基于K-近鄰算法的物料含水率測量標準裝置設計

李子赫，劉穗君，劉穎，劉磊，李少華，柳賓，尹鑫，沈小燕，胡佳成

基于K-近鄰算法的物料含水率測量標準裝置設計

李子赫1，劉穗君2，劉穎2，劉磊2，李少華2，柳賓2，尹鑫2，沈小燕1，胡佳成1

（1.中國計量大學 計量測試工程學院，杭州 310018；2.河南中煙工業有限責任公司 南陽卷煙廠，河南 南陽 473007）

針對烘箱法耗時長且不適用于生產現場的問題，圍繞短時干燥法設計物料含水率測量標準裝置。裝置主要包括移動底盤、箱體、水分分析儀、可充電電源、配電板、工業觸屏電腦以及上位機軟件。建立基于K-近鄰（K-Nearest Neighbor）算法的物料含水率預測模型，并通過實驗獲得預測結果與烘箱法測量結果之間的修正關系。以抽取自卷煙廠的煙草樣品為例，對裝置進行測量實驗。當設置測量時間為30 min時，含水率測量結果的擴展不確定度低于0.5%。該裝置可代替烘箱法對物料含水率進行監控，也可以用于在線水分儀的原位校準。

含水率測量；K-近鄰算法；裝置設計；烘箱法；水分分析儀；誤差修正

很多工業領域（如茶葉、食品、煙草等）在生產環節都需要對物料的含水率進行控制，在線水分儀是對物料含水率進行在線監測的常用儀器[1]。但是在線水分儀的測量結果容易受儀器安裝位置、物料狀態以及環境等因素的影響[2-4]，因此需要定期對在線水分儀進行校驗。烘箱法是校驗在線水分儀的常用方法之一。烘箱法采用熱失重原理測量物料的含水率，它利用循環熱風方式在箱內制造100 ℃的溫度環境，對物料樣品進行若干小時的干燥，并由人工使用電子天平稱量物料干燥前后的質量變化，從而計算得出物料含水率。烘箱法同時是很多物料含水率測量的標準方法[5]，其測量準確度高，但是時效性差、自動化程度低，且需要在實驗室環境中進行，無法在生產現場進行原位測量。一些研究人員嘗試改進烘箱法，如金玉立等[6]優化了烘箱法的取樣手法，將廢樣率降低了5%，大大提高了測量效率；還有研究人員試圖提高烘干溫度，縮短烘干時間，但是研究結果表明，提高溫度同樣會加速樣品中其余揮發性物質的揮發，造成較嚴重的測量誤差[7]；王樂等[8]基于干燥動力學模型，設計了一套新的烘干測量裝置，將測量時間由烘箱法的2 h，縮短到了20 min以內，但是該套裝置設備繁多，不便于移動，不能進行原位測量。不論是對烘箱法本身的改進，還是對新方法的研究，現有成果均無法在縮短測量時間的同時，提供在生產現場原位測量的能力。

烘干法水分測定儀是一類較新的含水率測量儀器。該類儀器測量原理與烘箱法相同，且通過鹵素燈、遠紅外或石英加熱等方式，提高升溫速度和熱傳遞效率。除此以外，該類儀器將干燥模塊和稱重模塊集成于一體，具有體積小、數字化程度和測量效率高等優點，而且不論是模擬式的還是數字式的，計量領域都對其進行了不確定度的研究[9-10]，因此其得到了廣泛應用。杜麗雯[11]進行了烘箱法和烘干法水分測定儀的對比實驗，結果表明，相較于烘箱法，烘干法水分測定儀的測量存在明顯的測量誤差，但是兩者都具有較高的測量一致性。可見，烘干法水分測定儀有極大潛力代替烘箱法，但是必須對其測量結果進行修正。

本文針對物料含水率測量和在線水分儀校準原位作業的需求，以烘干法水分測定儀為核心器件，研究物料含水率短時干燥法測量方案，設計物料含水率測量標準裝置，并進行實驗研究。建立物料含水率K-近鄰（K-Nearest Neighbor）預測模型，并通過烘箱法的測量結果獲得了K-近鄰預測結果修正值。該裝置在保證測量結果準確的前提下，大幅縮短了測量時間，同時實現了可移動功能，滿足原位測量的需求。

1 物料含水率短時干燥法測量原理

烘干法水分測定儀法相較于烘箱法是一大進步，是其可以在干燥過程中，實時輸出物料含水率測量結果。因此，物料的含水率（失水質量分數）是關于干燥時間的函數，這為短時干燥法測量物料含水率提供了基礎。圖1為采用METTLER TOLEDO HE53水分分析儀對某物料樣品進行含水率測量的過程曲線，設置的烘干溫度為100 ℃，重復測量5次。由圖1可知，隨著時間增長，物料含水率呈現先快速增長、后趨于平穩的變化，且同一物料的含水率隨時間變化的曲線形狀一致。若得到某物料含水率隨時間變化的規律，則在測量過程中不必進行全時干燥，只需通過短時干燥獲取部分含水率測量數據。利用該部分數據預測最終的測量結果，以此達到縮短測量時間，實現快速測量的目的。

圖1 METTLER TOLEDO HE53水分分析儀測量某樣品含水率的曲線

圖2 物料短時干燥法測量原理

因此，物料含水率短時干燥法測量的關鍵問題有：

1）建立有效的含水率預測模型。對于某種確定的物料，在某個確定的生產環節中，都有一個相對固定的含水率，這使得含水率預測模型能有效建立。

2）對預測結果進行合理的修正。需要采用烘箱法獲得預測結果的修正值。

3）對最終測量結果進行誤差分析。這些誤差來自于預測模型、修正值、重復性測量等。

2 物料含水率測量標準裝置設計

2.1 裝置總體結構設計

以卷煙廠生產過程中對煙絲含水率原位測量需求為例，進行短時干燥法物料含水率測量標準裝置設計。依據所提出的技術要求：含水率測量時間縮減至標準烘箱法時間的三分之一，即40 min；含水率測量結果不確定度低于0.5%；裝置可移動且便于使用。裝置測量原理采用第1節中的短時干燥法測量原理。

裝置整體結構設計如圖3所示。圖3a為主體結構的三維設計圖，1為METTLER TOLEDO HE53鹵素水分分析儀，干燥溫度為50～160 ℃，最長干燥時間1 h，含水率顯示分辨力達到0.01%（質量分數），測量重復性低于0.15%，支持二次開發。2為工業觸屏電腦，作為上位機運行測量軟件。3為可充電電源，用于為裝置中集成的所有用電設備供電，賦予裝置獨立使用的能力。4為配電板，采用移動電源、市電直供兩路供電的形式，用于為鹵素水分儀、工業觸屏電腦等設備分配電源電能。裝置整體采用鋁型材和鈑金構成的框式箱體，并配置移動底盤和推桿，由輕耐QND-200電動推車改造而來，擁有2個前進擋位、1個倒車擋位以及巡航功能，實物如圖3b所示。

1.METTLER TOLEDO HE53鹵素水分分析儀； 2.工業觸屏電腦；3.可充電電源；4.配電板。

2.2 上位機測量軟件開發

上位機測量軟件使用C#語言編寫，在WinForm類庫上開發了UI界面。軟件包括測量模塊、實驗模塊、歷史記錄、使用說明4個模塊。其中測量模塊用于設置測量參數、控制水分儀測量、完成計算以及保存數據信息；實驗模塊用于對特定物料進行預處理實驗，并建立相應的預測修正模型；歷史記錄模塊和使用說明模塊，則用于調閱歷史測量記錄和裝置的使用說明。該裝置中，電腦與水分儀通過RS232通信，軟件設置以500 ms的采樣時間間隔讀取水分儀的測量數據。軟件測量模塊和實驗模塊的基本運行流程如圖4所示。

圖4 上位機軟件測量模塊和實驗模塊流程

3 基于K-近鄰算法的含水率預測模型及修正

3.1 K-近鄰預測模型建立及計算過程

3.1.1 訓練集樣本獲取

式中：為第i次測量t時刻的含水率（失水質量分數），； s。訓練集X的20次測量曲線如圖5所示。

3.1.2 加權K-近鄰預測模型建立

3.1.2.1 樣本間距離與回歸模型

表1 冪值不同取值條件下的預測平均誤差

Tab.1 Average prediction error under different values of power m

3.1.2.2 近鄰個數

近鄰個數的取值不宜過大或過小，若取值過小，則容易造成過擬合現象；若取值過大，則容易造成模型僵化，影響預測結果[15]。一般預設幾個較小的取值，對每一個預設值進行訓練，確定最佳取值。由于式（1）所示的訓練集只有20組樣本，若按照機器學習的一般習慣，即3∶1∶1的比例，將其劃分為訓練集、驗證集和測試集，則只有12組樣本參與值的訓練，且測試集和驗證集的樣本數量也較少，訓練出的值可信度較低，因此選擇交叉驗證法（Cross Validation）訓練值。交叉驗證法流程如圖6所示。

1.不同的螺紋類型不可以相互代用，否則會導致螺紋損壞。為防止對緊固件造成損壞，螺紋緊固件裝配時需先用手(或手指)擰緊螺栓或螺母的前3～5圈，否則很可能會造成損壞。

3.1.3 加權K-近鄰預測模型使用過程

3.2 K-近鄰預測結果修正

圖6 交叉驗證法流程

圖7 近鄰個數k不同取值條件下的預測平均誤差

表2 樣品A的烘箱法及HE53水分儀測量結果

Tab.2 Measurement results of sample A by oven method and HE53 moisture analyzer

4 含水率測量標準裝置不確定度評價及測量驗證實驗

4.1 含水率測量標準裝置不確定度評價

由3.1節、3.2節可知，標準裝置的含水率測量結果，與K-近鄰預測模型的預測誤差、HE53水分分析儀的測量重復性和標準烘箱法所得的修正值誤差有關。因此單次測量的不確定度應包含3個不確定度分量。

對不確定度分量進行合成，合成標準不確定度為：

4.2 含水率測量標準裝置測量驗證實驗

在卷煙廠制絲生產線5個不同工序（煙絲加香出口、松散回潮出口、切絲后、梗絲加料入口、梗絲干燥入口），分別抓取煙絲或梗絲樣品B、C、D、E、F按照3.1節、3.2節的流程建立各樣品的預測模型和修正值；使用含水率測量標準裝置對各樣品進行實際測量及不確定度評價，結果如表3所示。

由表3可知，含水率測量標準裝置測量了5種不同樣品的含水率值，其測量結果的擴展不確定度均低于0.5%；驗證了本文設計的含水率標準裝置以及配套的測量方法，在測量不同物料時均能滿足性能要求。

表3 5種樣品測試結果與不確定度評價

Tab.3 Test results and uncertainty evaluation of five samples

5 結語

本文針對生產現場物料含水率原位快速測量需求，研究并設計了物料含水率測量標準裝置。以HE53水分儀為核心部件進行可移動結構的設計，并開發了測量軟件，使其具有自動計算、快速測量、處理并儲存測量數據的能力。以卷煙廠提供的煙絲樣品測試需求為例，建立了以K-近鄰算法為基礎的含水率預測模型，并通過烘箱法對預測結果進行修正，在短時測量實現的同時具有較好的測量準確度。利用本裝置對5種不同的樣品進行了實測實驗。實驗結果表明，當測量時間設定為30 min時，測量結果展伸不確定度小于等于0.3%，滿足測量時間小于40 min、測量不確定度低于0.5%的性能要求，驗證了本裝置以及物料含水率短時干燥法測量原理是可行的。

本裝置同樣適用于茶葉、中草藥、食品等領域加工過程中的原位測量，或者對在線水分儀進行原位校驗。當應用于其他領域時，只需在前期針對不同物料進行數據積累后，即可將本裝置作為烘箱法的替代方法，進行物料含水率監控這類日常性工作。

[1] 盧鑫坡. 便攜式近紅外水分儀系統的研制[D]. 長春: 吉林大學, 2022: 1-6.

LU Xin-po. Development of Portable Near Infrared Moisture Meter System[D]. Changchun: Jilin University, 2022: 1-6.

[2] 譽東明, 鄭海偉. 配方變化對煙草TM710水分儀檢測偏差的影響研究[J]. 輕工科技, 2019, 35(5): 127-128.

YU Dong-ming, ZHENG Hai-wei. Study on the Influence of Formula Change on the Detection Deviation of Tobacco TM710 Moisture Meter[J]. Light Industry Science and Technology, 2019, 35(5): 127-128.

[3] 黃傳喜, 葛宗國, 張偉, 等. 煙絲輸送高度均勻性對紅外水分儀探測的影響[J]. 化纖與紡織技術, 2021, 50(9): 72-73.

HUANG Chuan-xi, GE Zong-guo, ZHANG Wei, et al. Influence of Tobacco Conveying Height Uniformity on Infrared Moisture Meter Detection[J]. Chemical Fiber & Textile Technology, 2021, 50(9): 72-73.

[4] 李昆, 肖靜, 彭楊, 等. 不同壓縮空氣壓力及測試距離對紅外水分儀測量誤差的影響[J]. 輕工科技, 2021, 37(7): 93-95.

LI Kun, XIAO Jing, PENG Yang, et al. Influence of Different Compressed Air Pressure and Test Distance on the Measurement Error of Infrared Moisture Meter[J]. Light Industry Science and Technology, 2021, 37(7): 93-95.

[5] GB 5009.3—2016, 食品安全國家標準食品中水分的測定[S].

GB 5009.3—2016, National Food Safety Standard -- Determination of Moisture in Food[S].

[6] 金玉立, 俞仁皓, 李佳節. 煙草制絲在線水分儀校準檢測方法的改進與應用[J]. 生物化工, 2021, 7(5): 40-43.

JIN Yu-li, YU Ren-hao, LI Jia-jie. Improvement and Application of Calibration and Detection Method of On-Line Moisture Meter for Silk Making[J]. Biological Chemical Engineering, 2021, 7(5): 40-43.

[7] ZHABENTSOVA O, GNUCHIKH E. Determining of Moisture Content of Tobacco for Hookah[J]. Proceedings of the Voronezh State University of Engineering Technologies, 2017, 79(1): 257-263.

[8] 王樂, 畢思強, 鄧國棟, 等. 基于干燥動力學的煙草含水率快速檢測方法[J]. 煙草科技, 2022, 55(10): 88-95.

WANG Le, BI Si-qiang, DENG Guo-dong, et al. A Rapid Detection Method for Moisture Content in Cured Tobacco Based on Drying Kinetics[J]. Tobacco Science & Technology, 2022, 55(10): 88-95.

[9] 王鵬. 烘干法數顯水分測I定儀不確定度的評定研究[J]. 儀器儀表標準化與計量, 2022(4): 36-37.

Wang Peng. Evaluation and Research of Uncertainty of Drying Digital Display Moisture Tester[J]. Instrument Standardization and Metrology, 2022(4): 36-37.

[10] 鄭藝. 烘干法模擬顯示水分測定儀測得值的不確定度評定[J]. 計量與測試技術, 2020, 47(1): 106-108.

ZHENG Yi. The Drying Method Simulates the Evaluation of the Uncertainty of the Value Measured by the Moisture[J]. Metrology & Measurement Technique, 2020, 47(1): 106-108.

[11] 杜麗雯. 烘干法水分測定儀的計量檢測和性能分析[J]. 現代商貿工業, 2021, 42(11): 167-168.

DU Li-wen. Measurement Detection and Performance Analysis of Drying Moisture Analyzer[J]. Modern Business Trade Industry, 2021, 42(11): 167-168.

[12] 李曉琳, 謝帥, 岳健. 基于KNN改進神經網絡的測試系統自動設計[J]. 計算機仿真, 2022, 39(5): 50-55.

LI Xiao-lin, XIE Shuai, YUE Jian. Automatic Design of Test System Based on Neural Network Improved by KNN[J]. Computer Simulation, 2022, 39(5): 50-55.

[13] ZOU Jian-feng, LI Hui. Precise Marketing of E-Commerce Products Based on KNN Algorithm[J]. Computational Intelligence and Neuroscience, 2022, 2022: 1-12.

[14] BULLEJOS M, CABEZAS D, MARTIN-MARTIN M, et al. A K-Nearest Neighbors Algorithm in Python for Visualizing the 3D Stratigraphic Architecture of the Llobregat River Delta in NE Spain[J]. Journal of Marine Science and Engineering, 2022, 10(7): 986.

[15] RATTANASAK A, UTHANSAKUL P, UTHANSAKUL M, et al. Real-Time Gait Phase Detection Using Wearable Sensors for Transtibial Prosthesis Based on a kNN Algorithm[J]. Sensors, 2022, 22(11): 4242.

Standard Device Design for Matter Moisture Content Measurement Based on KNN Algorithm

LI Zi-he1, LIU Sui-jun2, LIU Ying2, LIU Lei2, LI Shao-hua2, LIU Bin2, YIN Xin2, SHEN Xiao-yan1, HU Jia-cheng1

(1. College of Metrology and Measurement Engineering, China Jiliang University, Hangzhou 310018, China; 2. Nanyang Cigarette Factory, China Tobacco Henan Industrial Co., Ltd., Henan Nanyang 473007, China)

The work aims to design a standard device for matter moisture content measurement based on the short time drying method, in order to solve the problems of poor timeliness and improper installation of standard oven on production site. The device was mainly composed of a mobile chassis, a box, a moisture analyzer, a rechargeable battery, a power distribution board, an industrial touch screen computer and PC software. The prediction model of matter moisture content based on K-nearest neighbor (KNN) algorithm was established, and the correction relationship between the prediction results and the measurement results of standard oven method was obtained. The measurement experiment was carried out to the device with tobacco samples provided by the cigarette factory. When the measurement time was 30 min, the expanded uncertainty of the moisture content measurement result by the device was no more than 0.5%. This device can replace the oven method to monitor the moisture content of matters, and can also be used for the in-situ calibration of online moisture analyzer.

moisture content measurement; K-nearest neighbor algorithm (KNN); device design; oven method; moisture analyzer; error correction

TH86

A

1001-3563(2023)15-0194-08

10.19554/j.cnki.1001-3563.2023.15.025

2023?02?11

國家自然科學基金（61673358）；河南中煙工業有限責任公司重點項目（A202053）

李子赫（1997—），男，碩士生，主攻工業檢測及其自動化。

劉穎（1991—），女，工程師，主要研究方向為卷煙工藝與智能制造技術。

責任編輯：曾鈺嬋