劉擁軍　董春宵　楊　斌　高　博

(信息工程大學(xué)　鄭州　450000)

?

基于神經(jīng)網(wǎng)絡(luò)算法的糧食智能控制系統(tǒng)研究*

劉擁軍董春宵楊斌高博

(信息工程大學(xué)鄭州450000)

摘要糧食烘干過程是典型的非線性、多變量、大滯后、參數(shù)關(guān)聯(lián)耦合的非穩(wěn)態(tài)傳熱、傳質(zhì)過程。針對(duì)這一問題，設(shè)計(jì)了基于神經(jīng)網(wǎng)絡(luò)和模糊控制算法糧食烘干塔智能控制系統(tǒng)。仿真結(jié)果表明，在進(jìn)行一段時(shí)間的訓(xùn)練后，神經(jīng)網(wǎng)絡(luò)算法能夠?qū)娓蛇^程的各參數(shù)進(jìn)行學(xué)習(xí)，結(jié)合模糊控制算法能夠?qū)崿F(xiàn)對(duì)糧食烘干過程的自動(dòng)控制，使得烘干的糧食達(dá)到設(shè)定的水分值。

關(guān)鍵詞烘干塔; 神經(jīng)網(wǎng)絡(luò); 模糊控制; 智能控制

Class NumberTP273.9

1引言

我國(guó)現(xiàn)有大中型糧食烘干裝備7000多套，裝備水分在線檢測(cè)和控制裝置不足5%，基本都靠人工進(jìn)行控制，容易造成烘干過度的糧食浪費(fèi)及烘干不夠造成的能源浪費(fèi)。國(guó)家發(fā)展改革委和國(guó)家糧食局印發(fā)的《糧食行業(yè)“十二五”發(fā)展規(guī)劃綱要》中專門提出了完善烘干設(shè)施的建設(shè)目標(biāo)，在“十二五”期間“新建和改造一批糧食烘干設(shè)施，淘汰技術(shù)落后的烘干能力，使全國(guó)烘干能力保持在1.1億噸以上，其中東北地區(qū)9100萬噸以上，南方地區(qū)2000萬噸以上。在東北地區(qū)改進(jìn)烘干工藝和控制技術(shù)，節(jié)能減排，降低烘干成本，減少環(huán)境污染，保證烘后品質(zhì)”。基于這一目標(biāo)，開展了糧食烘干塔智能控制系統(tǒng)的研究[1]。

糧食干燥過程是典型的非線性、多變量、大滯后、參數(shù)關(guān)聯(lián)耦合的非穩(wěn)態(tài)傳熱、傳質(zhì)過程，傳統(tǒng)的PID控制算法難以實(shí)現(xiàn)有效控制，需要研究多變量、非線性、大滯后的預(yù)測(cè)模型。神經(jīng)網(wǎng)絡(luò)能夠根據(jù)訓(xùn)練的數(shù)據(jù)自適應(yīng)的學(xué)習(xí)多變量、非線性、大滯后系統(tǒng)的參數(shù)，通過訓(xùn)練之后，就能夠在糧食進(jìn)入烘干塔的時(shí)候，根據(jù)當(dāng)前的參數(shù)預(yù)測(cè)出糧食輸出的水分值，通過該預(yù)測(cè)值聯(lián)合其他參數(shù)作為模糊控制器的輸入?yún)?shù)，實(shí)現(xiàn)糧食傳送帶電機(jī)的控制，使得烘干的糧食達(dá)到設(shè)定的水分值[2]。

2總體方案設(shè)計(jì)

該系統(tǒng)由溫度/水分傳感器、數(shù)據(jù)采集和預(yù)處理模塊、控制模塊和顯示、頂層控制模塊組成，該系統(tǒng)擬采用全數(shù)字化傳輸?shù)姆绞剑源_保系統(tǒng)數(shù)據(jù)傳輸?shù)目煽啃院涂垢蓴_性能。同時(shí)采用高性能的ARM進(jìn)行數(shù)據(jù)的采集和處理，保證數(shù)據(jù)采集和處理的實(shí)時(shí)性。同時(shí)，采用模塊化設(shè)計(jì)，各個(gè)模塊具有獨(dú)立的功能，并能夠?qū)崿F(xiàn)自檢，將自檢信息上報(bào)，上位機(jī)形成整機(jī)的狀態(tài)信息，方便整機(jī)的監(jiān)測(cè)和故障的排除和維修。整體硬件架構(gòu)設(shè)計(jì)如圖1所示。

圖1　糧食烘干塔自動(dòng)控制系統(tǒng)硬件架構(gòu)設(shè)計(jì)

3神經(jīng)網(wǎng)絡(luò)及模糊控制算法

控制算法通過對(duì)輸入?yún)?shù)和輸出結(jié)果的處理，近年來，人們開始研究將基于專家系統(tǒng)的模糊控制方法應(yīng)用于糧食烘干塔的自動(dòng)控制系統(tǒng)[3～4]。但是由于烘干塔的延時(shí)很大，模糊控制系統(tǒng)的控制精度難以保證[5]。本系統(tǒng)根據(jù)糧食干燥過程的特點(diǎn)，將模糊控制與神經(jīng)網(wǎng)絡(luò)相結(jié)合，設(shè)計(jì)糧食烘干塔智能預(yù)測(cè)控制算法。

3.1模糊控制和神經(jīng)網(wǎng)絡(luò)相結(jié)合的控制算法流程

由于糧食烘干塔是一個(gè)大滯后、連續(xù)輸入的系統(tǒng)，系統(tǒng)有可能是一個(gè)矛盾系統(tǒng)，如，先輸入的糧食的水分比后輸入的糧食的水分要大很多；如只考慮當(dāng)前段糧食的控制參數(shù)就會(huì)使得先輸入的糧食在烘干塔中停留較長(zhǎng)時(shí)間，后輸入的糧食出來的時(shí)候的水分會(huì)小于設(shè)定值，甚至可能比設(shè)定值小很多。這種矛盾需要將相鄰段的糧食的控制參數(shù)聯(lián)合起來考慮，按照一定的權(quán)值進(jìn)行平滑，獲得綜合評(píng)估后的控制參數(shù)[6]?？梢圆捎脵?quán)值濾波的方法進(jìn)行聯(lián)合控制，即取控制參數(shù)U=a*U1+b*U2+c*U3，U1為第一段的控制參數(shù)，U2、U3為后續(xù)第二段、第三段的控制參數(shù)；a、b、c為權(quán)值，一般a取值較大，如0.85；b、c依次減小；也就是將第一段作為主控參數(shù)，后續(xù)的影響依次減小。

基于模糊控制和神經(jīng)網(wǎng)絡(luò)相結(jié)合的控制算法流程如圖2所示。

圖2　基于模糊控制和神經(jīng)網(wǎng)絡(luò)相結(jié)合的控制算法流程

該算法先進(jìn)行一段時(shí)間的訓(xùn)練，訓(xùn)練的過程主要是熟練工人進(jìn)行操作，控制系統(tǒng)將輸入口糧食溫度、水分、熱風(fēng)溫度等參數(shù)輸入到神經(jīng)網(wǎng)絡(luò)，得到神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的糧食輸出水分值，獲得該預(yù)測(cè)值和實(shí)際輸出水分測(cè)量值之間的差，利用該差值修正神經(jīng)網(wǎng)絡(luò)的內(nèi)部參數(shù)，通過自適應(yīng)算法逐步將內(nèi)部參數(shù)調(diào)整到較為理想的值，使得預(yù)測(cè)水分輸出值和實(shí)際測(cè)量值的誤差達(dá)到一定的范圍[8]。通過訓(xùn)練之后，就能夠在糧食進(jìn)入烘干塔的時(shí)候，根據(jù)當(dāng)前的參數(shù)預(yù)測(cè)出糧食輸出的水分值，通過該預(yù)測(cè)值聯(lián)合其他參數(shù)作為模糊控制器的輸入?yún)?shù)，實(shí)現(xiàn)糧食傳送帶電機(jī)的控制。

3.2神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的特點(diǎn)是信號(hào)前向傳遞，誤差反向傳遞，在前向傳遞中，輸入信號(hào)從輸入層經(jīng)隱含層逐層處理，直至輸出層。如果輸出層得不到期望輸出，則轉(zhuǎn)入反向傳播，根據(jù)預(yù)測(cè)誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，從而使神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出不斷逼近期望輸出。神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖3所示。

圖3　神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)

神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程主要包括以下幾個(gè)步驟[9]。

1) 網(wǎng)絡(luò)初始化。根據(jù)系統(tǒng)輸入輸出序列(X，Y)確定網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)n，隱含層節(jié)點(diǎn)數(shù)l，輸出層節(jié)點(diǎn)數(shù)m，初始化輸入層、隱含層和輸出層神經(jīng)元之間的連接權(quán)值ωij，ωjk，初始化隱含層閾值a，輸出層閾值b，給定學(xué)習(xí)速率和神經(jīng)元激勵(lì)函數(shù)。

2) 隱含層輸出計(jì)算。根據(jù)輸入向量X，輸入層和隱含層間連接權(quán)值ωij以及隱含層閾值a，計(jì)算隱含層輸出H：

式中，l為隱含層節(jié)點(diǎn)數(shù)；f為隱含層激勵(lì)函數(shù)，該函數(shù)有多種表達(dá)形式，可選函數(shù)為

3) 輸出層輸出計(jì)算。根據(jù)隱含層輸出H，連接權(quán)值ωjk和閾值b，計(jì)算神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出O：

4) 誤差計(jì)算。根據(jù)網(wǎng)絡(luò)預(yù)測(cè)輸出O和期望輸出Y，計(jì)算網(wǎng)絡(luò)預(yù)測(cè)誤差e。

5) 權(quán)值更新。根據(jù)網(wǎng)絡(luò)預(yù)測(cè)誤差e更新網(wǎng)絡(luò)連接權(quán)值ωij，ωjk：

i=1,2,…,m;j=1,2,…,l

ωjk=ωjk+ηHjekj=1,2,…,l;k=1,2,…,m

式中，η為學(xué)習(xí)速率。

6) 閾值更新。根據(jù)網(wǎng)絡(luò)預(yù)測(cè)誤差e更新網(wǎng)絡(luò)節(jié)點(diǎn)閾值a,b：

bk=bk+ekk=1,2,…,m

7) 判斷算法迭代是否結(jié)束，若沒有結(jié)束，返回步驟2)。

當(dāng)訓(xùn)練結(jié)束后，就可以根據(jù)新的輸入值得到預(yù)測(cè)值。這里采用的輸入數(shù)據(jù)包括：入口糧食溫度、入口糧食水分值、熱風(fēng)溫度(可能有多個(gè))、電機(jī)轉(zhuǎn)速；輸出的參數(shù)是預(yù)測(cè)出口處糧食的水分和溫度)。

具體的過程包括訓(xùn)練階段和工作階段，訓(xùn)練階段主要是通過已知結(jié)果的數(shù)據(jù)的訓(xùn)練獲得網(wǎng)絡(luò)節(jié)點(diǎn)的權(quán)值。工作階段是在權(quán)值穩(wěn)定后，實(shí)時(shí)獲得預(yù)測(cè)的出口處糧食的水分。

1) 訓(xùn)練階段

糧食從入口到出口可以認(rèn)為是分段進(jìn)行的，需要對(duì)某一段糧食的入口溫度和水分進(jìn)行平均，作為神經(jīng)網(wǎng)絡(luò)的輸入值。出口水分的處理也是一段糧食的平均值。最為復(fù)雜的是糧食從入口到出口的時(shí)間段內(nèi)熱風(fēng)溫度是不斷變化的，不同的熱風(fēng)溫度對(duì)糧食的干燥影響系數(shù)不是線性的，所以不能簡(jiǎn)單地將這個(gè)過程中的熱風(fēng)溫度平均，而是要對(duì)不同溫度的熱風(fēng)和其作用時(shí)間及影響系數(shù)進(jìn)行加權(quán)后求平均，作為神經(jīng)網(wǎng)絡(luò)的熱風(fēng)溫度輸入?yún)?shù)。不同的熱風(fēng)溫度對(duì)糧食的干燥影響系數(shù)需要專家提供知識(shí)，并通過測(cè)試進(jìn)行調(diào)整。如果能夠在烘干塔上均勻安裝多個(gè)熱風(fēng)溫度傳感器，那么這個(gè)復(fù)雜的熱風(fēng)溫度和水分模型就能夠通過神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)獲得其非線性參數(shù)；如果不能安裝多個(gè)熱風(fēng)溫度傳感器，那么熱風(fēng)平均溫度的平均值的計(jì)算模型將是本系統(tǒng)性能的一個(gè)關(guān)鍵點(diǎn)。

訓(xùn)練的頻度可以根據(jù)輸入?yún)?shù)的數(shù)量、隱含層節(jié)點(diǎn)數(shù)和實(shí)際測(cè)試的數(shù)據(jù)進(jìn)行調(diào)整，從硬件層面上來說，訓(xùn)練頻度可以做到每秒幾十次，但是實(shí)際的輸入和輸出參數(shù)的變換頻度不高，不需要這么高的訓(xùn)練頻度，可以根據(jù)實(shí)際情況進(jìn)行調(diào)整。

2) 工作階段

工作階段一般不根據(jù)誤差調(diào)整網(wǎng)絡(luò)節(jié)點(diǎn)的權(quán)值。由于本系統(tǒng)一直可以獲得實(shí)際的輸出結(jié)果，雖然該結(jié)果有很大的滯后性，如預(yù)測(cè)值是在糧食進(jìn)入時(shí)獲得的，而實(shí)際結(jié)果需要幾個(gè)小時(shí)后才能獲得。但是可以將先前的預(yù)測(cè)數(shù)據(jù)和后面的實(shí)測(cè)數(shù)據(jù)保存，用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)，這時(shí)，可以將學(xué)習(xí)速率η設(shè)為一個(gè)較小的值，使得網(wǎng)絡(luò)節(jié)點(diǎn)的權(quán)值的調(diào)整受結(jié)果的影響較??；這樣，神經(jīng)網(wǎng)絡(luò)在進(jìn)行不斷訓(xùn)練的同時(shí)，保持系統(tǒng)參數(shù)的穩(wěn)定性。

通過訓(xùn)練階段的神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)的權(quán)值的訓(xùn)練，獲得較為穩(wěn)定的系統(tǒng)參數(shù)，這個(gè)參數(shù)其實(shí)是糧食出口水分和糧食入口溫度、水分、熱風(fēng)溫度、傳送帶速度等因素的非線性擬合函數(shù)。當(dāng)糧食從入口處進(jìn)入的時(shí)候，就可以根據(jù)當(dāng)前的參數(shù)預(yù)測(cè)出這部分糧食在當(dāng)前的條件下到達(dá)出口處的水分，根據(jù)預(yù)測(cè)的水分值調(diào)整系統(tǒng)的參數(shù)，主要是傳送帶的速度，就能夠在出口處獲得較為理想的糧食水分?？刂苽魉蛶俣戎饕遣捎媚：刂频姆椒?。

3.3模糊控制

本系統(tǒng)擬使用的模糊推理算法為Mamdani，Mamdani模糊推理算法屬于關(guān)系合成推理算法(簡(jiǎn)稱為CRI方法)，這種算法的基本原理可敘述如下：用一個(gè)模糊集合表述大前提中全部模糊條件語句前件的基礎(chǔ)變量和后續(xù)的基礎(chǔ)變量之間的關(guān)系；用一個(gè)模糊集合表述小前提，進(jìn)而用基于模糊關(guān)系的模糊變換運(yùn)算給出推理結(jié)果。結(jié)構(gòu)框圖如圖4所示。

圖4　模糊控制流程圖

實(shí)際的控制過程是先將輸入的精確量轉(zhuǎn)換為模糊量，以便進(jìn)行模糊推理和決策。模糊推理決策的主要功能是模仿人的思維特征，根據(jù)總結(jié)人工控制策略取得的語言控制規(guī)則進(jìn)行模糊推理，并決策出模糊輸出控制量。然后對(duì)經(jīng)模糊推理決策后得到的模糊控制量進(jìn)行模糊判決，把輸出模糊量轉(zhuǎn)化為精確量后，控制被控對(duì)象[10]。實(shí)際常用的實(shí)現(xiàn)方法是將系統(tǒng)模糊控制規(guī)則表存起來，根據(jù)輸入的模糊變量查表得到模糊控制數(shù)量，這樣做的好處是不用實(shí)時(shí)計(jì)算，只需要查表，大大節(jié)省了計(jì)算時(shí)間。同時(shí)，可以根據(jù)專家的經(jīng)驗(yàn)和建議修改模糊控制規(guī)則表，非常直接地對(duì)控制系統(tǒng)進(jìn)行調(diào)整，不需要修改算法的處理流程。

E為預(yù)測(cè)糧食出口的水分與設(shè)定的糧食出口水分之差，變化范圍為-3%～3%，超過范圍的值取±3%，量化域?yàn)閇-6,-5,…,5,6]。量化因子為0.5%。也可以采用非均勻量化。

U為電機(jī)轉(zhuǎn)速的速率變化控制量,當(dāng)預(yù)測(cè)水分比設(shè)定水分大的時(shí)候降速，反之，則加速電機(jī)的轉(zhuǎn)速。變化范圍為[-30r/s,30r/s]，量化域?yàn)閇-6,-5,…,5,6]。量化因子為5r/s。

根據(jù)上述參數(shù)，得到控制規(guī)則表如表1所示。

表1　控制規(guī)則表

控制的過程是將輸入值量化后，查表獲得控制量，將控制量轉(zhuǎn)換為電機(jī)轉(zhuǎn)速的增加或減少量，按照一定的頻度更新輸入?yún)?shù)，再次查表獲得新的控制量。最終的結(jié)果是預(yù)測(cè)水分值和設(shè)定水分值達(dá)到一致。

4數(shù)值仿真

這里主要是仿真神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練過程、預(yù)測(cè)過程和電機(jī)調(diào)整過程的仿真，通過仿真獲得這幾個(gè)過程中的幾個(gè)重要參數(shù)。

4.1訓(xùn)練過程

訓(xùn)練數(shù)據(jù)90組，包括入口水分、熱風(fēng)溫度和電機(jī)轉(zhuǎn)速三個(gè)輸入?yún)?shù)，輸出參數(shù)為出口水分。輸入數(shù)據(jù)模型參考文獻(xiàn)。神經(jīng)網(wǎng)絡(luò)采用變學(xué)習(xí)率學(xué)習(xí)算法。迭代次數(shù)越多，誤差越小，但是計(jì)算量也隨之增大。50次迭代后，神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)誤差和實(shí)際的輸出誤差的關(guān)系如圖5所示，最終的預(yù)測(cè)誤差為2.99×10-5。能夠滿足實(shí)際系統(tǒng)的需要。

4.2預(yù)測(cè)過程

在完成訓(xùn)練后，用110組數(shù)據(jù)對(duì)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試，這里不進(jìn)行輸出參數(shù)及電機(jī)轉(zhuǎn)速的調(diào)整，主要是測(cè)試訓(xùn)練參數(shù)的準(zhǔn)確性。測(cè)試的預(yù)測(cè)輸出和模型的輸出的關(guān)系如圖6所示，誤差如圖7所示，預(yù)測(cè)誤差的標(biāo)準(zhǔn)差為0.0122%。通過測(cè)試數(shù)據(jù)的測(cè)試可以看出，神經(jīng)網(wǎng)絡(luò)能夠較好地根據(jù)輸入數(shù)據(jù)對(duì)出口處的水分進(jìn)行預(yù)測(cè)，預(yù)測(cè)精度較高。

圖5　神經(jīng)網(wǎng)絡(luò)算法訓(xùn)練誤差

圖6　預(yù)測(cè)輸出和模型輸出對(duì)比

圖7　預(yù)測(cè)輸出的誤差

4.3對(duì)電機(jī)的調(diào)整

在對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練完成后，設(shè)定糧食出口處的期望水分值，然后根據(jù)輸入?yún)?shù)預(yù)測(cè)當(dāng)前參數(shù)下糧食出口的水分值，然后根據(jù)預(yù)測(cè)值和期望值之間的差作為參數(shù)，調(diào)整電機(jī)的速度，通過多次迭代后，直到將電機(jī)的速度調(diào)整到使得預(yù)測(cè)輸出和期望輸出的差滿足要求，這里設(shè)定該差值小于0.01%。該方法的一個(gè)關(guān)鍵是電機(jī)調(diào)整的參數(shù)，這里采用的是自適應(yīng)最陡下降法來調(diào)整電機(jī)的轉(zhuǎn)速。該方法能夠根據(jù)誤差的大小自適應(yīng)調(diào)整步長(zhǎng)，在保證收斂速度的同時(shí)，保證了最終的精度。

圖8為設(shè)定出口處糧食水分值為14%時(shí)，自適應(yīng)調(diào)整電機(jī)轉(zhuǎn)速后的輸出水分。圖9為6組數(shù)據(jù)的電機(jī)轉(zhuǎn)速調(diào)整過程。圖10為進(jìn)行電機(jī)調(diào)整后，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出值和設(shè)定值之間的誤差，110組數(shù)據(jù)的標(biāo)準(zhǔn)差為0.0032%。圖11為訓(xùn)練數(shù)據(jù)長(zhǎng)度和誤差最大值的關(guān)系，從圖中可以看出100次訓(xùn)練后，算法就能夠達(dá)到收斂。從圖8～圖11中可以看出，以預(yù)測(cè)水分值和設(shè)定水分值之間的差為調(diào)整參數(shù)，通過自適應(yīng)算法調(diào)整電機(jī)轉(zhuǎn)速后，能夠使得神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值和設(shè)定值之間的誤差很小。

圖8　電機(jī)調(diào)整前后的糧食輸出水分值

圖9　電機(jī)轉(zhuǎn)速的調(diào)整過程

圖10　預(yù)測(cè)輸出水分值和設(shè)定值之間的誤差

圖11　訓(xùn)練數(shù)據(jù)長(zhǎng)度和誤差最大值的關(guān)系

從仿真的結(jié)果來看，可以得出以下結(jié)論：

1) 神經(jīng)網(wǎng)絡(luò)能夠根據(jù)訓(xùn)練數(shù)據(jù)對(duì)烘干塔進(jìn)行建模，訓(xùn)練后的預(yù)測(cè)水分值和根據(jù)模型計(jì)算的水分值的誤差較小，能夠滿足實(shí)際應(yīng)用的要求。這里雖然采用的是較為簡(jiǎn)單的線性模型，但是即使采用更高階的模型，訓(xùn)練的效果也很好(仿真中進(jìn)行了二階模型的實(shí)驗(yàn)，誤差和線性模型相當(dāng))。

2) 訓(xùn)練的數(shù)據(jù)量和迭代次數(shù)的要求都不高，運(yùn)算量不是太大，實(shí)際系統(tǒng)能夠在較短的時(shí)間內(nèi)實(shí)現(xiàn)。

3) 采用自適應(yīng)算法對(duì)電機(jī)轉(zhuǎn)速進(jìn)行調(diào)整，能夠在較短的時(shí)間內(nèi)獲得最佳的電機(jī)轉(zhuǎn)速，使得預(yù)測(cè)水分值和設(shè)定水分值之間的誤差很小。

神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的精度高；同時(shí)，自適應(yīng)調(diào)整電機(jī)后，預(yù)測(cè)值和設(shè)定值的誤差?。徽f明采用上述算法能夠?qū)崿F(xiàn)糧食烘干塔的自動(dòng)控制。

5結(jié)語

神經(jīng)網(wǎng)絡(luò)能夠通過訓(xùn)練階段獲得網(wǎng)絡(luò)節(jié)點(diǎn)的權(quán)值，從而獲得糧食出口水分和糧食入口溫度、水分、熱風(fēng)溫度、傳送帶速度等因素的非線性擬合函數(shù)。當(dāng)糧食從入口處進(jìn)入的時(shí)候，就可以根據(jù)當(dāng)前的參數(shù)預(yù)測(cè)出這部分糧食在當(dāng)前的條件下到達(dá)出口處的水分，根據(jù)預(yù)測(cè)的水分值和期望的水分只差，采用最陡下降法獲得傳送帶速度的調(diào)整參數(shù)，通過基于專家知識(shí)的模糊控制調(diào)整傳送帶的速度，能夠在出口處獲得較為理想的糧食水分。

參 考 文 獻(xiàn)

[1] 張立輝.谷物干燥過程模擬及測(cè)控新方法的研究[D].長(zhǎng)春:吉林大學(xué),2014.

ZHANG Lihui. Research on Grain Drying Process Simulation and the New Method for Measurement and Control[D]. Changchun: Jilin University,2014.

[2] 張亞秋.糧食干燥過程水分檢測(cè)與自動(dòng)控制[D].長(zhǎng)春:吉林大學(xué),2012.

ZHANG Yaqiu. Grain Drying Process Water Detection and Automatic Control[D]. Changchun: Jilin University,2012.

[3] 李麗娜.典型非線性控制系統(tǒng)的智能預(yù)測(cè)控制研究[D].天津:河北工業(yè)大學(xué),2008.

LI Lina. Research on Intelligent Predictive Control of Typical Non-linear Control System[D]. Tianjin: Hebei Industry University,2008.

[4] 周鋼霞,崔國(guó)華,趙學(xué)工,等.一種新型的糧食干燥塔智能控制系統(tǒng)[J].糧食與食品工程,2005,12(3):25-27.

ZHOU Gangxia, CUI Guohua. New Intelligent Control System for Grain Drying[J]. Cereal and Food Industry,2005,12(3):25-27.

[5] 朱德泉,錢良存,駱敏舟.谷物干燥過程模糊支持向量機(jī)控制器的設(shè)計(jì)[J].電子測(cè)量與儀器學(xué)報(bào),2009,23(4):80-85.

ZHU Dequan, QIAN Liangcun. The Design of the Grain Drying Process Fuzzy Support Vector Machine Controller[J]. Journal of Electronic Measurement and Instrument,2009,23(4):80-85.

[6] 李國(guó)昉,毛志懷,齊玉斌.糧食干燥過程控制[J].中國(guó)糧油學(xué)報(bào),2006,21(2):107-110.

LI Guofang, MAO Zhihuai. Grain Drying Process Control[J]. Journal of the Chinese Cereals and Oils Association,2006,21(2):107-110.

[7] 王士軍,毛志懷.連續(xù)流糧食干燥控制系統(tǒng)變量分析與結(jié)構(gòu)設(shè)計(jì)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2009,40(5):115-118.

WANG Shijun, MAO Zhihuai. Variable Analysis and Structural Design on Automatic Control System of Continuous Flow Grain Drying[J]. Transactions of the Chinese Society for Agricultural Machinery,2009,40(5):115-118.

[8] 劉輝,張吉禮.烘干塔智能預(yù)測(cè)控制系統(tǒng)軟件的開發(fā)[J].計(jì)算機(jī)測(cè)量與控制,2005,11(9):713-715.

LIU Hui, ZHANG Jili. Software Development of the Grain Dryers Intelligent Prediction Control[J]. Computer Measurement and Control,2005.11(9):713-715.

[9] 劉淑榮,于楓.模糊專家系統(tǒng)在糧食烘干控制過程中的應(yīng)用[J].現(xiàn)代電子技術(shù),2005,11:64-66.

LIU Shurong, YU Feng. Application of Fuzzy Expert System in Control of Foodstuff Drying[J]. Modern Electronic Technology,2005,11:64-66.

[10] 劉建軍,王振濤.糧食烘干塔測(cè)控系統(tǒng)的研究[J].糧油加工與食品機(jī)械,2005,1:67-69.LIU Jianjun, WANG Zhentao. Research of the Grain Dryers measurement and control system[J]. Machinery for Cereals Oil and Food Processing,2005,1:67-69.

收稿日期:2016年1月10日,修回日期:2016年2月20日

基金項(xiàng)目:河南省科技攻關(guān)項(xiàng)目“糧食烘干塔智能控制系統(tǒng)開發(fā)”資助。

作者簡(jiǎn)介:劉擁軍，男，博士，講師,研究方向：信息與通信工程。董春宵，女，碩士，講師，研究方向：電子科學(xué)與技術(shù)。楊斌，男，碩士，講師，研究方向：電子科學(xué)與技術(shù)。高博，男，博士，副教授，研究方向：信息與通信工程。

中圖分類號(hào)TP273.9

DOI:10.3969/j.issn.1672-9722.2016.07.018

Intelligent Control System of Grain Drying Based on Neural Network

LIU YongjunDONG ChunxiaoYANG BinGAO Bo

(PLA Information Engineering University, Zhengzhou450000)

AbstractGrain drying process is a typical nonlinear, multi variable, large lag, parameter associated coupled unsteady heat transfer and mass transfer process. According to this problem, the intelligent control system based on neural network and fuzzy control algorithm is designed. The simulation results show that, after a period of training, neural network algorithm can be used to study the parameters of drying process, combined with fuzzy control algorithm to achieve automatic control of grain drying process, so that the drying of grain to achieve the set of water value.

Key Wordsdrying tower, neural network, fuzzy control, intelligent control