專利名稱：基于模糊神經(jīng)網(wǎng)絡的谷物干燥預測控制系統(tǒng)及方法
技術領域：
本發(fā)明屬于自動控制領域，特別涉及一種基于模糊神經(jīng)網(wǎng)絡的谷物干燥預測控制系統(tǒng)及方法。
背景技術：
糧食干燥是糧食生產(chǎn)中最重要的環(huán)節(jié)，發(fā)展糧食干燥機是農(nóng)業(yè)現(xiàn)代化的重要組成部分。國內(nèi)外現(xiàn)在使用的糧食干燥機按其結構及干燥原理來分主要有順流式、橫流式、混流式、逆流式和內(nèi)循環(huán)移動式干燥機。國際上生產(chǎn)順流式糧食干燥機的廠家有美國的York公司，F(xiàn)arrell-Rose公司，Bird公司和加拿大的Westlaken等公司。國外生產(chǎn)橫流干燥機的主要廠家有美國的Zimmerman，Airstream，Superb，Behlen，GSI，M-C等公司?；炝魇郊Z食干燥機是目前世界上應用最廣泛的一種糧食干燥設備。世界上生產(chǎn)大型混流式干燥機的公司很多，還有加拿大的Vertec、德國的Stela、意大利的Mulmix和美國蘆州大學干燥機(Lsu)等。俄羅斯生產(chǎn)的糧食干燥機幾乎全是混流式。據(jù)統(tǒng)計我國農(nóng)用糧食干燥機的擁有量約1萬余臺，而日本僅水稻干燥機的擁有量就是150萬臺，但這此系統(tǒng)水分的自動控制問題一直沒有解決。
在技術發(fā)展方面，隨著電子計算機的迅速發(fā)展，已逐步實現(xiàn)谷物干燥設備自動化管理控制和指導操作。在美國，農(nóng)業(yè)工程推廣人員已經(jīng)開發(fā)出很多便于農(nóng)民、工廠技術人員和干燥機操作人員使用的谷物干燥程序，如內(nèi)布拉斯加的AGNET系統(tǒng)，密執(zhí)安的TELPAN系統(tǒng)和印第安那的FACTS系統(tǒng)。在日本，已研制出多種多功能的大型谷物干燥設備，而且干燥過程和管理全部由計算機完成。從節(jié)省能源提高谷物干燥品質方面考慮，國外正在研制遠紅外與熱風結合供熱，橫置多槽式循環(huán)干燥機。我國谷物干燥機的研制工作起步較晚，目前存在機種較少，規(guī)模小，技術水平低等缺點。但現(xiàn)在已經(jīng)開始探索新技術在谷物干燥過程的應用問題，如微波干燥、低溫干燥、脈動燃燒干燥、過熱蒸汽干燥和計算機控制等，干燥設備正向大型化、自動化和低能耗方向發(fā)展?，F(xiàn)世界應用的干燥控制儀僅加拿大的有，但其原理是仍根據(jù)反饋控制原理，應用效果不理想，也沒有在我國普及應用。我國國家糧食局在2001年進行一次干燥控制系統(tǒng)研究的試點試驗，共8個科研單位18家企業(yè)參加，但由于各家仍采用反饋控制原理，沒有達到預期的研究成果。
糧食干燥是一個復雜的強非線性、大滯后的熱質交換過程，它不僅受物料特性和介質參數(shù)的影響，而且還與氣候條件和干燥工藝有重要關系。它不僅是一個物理過程，而且還是一個生物和化學過程。對干燥的要求不僅是去除水分，而且要求保留它的營養(yǎng)成分和化學成分，有時還要保持它的色香味。糧食干燥質量取決于谷床厚度、谷物流速、谷物的初始含水率、谷物溫度、密度膨脹率、最終含水率、熱風溫度和濕度八個因素。而在糧食干燥過程中，入機糧的含水率及糧食品質(密度的膨脹率)變化的隨機性比較大，致使準確控制糧食的最終干燥品質很難。但從熱力學角度看，糧食干燥機是一個開放式熱力學系統(tǒng)。熱質交換程度將直接影響干燥內(nèi)部的狀態(tài)，而機內(nèi)溫度變化規(guī)律將是內(nèi)部狀態(tài)變化的可觀測的指標，也是機內(nèi)熱質交換的程度的標識。因此，根據(jù)干燥內(nèi)溫度變化規(guī)律，預測玉米的干燥特征及并規(guī)劃出機內(nèi)狀態(tài)對排糧速度的影響，及時采取措施調節(jié)排糧速度是解決玉米干燥的兩個關鍵問題。
說明內(nèi)容針對糧食干燥這一復雜的強非線性、大滯后的、多干擾熱質交換過程控制難的問題，本發(fā)明提供一種基于模糊神經(jīng)網(wǎng)絡的谷物干燥預測控制系統(tǒng)及方法。
本發(fā)明系統(tǒng)包括傳感器、傳感器信號轉接板、數(shù)據(jù)采集板、計算機、系統(tǒng)電源以及隔離電源，傳感器與糧食干燥機相連，傳感器信號轉接板分別與傳感器、數(shù)據(jù)采集板、隔離電源相連，計算機分別與數(shù)據(jù)采集板、系統(tǒng)電源相連，隔離電源與系統(tǒng)電源相連，如圖1所示。
其中計算機嵌入了谷物預測干燥控制功能模塊，包括系統(tǒng)參數(shù)統(tǒng)計模塊、排糧速度預測模塊、出機糧含水率預測模塊和出機糧含水率預測控制模塊，其中系統(tǒng)參數(shù)統(tǒng)計模塊包括系統(tǒng)傳感器標定模塊、干燥機結構參數(shù)設置模塊、溫度及排糧速度統(tǒng)計模塊。
系統(tǒng)參數(shù)統(tǒng)計模塊根據(jù)干燥機結構參數(shù)，對系統(tǒng)檢測數(shù)據(jù)進行統(tǒng)計計算，實現(xiàn)兩種功能，一是采樣出機糧樣本后，通過烘箱化驗出含水率，再統(tǒng)計計算出樣本糧層通過各干燥段和緩蘇段時溫度、熱風溫度、排糧速度信息，為出機糧含水率預測模塊提供訓練樣本數(shù)據(jù)；二是在實時控制過程中，對干燥谷物各層在不同段工藝參數(shù)進行統(tǒng)計計算，為排糧速度預測神經(jīng)網(wǎng)絡系統(tǒng)提供在線訓練樣本數(shù)據(jù)和速度預測數(shù)據(jù)，同時也為出機糧含水率預測神經(jīng)網(wǎng)絡模塊提供輸入數(shù)據(jù)，實現(xiàn)出機糧含水率的在線預測；系統(tǒng)控制模塊根據(jù)排糧速度預測結果和出機糧含水率預測結果，調節(jié)干燥機排糧電機的設定頻率，控制出機糧含水率。其中干燥機結構參數(shù)設置模塊中干燥機結構參數(shù)包括干燥機長、寬和高；干燥機內(nèi)干燥段和緩蘇段個數(shù)；各干燥段溫度進氣與出氣五角通風盒的位置；各五角通風盒截面積與數(shù)量；各段傳感器布置位置(要求接近各段尾部)；冷卻段位置與五角通風盒截面積、數(shù)量；上下料位開關的位置。
本發(fā)明控制方法包括一、傳感器標定模塊對溫度傳感器進行在線標定第i只傳感器的斜率ki計算為ki=Ti2-Ti1Ci2-Cii1---(1)]]>式中Ti1為第i只溫度傳感器標定時低溫溫度值；Ti2為第i只溫度傳感器標定時低溫溫度值；Ci1為第i只溫度傳感器標定時低溫溫度對應的采樣值；Ci2為第i只溫度傳感器標定時高溫溫度對應的采樣值；i＝1、2、...、n；n為系統(tǒng)中溫度傳感器的數(shù)量。
采樣過程溫度轉換計算公式為T＝ki(Ci-Ci1)+Ti1(2)式中Ci為第i只傳感器當時采樣碼值；T為溫度值。
二、糧層干燥過程溫度及排糧速度統(tǒng)計分析1.計算干燥機內(nèi)排糧速度設干燥機上部兩個料位之間距離為h0，截面積為A，第i次上料結束時時間(上料位開關下跳變)為ti0而谷物層面運行到下料位開關時時間為ti1，則谷物在時間區(qū)段ti0＜t＜ti1的體積流速和線性流速分別為UVi=Ah0ti1-ti0---(3)]]>vhi=h0ti1-ti0---(4)]]>式中UVi為體積流量；vhi為線性流量。
而在每次上料時間區(qū)段ti1＜t＜t(i+1)0內(nèi)，線性流量由vhi，vh(i+1)按線性插值進行計算，即vhi→(i+1)(t)=vhi+t-ti1t(i+1)0-ti1(vh(i+1)-vhi)---(5)]]>式中vhi為前一次檢測計算得線性流量；vh(i+1)為后一次檢測計算得線性流量。
2.計算干燥段當量高度由于每個干燥段設置在兩層五角通風盒之間，實際容積減小。為了便于計算，將原干燥段的高度按原干燥機截面積換算成當量高度，其計算方法如下h′=h-nV0A---(6)]]>式中h′為干燥段當量高度；h為干燥段的原始高度；V0為一個五角通風盒的體積；n為干燥段五角通風盒數(shù)量。
3.計算出機糧通過干燥機固定位置時間在試驗過程中，對出機糧采樣后進行烘箱化驗，檢測出機糧出機含水率。再根據(jù)樣本采樣時間和系統(tǒng)所記錄的流量信息，反推計算出此層玉米通過干燥機不同位置時的時間。設采樣時間為t0，則此玉米層通過干燥機內(nèi)距離底部h高度時的時間t為hA=∫tt0UVdt---(7)]]>式中UV為體積速度。
通過查系統(tǒng)料位開關跳變時間檢測歷史記錄表，再利用式(3)和(4)，對式(7)進行從t0開始反向數(shù)值積分和一維搜索，即可求出谷物通過固定位置的時間t。
4.計算糧層通過各段平均速度和溫度糧層通過某一段的平均速度設為糧層通過此段的速度。通過式(7)一維搜索，可以求得采樣糧層進入此段和離開此段時的時間t1和t2，若該段高度(當量高度)為hi，則糧層通過本段的線速度為vh=hit2-t1---(8)]]>糧層通過某一段時溫度受前后糧層干燥特性的影響較大，傳感器檢測溫度是前后糧層綜合作用的結果。當此糧層在傳感器檢測點上時，其影響最大；而離檢測點越遠，對檢測溫度影響越小。所以采用加權平均求得一個綜合值作為該糧層通過此段的溫度。為方便起見，采用三角法進行加權平均處理。由于在短時間內(nèi)排糧速度變化較小，所以三角形法以時間為基礎。設糧層進入某段時的時間為ta，在檢測點的時間為tb，離開此段的時間為tc，如圖2所示，則權值計算公式為w(t)=t-tatb-tata<t≤tbt-tbtc-tbtb<t≤tc---(9)]]>式中t為時間。
若采樣糧層通過某段時對應溫度傳感器的采樣值為T1，T2，…，Tn，則加權平均溫度為T‾=Σi=1nwi(ti)TiΣi=1nwi(ti)---(10)]]>式中n為采樣點數(shù)；wi為權值；Ti為第個采樣點的溫度；ti為第i個采樣點采樣時間。
指定糧層通過任一干燥段時的熱風溫度則直接取該段通過此干燥段時的熱風溫度平均值。
三、建立出機糧含水率回歸模糊神經(jīng)網(wǎng)絡的預測模型1.干燥過程中熱質交換與過程溫度關系分析在現(xiàn)場試驗過程，我們檢測了谷物在各干燥末和緩蘇段末的溫度，結果發(fā)現(xiàn)谷物在多段干燥過程中溫度的變化存在著較大的差異性，即谷物在干燥過程中在各緩蘇段末溫度與相應干燥段檢測所得溫度差有大于零、小于零和等于零三種情況。從谷物顆粒結構上看，谷物顆粒由表皮層、胚乳和胚芽組成。表皮層起阻止內(nèi)部水分蒸發(fā)，保護顆粒的作用。谷物作為多孔介質，在干燥過程中水分向外遷移的力有溫度梯度作用下的熱擴散、水分濃度梯度作用下的濃度擴散、毛細勢作用下的毛細流動、壓力梯度作用下的氣相或液相滲流或對流流動等。而干燥過程中顆粒內(nèi)部溫度分布和水分傳輸形式目前有四種假設模型即①顆粒內(nèi)部溫度由內(nèi)向外逐漸升高，而顆粒間空氣溫度恒定，且為顆粒表面溫度；水分在顆粒內(nèi)部解吸附汽化，并以氣態(tài)形式向表面遷移；②顆粒內(nèi)部溫度恒定，顆粒間氣體溫度隨遠離顆粒表面逐漸升高，水分在內(nèi)部解吸附汽化，并以氣態(tài)形式向表面遷移；③顆粒內(nèi)部溫度由內(nèi)向外逐漸升高，而顆粒間隙溫度恒定，且為顆粒表面溫度；水分以液態(tài)形式向外移動，在顆粒表面解吸附汽化；④顆粒內(nèi)部溫度恒定，顆粒間氣體溫度隨遠離顆粒表面逐漸升高，水分以液態(tài)形式向表面遷移，在顆粒表面解吸附汽化。試驗結果證明顆粒內(nèi)部溫度由內(nèi)向外逐漸升高，而顆粒間空氣溫度恒定，且為顆粒表面溫度；水分在內(nèi)部解吸附汽化，并以氣態(tài)形式壓力梯度作用下沿毛細通道滲流向表面遷移是谷物干燥過程水分干燥的主要形式。
另外，在緩蘇段，由于谷物顆粒間隙內(nèi)量較小，所以認為緩蘇過程谷物顆粒與氣體不存在能量交換和物質交換。因此，基于上述模型，提出以下假設①如果谷物層到達緩蘇段末的溫度高于玉米層通過對應干燥段尾部時的溫度，則認顆粒內(nèi)部汽化水分有較多的滯留的顆粒內(nèi)部，而進入緩蘇段后凝結成水，放出熱量致使玉米顆粒溫度升高。
②如果谷物層到達緩蘇段末的溫度低于玉米層通過對應干燥段尾部時的溫度，則認為谷物顆粒內(nèi)部汽化水分有較少的滯留在顆粒內(nèi)部，由于顆粒內(nèi)部溫度內(nèi)低外高，進入緩蘇段后溫度均勻化，使檢測得到顆粒表面溫度降低。
③如果谷物層到達緩蘇段末的溫度與玉米層通過對應干燥段尾時的溫度接近相同，則認為顆粒內(nèi)部汽化水分滯留量在緩蘇段過程凝結成水放出的熱量正好與溫度均勻化所需熱量相當。
由以上對干燥過程傳熱質及試驗結果分析，可以看出干燥過程中谷物在緩蘇段末、與對應干燥段溫度及變化情況可以用于判別谷物干燥過程的特征，即輸入熱風溫度、糧層在干燥機內(nèi)的運行速度及糧層通過干燥段末和對應緩蘇段末溫度可以作為糧層干燥特性的標識。而對干燥機這樣多干擾、大時滯復雜的系統(tǒng)，很難建立精確的系統(tǒng)數(shù)學模型，模糊邏輯可以用語言變量描述復雜系統(tǒng)的輸入輸出關系，神經(jīng)網(wǎng)絡具有很強的學習能力和對知識的記憶性，所以本發(fā)明采用模糊神經(jīng)網(wǎng)絡建立出機糧含水率與輸入溫、輸入干燥熱風溫度及在各干燥段末和緩蘇段末溫度關系的數(shù)學模型?？紤]到干燥過程中糧層之間干燥特性不同對出機糧含水率的影響，將干燥段劃分為若干層，用干燥層末溫度與對應緩蘇層末溫度統(tǒng)計分析結果引入神經(jīng)網(wǎng)絡輸入端，即同時引入向前和向后回歸，構成了回歸模糊神經(jīng)網(wǎng)絡。下面以具有4個干燥段、兩種溫度干燥熱風例(兩個高溫干燥層和兩個低溫干燥層)，說明出機糧含水率預測回歸模糊神經(jīng)網(wǎng)絡的建立與參數(shù)辨識。如果干燥段數(shù)增加，則可相應增加對應的輸入結點即可。
2.建立出機糧含水率預測回歸模糊神經(jīng)網(wǎng)絡(MPRFNN)及參數(shù)辨識在多級干燥過程中，選擇代表谷物的干燥特征的谷物溫度變化。干燥過程中出機糧水分含量的預測如下
RjIF x1is A1jand x2is A2j...and x16is A16jTHEN yMis Bj(11)式中，yM為采樣糧層的出機含水率；x1為采樣糧層的入機溫度；x2、x3、x4、x5為通過干燥段1、2、3和4時的熱風溫度的平均值；x6、x7、x8、x9、x10為采樣糧層通過干燥段1、2、3和4以及冷卻段進的平均排糧速度；x11、x12、x13為采樣糧層通過干燥段2、3和4末時測得的糧氣溫度；x14、x15、x16為采樣糧層通過緩蘇段2、3和4末時測得的糧層溫度與通過對應干燥段末時的溫度差。
本發(fā)明方法出機糧水分含量預測采用模糊神經(jīng)網(wǎng)絡結構(MPRFNN)，該網(wǎng)絡的輸入輸出關系如圖3所示，第1層為輸入層，該層接收輸入變量，每個節(jié)點i將輸入變量傳遞給第二層，在該層前饋環(huán)和反饋環(huán)加入到網(wǎng)絡中。
從前述中可知，谷物顆粒的干燥特征是不同的，他們在干燥過程中相互影響，如圖4所示。干燥段分為L+1層，同一層的玉米顆粒的干燥特征可以認為是相同的，則相互影響的玉米層為2L層。
f(z)=Σj=1n[wi,j1x(k-j)+wi,-j1x(k+j)]---(12)]]>對輸入層的第i個節(jié)點，其輸入和輸出可表示為ui1(k)=xi(k)+Σj=-LL[wi,j1xi(k-j)+wi,-j1x(k+j)],i=1,2,...,15.---(13)]]>式中k為采樣樣本的序數(shù)；wi，±j1為前后玉米層對第k層對第i個變量影響的回歸權值。
通過在輸入層加入前饋和反饋環(huán)，把同一干燥段不同干燥特征的玉米層之間的相互影響引入網(wǎng)絡，以實現(xiàn)模糊推理。這是該網(wǎng)絡區(qū)別于其他回歸模糊神經(jīng)網(wǎng)絡的不同之處。第II層為隸屬函數(shù)層，在該層每一個節(jié)點完成一個高斯隸屬函數(shù)的功能。對于該層第i個變量的第j個節(jié)點uij2=exp([u11-mij]2σij2)i=1,2,...,15.---(14)]]>式中，mij和σij分別表示第i個變量xi的第j個節(jié)點高斯隸屬函數(shù)的中間值和寬度。
第III層為規(guī)則層(模糊推理層)，該層的節(jié)點作為模糊推理的預處理。該層輸出結果為輸入信號的乘積uj3=Πiuij2,i=1,2,...,n;j=1,2,...,q.---(15)]]>其中j代表第j個規(guī)則節(jié)點，q為規(guī)則層的總的規(guī)則數(shù)。
第IV層為輸出層，該層只有一個節(jié)點，其輸出即出機糧水分含量。該層執(zhí)行的是一個解模糊化操作，其輸出可以通過下式計算
yM=Σjuj3wj4---(16)]]>其中，系數(shù)wj是與第j條規(guī)則與輸出節(jié)點的連接權值。
用于出機糧水分預測回歸學習的樣本是從烘干塔出糧口人工采集，然后用烘箱檢測出其含水率。神經(jīng)網(wǎng)絡中輸入層中各個溫度以及排糧速度可以根據(jù)記錄的數(shù)據(jù)采用的方法計算得到。神經(jīng)網(wǎng)絡的訓練則采用誤差反向傳播算法(BP算法)，則用于出機糧含水率預測的模糊神經(jīng)網(wǎng)絡訓練的目標函數(shù)為JM(k)=12Σi=1m(emi(k))2=12Σi=1m(Mi-yMi)2---(17)]]>式中k為訓練周期；yMi和Mi(k)為分別表示第i個谷物層樣本的加回歸模糊神經(jīng)網(wǎng)絡第k訓練周期的預測值和樣本烘箱化驗含水率；emi(k)為yMi與Mi之差；m為樣本數(shù)。
而權值的修改公式為θM(k+1)=θM(k)+ηM∂Jm(k)∂θm(k)---(18)]]>式中θM為參數(shù)向量，包括出機糧含水率預測神經(jīng)網(wǎng)絡MPR中的wi，±j1，mij2，σij2和wj4；ηM為學習系數(shù)，0＜ηM≤1。
四、建立排糧速度預測回歸模糊神經(jīng)網(wǎng)絡(RPRFNN)模型及參數(shù)辨識排糧速度預測神經(jīng)網(wǎng)絡模型的處理方法同MPRFNN類似，其輸入量有玉米的入機溫度z1，高溫和低溫高燥段的熱風溫度z2，z3，z4，z5；干燥段2和緩蘇段2的玉米層溫度z6，z8；干燥段3和緩蘇段3的玉米層溫度z7，z9；干燥段4末和緩蘇段4末的溫度z8，z11；糧排糧電機的頻率z12。該網(wǎng)絡的輸出量是烘干機的排量體積流量yR。由于排糧速度以不但與系統(tǒng)的當前狀態(tài)相關，而與系統(tǒng)狀態(tài)歷史相關，所以在各輸入變量均引入了反饋量。
如圖5所示為玉米排糧速度預測模糊神經(jīng)網(wǎng)絡結構(RPRFNN)，其輸入輸出關系如下第I層—輸入層，該層接收輸入變量，每個節(jié)點i將輸入變量傳遞給第二層。
f(z-1)=Σj=1Lwi,j1z(k-j)---(19)]]>對輸入層的第i個節(jié)點，其輸入和輸出可表示為ui1(k)=zi(k)+Σj=-LL[wi,j1zi(k-j)],i=1,2,...,10---(20)]]>各個參數(shù)意義同前。
第II層為隸屬函數(shù)層，在該層每一個節(jié)點完成一個高斯隸屬函數(shù)的功能。對于該層第i個變量的第j個節(jié)點
uij2=exp(-[u11-mij]2σij2)i=1,2,...,10.---(21)]]>式中mij和σij為分別表示第i個變量xi的第j個節(jié)點高斯隸屬函數(shù)的中間值和寬度。
第III層為規(guī)則層(模糊推理層)，該層的節(jié)點作為模糊推理的預處理。該層輸出結果為輸入信號的乘積uj3=Πiuij2,i=1,2,...,n;j=1,2,...,q.---(22)]]>式中j為第j個規(guī)則節(jié)點；q為規(guī)則總數(shù)。
第IV層為輸出層，該層只有一個節(jié)點，其輸出即玉米的排糧速度。該層執(zhí)行的是一個解模糊化操作，其輸出可以通過下式計算yR=Σjuj3wj4---(23)]]>式中wj為與第j條規(guī)則與輸出節(jié)點的連接權值。
RPRFNN的輸入量為系統(tǒng)每隔5分鐘的采樣值，輸出量為烘干機的玉米出機體積流量速率，記作V。用于RPRFNN學習的目標函數(shù)為 式中 為排糧速度預測回歸模糊神經(jīng)網(wǎng)絡在前一次上糧結束到下一次上糧開始時間間隔內(nèi)的排糧速度預測的平均值；Vi為在前一次上糧結束到下一次上糧開始時間間隔內(nèi)的排糧速度的計算值；eRi(k)為 和Vi之間的誤差；p為樣本數(shù)。
排糧速度預測神經(jīng)網(wǎng)絡權值修正公式為θR(k+1)=θR(k)+ηR∂JR(k)∂θR(k)---(25)]]>五、谷物烘干過程的含水率預測控制利用前述的兩種模糊神經(jīng)網(wǎng)絡的方法，開發(fā)出烘干塔的預測控制模塊，其控制原理框圖如圖6所示。在該模塊中，包括排糧速率預測模糊神經(jīng)網(wǎng)絡(RPRFNN)和出機糧水分預測模糊神經(jīng)網(wǎng)絡(MPRFNN)和兩個PI調節(jié)器，即排糧頻率PI調節(jié)器和目標排糧速度PI調節(jié)器。該控制原理以干燥機上部上、下料位開關的跳變斷續(xù)檢測排糧速度，作為排糧速度預測模糊神經(jīng)網(wǎng)絡訓練的導師信號，以關鍵點的溫度檢測實時信號與歷史為輸入信號，在線的訓練排糧速度預測模糊神經(jīng)網(wǎng)絡；以出機糧烘箱檢測樣本的含水率作導師信號，以樣本糧層及與樣本相關的糧層通過關鍵點溫度統(tǒng)計值及樣本糧層通過干燥機各段時的排糧速度的統(tǒng)計計算值作為輸入信號，離線訓練出機糧含水率預測回歸模糊神經(jīng)網(wǎng)絡；在實時控制過程中，以出機糧含水率回歸模糊神經(jīng)網(wǎng)絡的預測模型和排糧速度預測回歸模糊神經(jīng)網(wǎng)絡模型為基礎，以最末干燥段及緩蘇段出機糧含水率預測均值為目標，利用PI速度調節(jié)器，調節(jié)系統(tǒng)排糧速度。
本發(fā)明具有以下優(yōu)點
(1)首次將干燥過程出機糧含水率控制轉化為根據(jù)干燥機干燥過程溫度調節(jié)排糧速度，克服了干燥傳熱傳質過程大滯后強非線性的特點，大大增加了系統(tǒng)控制的及時性。
(2)首次提出利用干燥機兩個料位開關統(tǒng)計干燥機排糧速度的方法。
(3)建立了出機糧含水率與排速度預測的模糊神經(jīng)網(wǎng)絡模型。
(4)采用以第3緩蘇段末至第4緩蘇段末水分預測值為參考，調節(jié)排糧速度。為大滯后系統(tǒng)的控制提供了新的方法。
(5)以系統(tǒng)溫度參數(shù)為基礎，以烘箱化驗值為導師訓練信號，克服了目前國內(nèi)外市場上谷物含水率檢測精度差，無法滿足干燥過程自動過程要求的問題。


圖1為本發(fā)明系統(tǒng)結構示意圖；圖2為糧層溫度統(tǒng)計權值計算規(guī)則；圖3為出機糧水分預測回歸模糊神經(jīng)網(wǎng)絡結構圖；圖4為干燥過程相互影響糧層分析圖；圖5為排糧速度預測回歸模糊神經(jīng)網(wǎng)絡結構圖；圖6為出機糧含水率預測控制原理框圖；圖7為四段干燥機結構及溫度傳感器布置；圖8為溫度傳感器及D/A輸出接口電路原理圖；圖9為料位開關光電隔離輸入接口電路原理圖；圖10為本實例傳感器標定模塊流程圖；圖11為本實例干燥機結構參數(shù)設置模塊流程圖；圖12為本實例干燥過程溫度及排糧速度參數(shù)統(tǒng)計分析流程圖；圖13為本實例排糧速度隊列初始化模塊流程圖；圖14為本實例回歸模糊神經(jīng)網(wǎng)絡訓練流程圖；圖15為本實例出機糧含水預測控制流程圖；圖16本實例過程采樣、含水率預測及排糧速度調節(jié)流程圖；圖17為含水率預測回歸模糊神經(jīng)網(wǎng)絡訓練結果；圖18為出機糧含水率在線預測控制結果。
圖中①②③④⑤⑥⑦為七個層溫傳感器安置位置，I為五角通風盒進風盒，E為五角通風盒出風盒。
具體實施例方式下面結合附圖對本發(fā)明做進一步說明。本實例以4段玉米干燥為例。
本實例系統(tǒng)包括傳感器、傳感器信號轉接板、數(shù)據(jù)采集板、上位機、系統(tǒng)電源以及隔離電源，如圖1所示。上位機選用HXL/300，多功能數(shù)據(jù)采集板選用HXL/511P。
圖7所示為四段干燥塔，圖中①②③④⑤⑥⑦為七個層溫傳感器安置位置。
溫度傳感器選用24V供電，2線制，4～20mA輸出，HXL/511P多功能數(shù)據(jù)采集板的模擬量輸入輸出接口為標準的PIN26接口，開關量輸入輸出接口為標準的PIN40接口。本實例傳感器輸出信號通過470Ω電阻轉換成電壓信號，再用47μ電容濾波后，由26PIN連接器直接與HXL/511P卡26PIN連接器連接即可，J1-J9分別是高溫熱風、低溫熱風、干燥段2末、緩蘇段2末、干燥段3末、緩蘇段3末、干燥段4末和緩蘇段4末溫度傳感器接口；J10為干燥機變頻器控制輸出接口，如圖8所示。
圖9為光電隔離接口電路原理圖，Z2與HXL/511P 40PIN直接相連即可將數(shù)字量輸出計算機，J11為兩個料位開關輸入接口。隔離電源輸入輸出均為12V，系統(tǒng)電源為標準微機電源。
計算機嵌入了谷物干燥預測控制功能模塊，實現(xiàn)了玉米干燥預測控制，其包括系統(tǒng)參數(shù)統(tǒng)計模塊、排糧速度預測模塊、出機糧含水率預測模塊和出機糧含水率預測控制模塊，其中系統(tǒng)參數(shù)統(tǒng)計模塊包括系統(tǒng)傳感器標定模塊、干燥機結構參數(shù)設置模塊、溫度及排糧速度統(tǒng)計模塊。
本實例中玉米干燥預測控制方法如下一、根據(jù)式(1)、式(2)對溫度傳感器進行在線標定，傳感器標定過程按以下步驟執(zhí)行，如圖10所示步驟一、開始；步驟二、顯示第i個傳感器的標定信息；步驟三、判斷是否選擇第i+1個傳感器，是，進入步驟四，否則進入步驟六；步驟四、第i個傳感器的數(shù)據(jù)寫入數(shù)據(jù)結構；步驟五、顯示第i+1個傳感器的標定數(shù)據(jù)；步驟六、判斷是否重新標定，是，進入步驟七，否則進入步驟九；步驟七、取碼值；步驟八、修改當前數(shù)據(jù)；步驟九、判斷是否保存修改，是，進入步驟十，否則進入步驟十一；步驟十、保存修改的參數(shù)，直接進入步驟十二；步驟十一、調用讀傳感器標定文件函數(shù)恢復數(shù)據(jù)結構中的數(shù)據(jù)；步驟十二、結束。
二、玉米層干燥過程溫度及排糧速度統(tǒng)計分析為了統(tǒng)計分析玉米經(jīng)過各干燥段時的溫度和速度，做如下假設①干燥過程中，玉米顆粒體積變化；②干燥氣體通過玉米層時，由顆粒間隙通過，不占體積；③玉米表層溫度與顆粒間隙氣體溫度相同；
④同一時刻玉米層在干燥機內(nèi)不同位置體積流量相同；⑤線速度計算以干燥機上部兩個上下料位開關跳變時間為基礎進行計算。
上述假設在國際干燥理論研究中已被廣泛應用。統(tǒng)計計算的目的是確定某一層玉米經(jīng)過干燥段和緩蘇段時的運行速度值、糧氣混合溫度和干燥熱風溫度。而玉米經(jīng)過每個緩蘇段與干燥段都有一定的時間，所以將玉米進入某一段時起到離開該段時止的溫度檢測值加權平均作為玉米層經(jīng)過這一段時的溫度值。而將玉米層通過此段時的平均速度作為通過本段的速度。
1.由式(3)、式(4)、式(5)計算干燥機內(nèi)排糧速度2.由式(6)計算干燥段當量高度3.由式(7)計算玉米層通過干燥機固定位置時間4.由式(8)計算玉米層通過各段平均速度，由式(9)、式(10)計算玉米層通過各段的溫度。玉米層通過任一干燥段時的熱風溫度則直接取該段通過此干燥段時的熱風溫度平均值。
干燥機結構參數(shù)設置模塊流程按以下步驟執(zhí)行，如圖11所示步驟一、開始；步驟二、判斷是否選擇第i+1層，是，進入步驟三，否則進入步驟五；步驟三、i層的數(shù)據(jù)寫入數(shù)據(jù)結構；步驟四、顯示i+1層對應的數(shù)據(jù)；步驟五、修改當前層數(shù)據(jù)；步驟六、判斷是否保存修改，是，進入步驟七，否則進入步驟八；步驟七、保存修改后的參數(shù)，直接進入步驟九；步驟八、調用讀塔結構參數(shù)函數(shù)恢復數(shù)據(jù)結構中的數(shù)據(jù)；步驟九、結束。
溫度統(tǒng)計模塊流程按以下步驟執(zhí)行，如圖12所示步驟一、開始；步驟二、初始化窗口；步驟三、給定出機糧時間、水分；步驟四、調用排糧速度隊列初始化模塊；步驟五、分別計算此段糧食通過各段的時間區(qū)段；步驟六、讀取歷史文件，求出風溫及狀態(tài)溫度；步驟七、輸出統(tǒng)計結果文件；步驟八、結束。
排糧速度隊列初始化模塊按以下步驟執(zhí)行，如圖13所示步驟一、開始；
步驟二、讀取系統(tǒng)當前日期時間和給定隊列條目數(shù)；步驟三、打開當前日期對應的流量文件；步驟四、讀取一條記錄；步驟五、判斷下料位跳變時間是否≤給定值，是，進入步驟六，否則返回步驟四；步驟六、判斷該條速度記錄是否符合實際情況，是，進入步驟七，否則進入步驟，否則進入步驟九；步驟七、寫入時間隊列和速度隊列，直接進入步驟九；步驟八、關閉當前文件打開前一天的文件并從末尾讀取一條記錄，返回步驟六；步驟九、判斷是否到達文件開頭，是，返回步驟八，否則進入步驟十一；步驟十、讀取上一條啟示，返回步驟六；步驟十一、判斷隊列條目數(shù)是否≥給定值，是，進入步驟十二，否則返回步驟十；步驟十二、結束。
三、建立出機糧含水率回歸模糊神經(jīng)網(wǎng)絡的預測模型1.玉米顆粒內(nèi)部溫度分布及水分遷移機理玉米顆粒由表皮層、胚乳和胚芽組成。表皮層起阻止內(nèi)部水分蒸發(fā)，保護玉米顆粒的作用。而干燥過程，顆粒內(nèi)部溫度分布和水分傳輸形式目前有四種假設模型，即①顆粒內(nèi)部溫度由內(nèi)向外逐漸升高，而顆粒間空氣溫度恒定，且為顆粒表面溫度；水分在內(nèi)部解吸附汽化，并以氣態(tài)形式向表面遷移。
②顆粒內(nèi)部溫度恒定，顆粒間氣體溫度隨遠離顆粒表面逐漸升高，水分在內(nèi)部解吸附汽化，并以氣態(tài)形式向表面遷移。
③顆粒內(nèi)部溫度由內(nèi)向外逐漸升高，而顆粒間隙溫度恒定，且為顆粒表面溫度；水分以液態(tài)形式向外移動，在顆粒表面解吸附汽化。
④顆粒內(nèi)部溫度恒定，顆粒間氣體溫度隨遠離顆粒表面逐漸升高，水分以液態(tài)形式向表面遷移，在顆粒表面解吸附汽化。國際學者們這四種模型對三種農(nóng)產(chǎn)品干燥過程進行了驗證，得出了相同的計算結果。從質量平衡和能量平衡方面看，這四種模型都不會影響這兩個平衡方程，因此其結論是正確的。而在我們干燥試驗過程，發(fā)現(xiàn)干燥過程有的玉米層通過干燥尾部和對應緩蘇段尾部溫度差有等于零、大于零和小于零三種情況，而第一種模型能夠解釋這一宏觀現(xiàn)象，因此，本文采用第一種模型。
谷物作為多孔介質，在干燥過程中水分向外遷移的力有溫度梯度作用下的熱擴散、水分濃度梯度作用下的濃度擴散、毛細勢作用下的毛細流動、壓力梯度作用下的氣相或液相滲流或對流流動等。Shi M H和Wang X通過對多孔介質快速干燥過程微觀研究提出壓力梯度作用下沿毛細通道滲流是干燥過程水分遷移的主要形式。在本發(fā)明中假設玉米干燥過程水分遷移機制主要是壓力梯度作用下氣相沿毛細通道的滲流或對流流動。另外，在緩蘇段，由于玉米顆粒間隙內(nèi)量較小，所以認為緩蘇過程玉米顆粒與氣體不存在能量交換和物質交換。因此，基于上述兩種模型，提出以下假設①如果玉米層到達緩蘇段末的溫度高于玉米層通過對應干燥段尾部時的溫度，則認顆粒內(nèi)部汽化水分有較多的滯留的顆粒內(nèi)部，而進入緩蘇段后凝結成水，放出熱量致使玉米顆粒溫度升高。
②如果玉米層到達緩蘇段末的溫度低于玉米層通過對應干燥段尾部時的溫度，則認為玉米顆粒內(nèi)部汽化水分有較少的滯留在顆粒內(nèi)部，由于顆粒內(nèi)部溫度內(nèi)低外高，進入緩蘇段后溫度均勻化，使檢測得到顆粒表面溫度降低。
③如果玉米層到達緩蘇段末的溫度與玉米層通過對應干燥段尾時的溫度接近相同，則認為顆粒內(nèi)部汽化水分滯留量在緩蘇段過程凝結成水放出的熱量正好與溫度均勻化所需熱量相當。
由以上對干燥過程傳熱質及試驗結果分析，可以看出干燥過程中玉米在緩蘇段、與對應干燥段溫度及變化情況可以用于判別玉米干燥過程的特征，即輸入熱風溫度、糧層在干燥機內(nèi)的運行速度及糧層通過干燥段末和對應緩蘇段末溫度可以作為糧層干燥特性的標識。而對干燥機這樣多干擾、大時滯復雜的系統(tǒng)，很難建立精確的系統(tǒng)數(shù)學模型，模糊邏輯可以用語言變量描述復雜系統(tǒng)的輸入輸出關系，神經(jīng)網(wǎng)絡具有很強的學習能力和對知識的記憶性，所以本發(fā)明采用模糊神經(jīng)網(wǎng)絡建立出機糧含水率與輸入溫、輸入干燥熱風溫度及在各干燥段末和緩蘇段末溫度關系的數(shù)學模型?？紤]到干燥過程中糧層之間干燥特性不同對出機糧含水率的影響，將干燥段劃分為若干層，用干燥層末溫度與對應緩蘇層末溫度統(tǒng)計分析結果引入神經(jīng)網(wǎng)絡輸入端，即同時引入向前和向后回歸，構成了回歸模糊神經(jīng)網(wǎng)絡。
2.建立出機糧含水率預測回歸模糊神經(jīng)網(wǎng)絡及參數(shù)辨識干燥段與緩蘇段之間玉米顆粒的溫度變化代表了玉米的干燥特征。在多級干燥過程中，第一干燥段主要是加熱玉米顆粒和蒸發(fā)掉其表面的水分。從第二干燥段開始，玉米顆粒的水分由外及內(nèi)逐漸蒸發(fā)掉。因此，第二緩蘇段末和第三緩蘇段末的溫度變化可以作為玉米顆粒的干燥特征。這里四層結構的模糊神經(jīng)網(wǎng)絡用于實現(xiàn)玉米干燥過程中出機糧水分含量的預測，形式如下RjIF x1is A1jand x2is A2j...and x16is A16jTHEN yMis Bj其中，yM——采樣玉米層的出機含水率；x1——采樣玉米層的入機溫度；x2、x3、x4、x5——通過干燥段1、2、3和4時的熱風溫度的平均值；x6、x7、x8、x9、x10——采樣玉米層通過干燥段1、2、3和4以及冷卻段進的平均排糧速度；x11、x12、x13——采樣糧層通過干燥段2、3和4末時測得的糧氣溫度；x14、x15、x16——采樣糧層通過緩蘇段2、3和4末時測得的糧層溫度與通過對應干燥段末時的溫度差。
由式(12)～式(18)建立出機糧含水率預測回歸模糊神經(jīng)網(wǎng)絡及參數(shù)辨識，第II層的節(jié)點數(shù)為16×5＝80個節(jié)點。
出機糧含水率預測回歸模糊神經(jīng)網(wǎng)絡訓練過程按以下步驟執(zhí)行，如圖14所示步驟一、開始；步驟二、給定樣本總數(shù)，終止誤差和學習步長；步驟三、檢查權值數(shù)據(jù)庫；步驟四、判斷權值是否存在，是，進入步驟五，否則進入步驟六；步驟五、讀入權值，進入步驟七；步驟六、隨機初始化權值；步驟七、讀入樣本數(shù)據(jù)；步驟八、計算目標函數(shù)；步驟九、判斷目標函數(shù)是否小于終止誤差，是，進入步驟十二，否則進入步驟十；步驟十、計算目標函數(shù)梯度；步驟十一、更新權值，返回步驟八；步驟十二、結束。
四、建立排糧速度預測回歸模糊神經(jīng)網(wǎng)絡模型及參數(shù)辨識排糧速度預測神經(jīng)網(wǎng)絡模型輸入量有玉米的入機溫度z1，高溫和低溫高燥段的熱風溫度z2，z3，z4，z5；干燥段2和緩蘇段2的玉米層溫度z6，z8；干燥段3和緩蘇段3的玉米層溫度z7，z9；干燥段4末和緩蘇段4末的溫度z8，z11；糧排糧電機的頻率z12。該網(wǎng)絡的輸出量是烘干機的排量體積流量yR。由于排糧速度以不但與系統(tǒng)的當前狀態(tài)相關，而與系統(tǒng)狀態(tài)歷史相關，所以在各輸入變量均引入了反饋量。
由式(19)～式(25)建立排糧速度預測回歸模糊神經(jīng)網(wǎng)絡模型及參數(shù)辨識，其中第II層的節(jié)點數(shù)為12×7＝84個節(jié)點。
排糧速度預測回歸模糊神經(jīng)網(wǎng)絡訓練同出機糧含水率預測回歸模糊神經(jīng)網(wǎng)絡的訓練相同，流程圖如圖14所示。
五、玉米烘干過程的含水率預測控制利用前述的兩種模糊神經(jīng)網(wǎng)絡的方法，開發(fā)出烘干塔的預測控制模塊。在該模塊中，包括排糧速率預測模糊神經(jīng)網(wǎng)絡、出機糧水分預測模糊神經(jīng)網(wǎng)絡和兩個PI調節(jié)器，即排糧頻率PI調節(jié)器和目標排糧速度PI調節(jié)器。
本實例在烘干過程中，系統(tǒng)為間歇上料方式，當料位達到下料位時，系統(tǒng)啟動自動上糧系統(tǒng)，開始上料；當料位達到上料位時，上糧系統(tǒng)自動停止。而糧層從上料位下降到上料位時，一般為20～40分鐘，系統(tǒng)排出糧食的體積是一定的。系統(tǒng)捕捉上料位和下料位時間，通過計算得系統(tǒng)上此時間區(qū)段的平均排糧速度。將計算得該時間區(qū)段排糧速度玉米的排糧速度與排糧速度預測回歸模糊神經(jīng)網(wǎng)絡的預測值比較，如果誤差超過給定值，則去掉訓練樣本庫中的最早期的樣本，并將當前系統(tǒng)狀態(tài)數(shù)據(jù)補充到樣本庫中，啟動BP神經(jīng)網(wǎng)絡訓練算法，對其重新訓練，直到達到所要求的預測精度為止。第一排糧速度預測神經(jīng)網(wǎng)絡訓練的初始權值由系統(tǒng)隨機給定，而后則以已在權值為初始值進行訓練。
出機糧含水率預測回歸模糊神經(jīng)網(wǎng)絡采用離線訓練方式。在干燥過程中，通過人工采樣出機糧樣品，利用烘箱法檢測檢測含水率。然后將其采樣時間和出機樣品含水率化樣結果輸入到計算機中。當樣本數(shù)量達積累到給定時(本實例設置為20個)，則啟動出機糧含水率預測回歸模糊神經(jīng)網(wǎng)絡訓練程序，對其進行訓練，并將訓練結果存入系統(tǒng)權值文件中。
在干燥過程，系統(tǒng)利用已獲得的權值每采樣一次則對系統(tǒng)出機糧含水率進行預測，采樣周期設為5分鐘。每次預測對從當前緩蘇段3末位置的糧層到出緩蘇段4末糧層進行預測，預測結果取其均值。預測過程數(shù)據(jù)來自于對當前歷史數(shù)據(jù)的統(tǒng)計計算，而對于不完整的數(shù)據(jù)則用當前統(tǒng)計值進行補充(當前排糧速度值來自于排糧速度預測神經(jīng)網(wǎng)絡)。然后將出機糧含水率預測模糊神經(jīng)網(wǎng)絡的速度切換至目標排糧速度PI調節(jié)器輸出，預測均值與系統(tǒng)設置值比較，調節(jié)目標排糧速度，直到給定的預測值，完成一次排糧速度目標值的調節(jié)，再將出機含水率預測神經(jīng)網(wǎng)絡排糧速度輸入切換回排糧速度預測模糊神經(jīng)網(wǎng)絡。
本實例出機糧含水率預測控制過程按以下步驟執(zhí)行，如圖15所示步驟一、開始；步驟二、讀入系統(tǒng)設定數(shù)據(jù)；步驟三、計算排糧電機頻率并給定排糧電機頻率；步驟四、采樣上、下料位開關；步驟五、判斷上料跳變時間和下料位跳變時間是否均采樣到，是，進入步驟六，否則進入步驟九；步驟六、計算排糧速度，更新排糧速度預測樣本數(shù)據(jù)；步驟七、判斷預測誤差是否小于給定排糧速度預測誤差，是，進入步驟八，否則進入步驟九；步驟八、啟動在線排糧速度模糊神經(jīng)網(wǎng)絡訓練程序，進行神經(jīng)網(wǎng)絡訓練；步驟九、判斷過程溫度采樣時間是否到，是，進入步驟十，否則進入步驟十一；
步驟十、調用過程采樣、含水率預測及排糧速度調節(jié)；步驟十一、結束。
其中調用過程采樣、含水率預測及排糧速度調節(jié)過程如圖16所示，其執(zhí)行步驟如下步驟一、開始；步驟二、采樣過程溫度參數(shù)和料位開關跳變時間信息并分別存儲到溫度歷史數(shù)據(jù)文件和料位信息歷史數(shù)據(jù)文件；步驟三、調用系統(tǒng)參數(shù)統(tǒng)計模塊，計算過程參數(shù)；步驟四、調用排糧速度預測模塊，預測排糧速度；步驟五、將預測排糧速度及上述計算數(shù)據(jù)設為含水率預測神經(jīng)網(wǎng)絡的輸入，調用出機糧含水率預測模塊，預測通過干燥機段4末到緩蘇層段末糧層出機糧含水率的均值；步驟六、判斷預測出機糧含率誤差是否小于給定誤差值，是，進入步驟七，否則進入步驟十；步驟七、切換開關到B點；步驟八、啟動含水率PI控制器，調節(jié)給定排糧速度，直到出機含水率預測值達到系統(tǒng)設定值；步驟九、將開關調整至A點；步驟十、調用排糧速度PI控制器；步驟十一、結束。
本實例在某糧庫進行了一個干燥季節(jié)的試驗。系統(tǒng)總共積累樣本共300個，用300個樣本對出機含水率預測模糊神經(jīng)網(wǎng)絡進行了訓練。經(jīng)過試驗，干燥層分為5段，即式(12)中取L＝4即可得到較好的預測結果。為了便于比較，將樣本中出機僦含水率由小到大進行了重排，圖17為出機糧含水率預測與烘箱化驗結果比較。由圖可以看出，預測結果與化驗結果的誤差不超過0.4％，而90％以上的樣本預測誤差低于0.3％?？梢婎A測模型具有較高的預測精度，烘箱化驗誤差一般為0.3％，基本上與烘箱化驗相當。而對于連續(xù)干燥過程，積累20個樣本后，在環(huán)境條件及熱風溫度穩(wěn)定的條件下即可要求。而環(huán)境條件及熱風溫度變化較大時，樣本少會出現(xiàn)誤差。但當樣本數(shù)量增大，系統(tǒng)會記錄下多種工況下的干燥結果，預測誤差隨之減小，充分顯示系統(tǒng)的經(jīng)驗積累能力。
對于連續(xù)生產(chǎn)過程，排糧速度預測模糊神經(jīng)網(wǎng)絡保證50個本樣即可精確預測排糧速度。圖18為系統(tǒng)調試后連續(xù)工作24小時，每小時采樣一次的烘箱化驗結果，其中設置干燥出機含水率為14％。圖中僅一個樣14.6％，而80％樣本出機含水率在13.7％～14.3％之間。而我國完全儲糧含水率為14.5％以下，由可以看出本系統(tǒng)能夠滿足我國商用干燥機的控制要求。
權利要求
1.一種基于模糊神經(jīng)網(wǎng)絡的谷物干燥預測控制系統(tǒng)，其特征在于包括傳感器、傳感器信號轉接板、數(shù)據(jù)采集板、計算機、系統(tǒng)電源以及隔離電源；傳感器與糧食干燥機相連，傳感器信號轉接板分別與傳感器、數(shù)據(jù)采集板、隔離電源相連，計算機分別與數(shù)據(jù)采集板、系統(tǒng)電源相連，隔離電源與系統(tǒng)電源相連，計算機中嵌入了谷物干燥預測控制功能模塊。
2.如權利要求1所述的一種基于模糊神經(jīng)網(wǎng)絡的谷物干燥預測控制系統(tǒng)，其特征在于所述計算機中嵌入的實現(xiàn)谷物干燥預測控制功能模塊包括系統(tǒng)參數(shù)統(tǒng)計模塊、排糧速度預測模塊、出機糧含水率預測模塊和出機糧含水率預測控制模塊，其中系統(tǒng)參數(shù)統(tǒng)計模塊包括系統(tǒng)傳感器標定模塊、干燥機結構參數(shù)設置模塊、溫度及排糧速度統(tǒng)計模塊。
3.如權利要求1所述的一種基于模糊神經(jīng)網(wǎng)絡的谷物干燥預測控制系統(tǒng)的控制方法，其特征在于包括以下步驟一、傳感器標定模塊對溫度傳感器進行在線標定；二、糧層干燥過程溫度及排糧速度統(tǒng)計分析；三、建立出機糧含水率回歸模糊神經(jīng)網(wǎng)絡的預測模型；四、建立排糧速度預測回歸模糊神經(jīng)網(wǎng)絡模型及參數(shù)辨識；五、谷物烘干過程的含水率預測控制。
4.如權利要求3所述的一種基于模糊神經(jīng)網(wǎng)絡的谷物干燥預測控制系統(tǒng)的控制方法，其特征在于步驟二所述的糧層干燥過程溫度及排糧速度統(tǒng)計分析包括計算干燥機內(nèi)排糧速度；計算干燥段當量高度；計算出機糧通過干燥機固定位置時間；計算糧層通過各段平均速度和溫度。
5.如權利要求3所述的一種基于模糊神經(jīng)網(wǎng)絡的谷物干燥預測控制系統(tǒng)的控制方法，其特征在于步驟三所述的建立出機糧含水率回歸模糊神經(jīng)網(wǎng)絡的預測模型包括干燥過程中熱質交換與過程溫度關系分析；建立出機糧含水率預測回歸模糊神經(jīng)網(wǎng)絡及參數(shù)辨識。
6.如權利要求3所述的一種基于模糊神經(jīng)網(wǎng)絡的谷物干燥預測控制系統(tǒng)的控制方法，其特征在于步驟五所述的谷物烘干過程的含水率預測控制，是以干燥機上部上、下料位開關的跳變斷續(xù)檢測排糧速度，作為排糧速度預測模糊神經(jīng)網(wǎng)絡訓練的導師信號，以關鍵點的溫度檢測實時信號與歷史為輸入信號，在線的訓練排糧速度預測模糊神經(jīng)網(wǎng)絡；以出機糧烘箱檢測樣本的含水率作導師信號，以樣本糧層及與樣本相關的糧層通過關鍵點溫度統(tǒng)計值及樣本糧層通過干燥機各段時的排糧速度的統(tǒng)計計算值作為輸入信號，離線訓練出機糧含水率預測回歸模糊神經(jīng)網(wǎng)絡；在實時控制過程中，以出機糧含水率回歸模糊神經(jīng)網(wǎng)絡的預測模型和排糧速度預測回歸模糊神經(jīng)網(wǎng)絡模型為基礎，以最末干燥段及緩蘇段出機糧含水率預測均值為目標，利用PI速度調節(jié)器，調節(jié)系統(tǒng)排糧速度。
全文摘要
一種基于模糊神經(jīng)網(wǎng)絡的谷物干燥預測控制系統(tǒng)及方法屬于自動檢測領域。本發(fā)明系統(tǒng)包括傳感器、傳感器信號轉接板、數(shù)據(jù)采集板、計算機、系統(tǒng)電源以及隔離電源，其中計算機嵌入了谷物預測干燥控制功能模塊。本發(fā)明方法包括傳感器標定模塊對溫度傳感器進行在線標定；糧層干燥過程溫度及排糧速度統(tǒng)計分析；建立出機糧含水率回歸模糊神經(jīng)網(wǎng)絡的預測模型；建立排糧速度預測回歸模糊神經(jīng)網(wǎng)絡模型及參數(shù)辨識；谷物烘干過程的預測控制；系統(tǒng)運行結果顯示。本發(fā)明建立了出機糧含水率與排速度預測的模糊神經(jīng)網(wǎng)絡模型，克服了干燥傳熱傳質過程大滯后強非線性的特點，大大增加了系統(tǒng)控制的及時性。
文檔編號F26B25/22GK1996175SQ20061015585
公開日2007年7月11日 申請日期2006年12月30日 優(yōu)先權日2006年12月30日
發(fā)明者趙春雨, 趙學工, 任朝暉, 周鋼霞, 鄭剛, 曹毅, 董殿文, 高樹成, 遲慶雷 申請人:遼寧省糧食科學研究所, 東北大學