預測值之間的決定系數為0.99，MSE為0.02，可見BP神經網絡具有很高的預測精度，能夠很好地預測帶殼鮮花生在干燥過程中的水分比。此外，如果紅外-噴動干燥過程中的外部環境參數和帶殼鮮花生本身的相關參數已知，則訓練后的神經網絡模型可以用于預測水分比的變化，從而消除了復雜的實驗檢測過程，節省大量的時間和成本。

圖9 帶殼鮮花生紅外-噴動干燥樣品水分比誤差曲線Fig.9 Moisture ratio error curve of fresh in-shell peanut dried by infrared-assisted spouted bed drying

2.3 模型驗證

本實驗選取7種薄層干燥模型對不同溫度、不同進口風速和不同助流劑質量進行數據擬合，相應的、和模型參數值見表5。

表5 不同干燥模型的干燥系數及模型參數Table 5 Drying parameters and model coefficients of different drying models

續表5

通過計算對比表5中7種數學模型的、，可以看出，擴散模型與Newton模型的模型評價指標平均值分別為0.928 2和0.938 8，因此，這兩種模型不適合描述帶殼鮮花生紅外-噴動干燥樣品中水分比的變化規律；Midilli模型和對數模型對實驗數據的擬合度較高，其模型評價指標的平均值分別為＝0.997 9、＝0.000 8和＝0.991 6、＝0.004 7。Midilli模型平均值略大于對數模型，并且Midilli模型中比對數模型中更小。因此，選用Midilli模型描述帶殼鮮花生紅外-噴動干燥的水分變化規律。

通過全面的數據分析得出較為適合的數學模型，此時以干燥溫度60 ℃、進口風速18 m/s和助流劑質量2 kg為例，對比Midilli模型與BP神經網絡預測水分比的相對誤差值，結果如表6所示。

表6 紅外-噴動干燥帶殼鮮花生水分比的實驗值與預測值Table 6 Experimental and predicted values of the moisture ratio of fresh in-peanut dried by infrared-assisted spouted bed drying

由表6數據可知，Midilli模型多數實驗值與預測值吻合效果較好，整體效果基本達到預測的目的，預測值與實驗值間的決定系數為0.976 1，平均相對誤差為14.17%；而BP神經網絡模型預測值與實驗值間的決定系數為0.996 3，平均相對誤差僅為4.38%。BP神經網絡模型預測所得平均相對誤差低于Midilli模型，說明BP神經網絡預測準確度更高。因此，基于BP神經網絡的帶殼鮮花生紅外-噴動干燥水分比模型可以有效地預測帶殼鮮花生干燥過程中的水分比變化。

3 結 論

通過帶殼鮮花生紅外-噴動干燥單因素試驗可以看出，干燥溫度和進口風速越高，紅外-噴動干燥帶殼鮮花生水分含量變化越快。對采用大量實驗數據建立“4-11-1”拓撲結構的BP神經網絡模型進行訓練和測試，結果得到決定系數為0.99，MSE為0.02。表明該BP神經網絡對帶殼鮮花生紅外-噴動條件下干燥水分比預測效果良好。帶殼鮮花生干燥異于普通薄層干燥，通過對比傳統經典數學模型與BP神經網絡模型可知，由于物料的特殊性，BP神經網絡模型預測數據的準確度高于傳統數學模型，其預測的相對誤差相較于傳統數學模型減少了9.79%。綜上，基于BP神經網絡的水分比預測模型在預測帶殼鮮花生干燥過程中水分比變化規律方面更具優勢。

BP神經網絡能夠將物料干燥過程中所有影響因素整合于一個網絡模型中，具有便捷性和準確性等方面的優勢，可在食品干燥相關研究領域中進行廣泛應用。本研究所建立的基于BP神經網絡的帶殼鮮花生紅外-噴動干燥模型能夠較好地對帶殼鮮花生干燥過程中水分比進行預測，研究結果可為帶殼鮮花生紅外-噴動工藝的優化提供新的研究思路和技術參考。