CN105767165A - 一种基于卡尔曼滤波的谷物干燥方法 - Google Patents

Abstract

本发明设计开发了一种基于卡尔曼滤波的谷物干燥方法，通过实时检测谷物水分含量和环境温度参数，精确控制谷物流速，并实时校正测量参数，采用卡尔曼滤波对近红外谷物分析仪测量结果进行预估校正，并采用BP神经网络进行训练，弱化环境因素对谷物水分含量值检测的影响，实现了干燥周期和干燥效果的精准控制。

Description

一种基于卡尔曼滤波的谷物干燥方法

技术领域

本发明涉及一种谷物干燥方法，尤其涉及一种基于卡尔曼滤波的谷物干燥方法。

背景技术

干燥是谷物生产过程中最重要的加工环节之一。所谓干燥就是以供热的方式从物料中脱去水分的过程，是一个复杂的传热传质过程。干燥作业为了保证谷物的优良品质，必须选择合适的干燥条件和设备，尽可能减少干燥对谷物品质的不良影响。已有技术中，粮食干燥机多为塔式粮食干燥机，塔式粮食干燥机的粮食流道是用两层垂直谛网制成的垂直的粮食通道，粮食在通道里形成一层粮食墙，粮食在通道里从上向下移动；加热装置是燃煤热风炉，燃煤热风炉可输出热风。干燥时让热风吹过粮食墙，实现对粮食的加热、干燥。这种粮食干燥机在干燥时，整机热效率低，能耗大，加热温度不容易控制。综上可见，目前谷物红外干燥设备和方法存在一定的问题，比如干燥过程中存在易燃，危害食品安全，干燥后谷物水分不均匀，红外涂料涂覆效果不佳，红外辐射器辐射波长单一，烘干效率偏低，处理量普遍偏小，能耗较大等。

发明内容

本发明设计开发了一种基于卡尔曼滤波的谷物干燥方法，通过实时检测谷物水分含量和环境温度参数，精确控制谷物流速，并实时校正测量参数，实现了干燥周期和干燥效果的精准控制。

本发明还有一个目的是采用太阳能与辐射干燥相结合的方式，具有干燥效率和热效率高，能耗小的优点。

本发明还有一个目的是采用卡尔曼滤波对近红外谷物分析仪测量结果进行预估校正，并建立神经网络模型，通过谷物水分含量估计值与测量值的误差对神经网络观测方程的连接权值进行训练，修正以获得最优连接权值，根据最优连接权值获得精确的谷物水分含量值，以实现近红外谷物分析仪检测误差的实时校正。

本发明提供的技术方案为：

一种基于卡尔曼滤波的谷物干燥方法，包括：

步骤一：采用近红外谷物分析仪实时检测谷物水分含量M_r，实时检测干燥装置内温度T_r，热源温度T_h，环境湿度M₀；

步骤二：谷物输送到干燥装置内，开启热风干燥装置和远红外辐射干燥装置，谷物在自重作用下，自上至下滚落，通过排粮机构控制谷物在装置内流动速度

其中，L_r为谷物在干燥设备内流动距离；Q_all为装置内谷物总重量，其；为时间系数，γ为谷物复水比；K为玻尔兹曼常数，J_r为标准大气压下，蒸发单位质量水分所需的热量，μ为引风机风速，为平衡因数。

优选的是，所述步骤一中，应用卡尔曼滤波和神经网络对近红外谷物分析仪检测到的谷物水分含量值进行误差校正，建立观测方程，将近红外谷物分析仪检测到的谷物水分含量值迭代卡尔曼滤波估计方程，获得谷物水分含量的最优估计值，即为校正后谷物水分含量值。

优选的是，所述误差校正过程包括以下步骤：

步骤A.按照采样周期，对谷物水分含量M_r进行多次取样，取出一组取样数据{Z_k}，k＝0,1,2......t；建立卡尔曼滤波观测方程，计算状态转移量{φ_k}，k＝0,1,2......t，

${\mathrm{\φ}}_k=\frac{Z_{k+1}-V_{k+1}}{Z_k-V_k};$

V_k和V_k+1分别为对应k和k+1时刻检测白噪声，其由数据模拟获得，服从均值为零，方差为G；其中，G为取样数据{Z_k}的近似方差；

步骤B.令并将其迭代卡尔曼滤波估计方程，计算得出谷物水分含量估计值其中，Z_max为取样数据的最大值，Z_min为取样数据的最小值。

优选的是，还包括BP神经网络，用于获得谷物水分含量估计值与测量值之间的最优连接权值，并根据最优连接权值获得精确的谷物水分含量值，实现对近红外谷物分析仪因环境温度和湿度变化引入的检测误差进行实时校正，包括以下步骤：

步骤A.建立三层BP神经网络结构，规格化谷物水分含量估计值近红外谷物分析仪检测到的谷物水分含量M_r，环境湿度M₀，环境温度T_r；

确定输入层节点数为3个，输入层向量为y＝{y_1k,y_2k,y_3k}，其中y_1k为检测水分含量值系数，y_2k为环境湿度系数，y_3k为环境温度系数；

步骤B.确定隐含层输出向量为{f₁,f₂,f₃…f_j…f_p}；其中p为隐含层节点个数；

步骤C.确定输出层节点数为1个，输出层向量为{l_ik′}，l′_ik为对应的谷物水分含量估计值系数；

步骤D.计算隐含层和输出层向量输出值，并计算隐含层和输出层训练误差，对连接权值进行修正；

步骤E.当神经网络输出规格化系数l′_ik与谷物水分含量估计值系数l_ik之间的均方差e≤0.01最小时结束训练，其中，

$e=\frac{1}{t+1}\underset{k=0}{\overset{t}{\Σ}}{(l_{ik}^{\′}-l_{ik})}^2.$

优选的是，所述规格化公式为，

其中y_k为测量参数M_r、M₀、T_r；y_max和y_min分别为相应测量参数中的最大值和最小值；

其中，l_ik为对应的谷物水分含量估计值系数，X_max和X_min分别为谷物水分含量估计值的最大值和最小值。

优选的是，还包括太阳能集热器，其设置在干燥装置顶部，用于提升干燥装置内温度。

优选的是，所述太阳能集热器包括：

上层平板，其为透明板，所述上层平板的内表面依次覆盖有吸热涂层和防水保护层；

下层板，其材质为塑料，并与所述上层平板密和；

所述上层平板和下层板之间设置有流水通道。

优选的是，所述吸热涂层为蓝钛膜、黑铬膜或钛纳基选择性吸热膜中的一种。

优选的是，所述下层板外侧设置有保温层。

优选的是，所述辐射干燥装置为利用远红外加热、微波加热和电磁加热中的一种。

本发明与现有技术相比有益效果

1、本发明设计开发了一种谷物干燥装置，将辐射干燥和太阳能干燥相结合，具有干燥效率和热效率高，能耗小等特点。

2、本发明设计开发了一种基于卡尔曼滤波的谷物干燥方法，通过实时检测谷物水分含量和环境温度参数，精确控制谷物流速，并实时校正测量参数，实现了干燥周期和干燥效果的精准控制。

3、本发明设计开发了一种基于卡尔曼滤波的谷物干燥方法，采用卡尔曼滤波对近红外谷物分析仪测量结果进行预估校正，准确率高。

4、本发明设计开发了一种基于卡尔曼滤波的谷物干燥方法，采用BP神经网络进行训练，利用谷物水分含量估计值与测量值的误差对神经网络观测方程的连接权值进行训练，修正以获得最优连接权值，根据最优连接权值获得精确的谷物水分含量值，消除环境因素对谷物水分含量值检测结果的影响，实现近红外谷物分析仪检测结果的实时校正。

附图说明

图1为本发明所述的基于卡尔曼滤波的谷物干燥方法流程图。

图2为本发明所述的谷物干燥装置结构示意图。

图3为本发明所述的太阳能集热器结构示意图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

本发明提供的一种基于卡尔曼滤波的谷物干燥方法，包括以下步骤：

步骤一：采用近红外谷物分析仪实时检测谷物水分含量M_r，其为百分数；实时检测干燥装置内温度T_r，其单位为K；热源温度T_h，其单位为K；环境湿度M₀，其为百分数；

步骤二：谷物输送到干燥设备内，开启热风干燥装置和远红外辐射干燥装置，谷物在自重和排粮机构作用下，自上至下滚落，通过排粮机构控制谷物在装置内流动速度，

其中，L_r为谷物在干燥设备内流动距离，其单位为m；Q_all为装置内谷物总重量，其单位为Kg；为时间系数，其为650s-3500s，γ为谷物复水比，其为干燥后谷物质量与干燥前谷物质量的比值；K为玻尔兹曼常数，其单位为J/K；J_r为标准大气压下，蒸发单位质量水分所需的热量，单位为J/Kg；μ为引风机风速，单位为m/s；为平衡因数，其为3.582；

步骤三：关闭装置，谷物静置缓苏45～55分钟；

步骤四：谷物经排粮口排出。

其中，所述步骤一中，应用卡尔曼滤波和神经网络对近红外谷物分析仪检测到的谷物水分含量值进行误差校正，建立观测方程，将近红外谷物分析仪检测到的谷物水分含量值迭代卡尔曼滤波估计方程，获得谷物水分含量的估计值，并利用谷物水分含量估计值与测量值的误差对神经网络观测方程的权重进行训练，获得最优权重，根据最优权重获得精确的谷物水分含量值。其中，卡尔曼滤波估计方程包括：

a.预估计，

${\tilde{X}}_{k+1}={\mathrm{\φ}}_k{\hat{X}}_k$

其中，为k时刻谷物水分含量的估计值，为k+1时刻谷物水分含量的预估计值，φ_k为状态转移量；

b.计算预估计协方差矩阵，

${\tilde{P}}_{k+1}={\mathrm{\φ}}_k{P}_k{{\mathrm{\φ}}_k}^{\′}$

其中，P_k为估计协方差，为预估计协方差，φ_k为状态转移量，φ_k′为φ_k的转置；

c.计算卡尔曼增益矩阵，

$K_{k+1}={\tilde{P}}_{k+1}{({\tilde{P}}_{k+1}+G)}^{-1}$

其中，K_k+1为卡尔曼增益，G为检测误差的近似方差；

d.更新估计，

${\hat{X}}_{k+1}={\tilde{X}}_{k+1}+K_{k+1}(Z_{k+1}-{\tilde{X}}_{k+1})$

e.更新估计协防差矩阵，

$P_{k+1}=(1-K_{k+1}){\tilde{P}}_{k+1}(1-K_{k+1})+K_{k+1}\·G\·K_{k+1}$

步骤f.每取得一次检测值，重复迭代上述步骤。

基于神经网络的卡尔曼滤波误差校正过程包括以下步骤：

步骤A.按照采样周期，对谷物水分含量M_r进行多次取样，得出一组取样数据{Z₀,Z₁,Z₂......Z_k，Z_k+1......Z_t}，求出此组数据的均方差除以2得出近似方差G；

步骤B.谷物水分含量的观测方程由如下公式进行模拟：

X_k+1＝φ_kX_k

其中，X_k为k时刻的谷物水分含量实际值，φ_k为k时刻的状态转移量，其表示k时刻与k+1时刻谷物水分含量实际值之间的关系。

Z_k＝X_k+V_k

其中，Z_k为k时刻的谷物水分含量检测值，V_k为k时刻的检测误差，由数据模拟获得，服从均值为零，方差为G；

步骤C.将取样数据{Z₀,Z₁,Z₂......Z_k，Z_k+1......Z_t}入步骤B中得出对应的数据{φ₀,φ₁......φ_k,φ_k+1......φ_t}，令并将其迭代卡尔曼滤波估计方程，计算得出谷物水分含量估计值其中，Z_max为取样数据的最大值，Z_min为取样数据的最小值；

步骤D.近红外谷物分析仪的误差主要由环境温度和环境湿度变化引入，因此建立三层BP神经网络结构，规格化谷物水分含量估计值和近红外谷物分析仪检测到的谷物水分含量M_r，环境湿度M₀，环境温度T_r；

确定输入层节点数为3个，输入层向量为y＝{y_1k,y_2k,y_3k}，其中y_1k为检测水分含量值系数，y_2k为环境湿度系数，y_3k为环境温度系数；输出层节点数为1个，输出层向量为{l_ik′}，隐含层输出向量为{f₁,f₂,f₃…f_j…f_p}；其中p为隐含层节点个数，由网络训练以自适应的方式获得；

规格化公式为其中y_k为测量参数M_r、M₀、T_r；y_max和y_min分别为相应测量参数中的最大值和最小值。

其中，l_ik为对应的谷物水分含量估计值系数，X_max和X_min分别为谷物水分含量估计值的最大值和最小值。

步骤E.计算隐含层输出值

其中

式中，f_j为隐含层第j个神经元的输出值；

ω_ij为输入层第i个神经元隐含层第j个神经元的连接权值。

步骤F.计算输出单元的输出值

其中

f_k为输出层第k个神经元的输出值；

ω_kj为隐含层第第j个神经元至输出层第k个神经元的连接权值；

步骤G.计算输出层和隐含层的训练误差δ_k和δ_j

δ_k＝l′_ik(1-l′_ik)(l_ik-l′_ik)，k＝1......t；

${\mathrm{\δ}}_j=f_j(1-f_j)\underset{k=1}{\overset{t}{\Σ}}{\mathrm{\δ}}_k{\mathrm{\ω}}_{kj},k=\mathrm{1......}t;$

步骤H.修正权值，

η为学习因子，取0.95-0.4，连接权值ω_ij和ω_kj初值随机设定，α为势态因子；

步骤I.当神经网络输出单位规格化系数l′_ik与标定值l_ik之间的均方差e最小时结束训练，其中，

$e=\frac{1}{t+1}\underset{k=0}{\overset{t}{\Σ}}{(l_{ik}^{\′}-l_{ik})}^2\≤0.01,k=0,\mathrm{1......}t;$

步骤J.根据训练结果确定连接权值，确立神经网络观测方程，根据近红外谷物分析仪检测的谷物水分含量，计算修正后谷物水分含量值，消除环境因素对谷物水分含量值检测的影响，以实现近红外谷物分析仪在测量过程中误差的实时校正。

图2所示，在另一实施例中，本发明还包括一种谷物干燥装置，包括：下底座Ⅰ、辐射干燥段Ⅱ、排粮段Ⅲ、热风干燥段Ⅳ、储粮段Ⅴ、排风机构Ⅵ和提升机Ⅶ，辐射干燥段Ⅱ设置在下底座Ⅰ的上方，排粮段Ⅲ设置在远红外干燥段Ⅱ的上方，至少一层热风干燥段Ⅳ设置在排粮段Ⅲ的上方，储粮段Ⅴ设置在热风干燥段Ⅳ的上方，排风机构Ⅵ设置在热风干燥段Ⅳ的侧面与其相连通，提升机Ⅶ设置在干燥装置主体的左侧。

辐射干燥段采用辐射干燥装置，其为利用远红外加热、微波加热和电磁加热中的一种。

工作时，提升机Ⅶ将待干燥谷物提升到干燥的上顶部，通过进粮流粮管进入储粮段Ⅴ，进入储粮段Ⅴ的谷物靠自重依次流过四层热风干燥段Ⅳ、排粮段Ⅲ、远红外段Ⅱ，最终通过搅龙将每次干燥后的谷物再进入提升机Ⅶ，通过进粮流粮管将谷物送入干燥装置内或通过改变进排粮管换向装置使粮食通过排粮流粮管流出干燥装置。

在另一实施例中，太阳能集热器设置干燥装置顶部，用于提升干燥装置内温度；

如图3所示，太阳能集热器包括：

上层平板14a，其为透明板，所述上层平板的内表面依次覆盖有选择性吸热涂层和防水保护层，其中吸热涂层为蓝钛膜、黑铬膜或钛纳基选择性吸热膜中的一种。

下层板14b，其材质为塑料，并与所述上层平板密和；

所述上层平板和下层板之间设置有流水通道14c下层板外侧还设置有保温层14d，以提升即热效果。

实施例

取相同质量的两份待干燥谷物样本A和B，并记录A和B中水分含量。

样本A采用本发明所述基于卡尔曼滤波的谷物干燥方法进行干燥，设定谷物预期干燥后含水量为15％，样本B采用同样装置，并利用常规干燥方法进行干燥，干燥完成后对样本A和B进行取样检测，取样样本分别记为{a₁,a₂...........a₁₀}，{b₁,b₂...........b₁₀}，

测试结果如表1

表1

由表1数据可明显看出采用基于卡尔曼滤波的谷物干燥方法可以获得更好的干燥效果，干燥均匀，干燥效果好。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (10)

1.一种基于卡尔曼滤波的谷物干燥方法，其特征在于，包括：

步骤一：采用近红外谷物分析仪实时检测谷物水分含量M_r，实时检测干燥装置内温度T_r，热源温度T_h，环境湿度M₀；

步骤二：谷物输送到干燥装置内，开启热风干燥装置和远红外辐射干燥装置，谷物在自重作用下，自上至下滚落，通过排粮机构控制谷物在装置内流动速度

其中，L_r为谷物在干燥设备内流动距离；Q_all为装置内谷物总重量，其；为时间系数，γ为谷物复水比；K为玻尔兹曼常数，J_r为标准大气压下，蒸发单位质量水分所需的热量，μ为引风机风速，为平衡因数。

2.根据权利要求1所述的基于卡尔曼滤波的谷物干燥方法，其特征在于，所述步骤一中，应用卡尔曼滤波对近红外谷物分析仪检测到的谷物水分含量值进行误差校正，建立观测方程，将近红外谷物分析仪检测到的谷物水分含量值迭代卡尔曼滤波估计方程，获得谷物水分含量的最优估计值，即为校正后谷物水分含量值。

3.根据权利要求2所述的基于卡尔曼滤波的谷物干燥方法，其特征在于，所述误差校正过程包括以下步骤：

步骤A.按照采样周期，对谷物水分含量M_r进行多次取样，取出一组取样数据{Z_k}，k＝0,1,2......t；建立卡尔曼滤波观测方程，计算状态转移量{φ_k}，k＝0,1,2......t，

${\mathrm{\φ}}_k=\frac{Z_{k+1}-V_{k+1}}{Z_k-V_k};$

V_k和V_k+1分别为对应k和k+1时刻检测白噪声，其由数据模拟获得，服从均值为零，方差为G；其中，G为取样数据{Z_k}的近似方差；

步骤B.令并将其迭代卡尔曼滤波估计方程，计算得出谷物水分含量估计值其中，Z_max为取样数据的最大值，Z_min为取样数据的最小值。

4.根据权利要求3所述的基于卡尔曼滤波的谷物干燥方法，其特征在于，还包括BP神经网络，用于获得谷物水分含量估计值与测量值之间的最优连接权值，根据最优连接权值获得精确的谷物水分含量值，实现对近红外谷物分析仪因环境温度和湿度变化引入的检测误差进行实时校正，包括以下步骤：

步骤A.建立三层BP神经网络结构，规格化谷物水分含量估计值近红外谷物分析仪检测到的谷物水分含量M_r，环境湿度M₀，环境温度T_r；

确定输入层节点数为3个，输入层向量为y＝{y_1k,y_2k,y_3k}_，其中y_1k为检测水分含量值系数，y_2k为环境湿度系数，y_3k为环境温度系数；

步骤B.确定隐含层输出向量为{f₁,f₂,f₃...f_j...f_p}，其中p为隐含层节点个数；

步骤C.确定输出层节点数为1个，输出层向量为{l_ik′}，l′_ik为对应的谷物水分含量估计值系数；

步骤D.计算隐含层和输出层向量输出值，并计算隐含层和输出层训练误差，对连接权值进行修正；

步骤E.当神经网络输出规格化系数l′_ik与谷物水分含量估计值系数l_ik之间的均方差e≤0.01时结束训练，其中，

$e=\frac{1}{t+1}\underset{k=0}{\overset{t}{\mathrm{\Σ}}}{(l_{ik}^{\′}-l_{ik})}^2.$

5.根据权利要求4所述的基于卡尔曼滤波的谷物干燥方法，其特征在于所述规格化公式为，

其中y_k为测量参数M_r、M₀、T_r；y_max和y_min分别为相应测量参数中的最大值和最小值；

其中，l_ik为对应的谷物水分含量估计值系数，X_max和X_min分别为谷物水分含量估计值的最大值和最小值。

6.根据权利要求1所述基于卡尔曼滤波的谷物干燥方法，其特征在于，还包括太阳能集热器，其设置在干燥装置顶部，用于提升干燥装置内温度。

7.根据权利要求6所述基于卡尔曼滤波的谷物干燥方法，其特征在于，所述太阳能集热器包括：

上层平板，其为透明板，所述上层平板的内表面依次覆盖有吸热涂层和防水保护层；

下层板，其材质为塑料，并与所述上层平板密和；

所述上层平板和下层板之间设置有流水通道。

8.根据权利要求7所述基于卡尔曼滤波的谷物干燥方法，其特征在于，所述吸热涂层为蓝钛膜、黑铬膜或钛纳基选择性吸热膜中的一种。

9.根据权利要求7所述基于卡尔曼滤波的谷物干燥方法，其特征在于，所述下层板外侧设置有保温层。

10.根据权利要求1-9任一项所述基于卡尔曼滤波的谷物干燥方法，其特征在于，所述辐射干燥装置为利用远红外加热、微波加热和电磁加热中的一种。