CN110955289A

CN110955289A - 一种基于温湿度监控的粮食仓储方法

Info

Publication number: CN110955289A
Application number: CN201911247983.8A
Authority: CN
Inventors: 王英
Original assignee: Individual
Current assignee: Heilongjiang Jiahe Rongtong Logistics Co ltd
Priority date: 2019-12-09
Filing date: 2019-12-09
Publication date: 2020-04-03
Anticipated expiration: 2039-12-09
Also published as: CN110955289B

Abstract

本发明公开一种基于温湿度监控的粮食仓储方法，涉及粮食仓储技术领域，主要包括：对储存的粮食进行熏蒸，且熏蒸的时间满足：

其中，t为熏蒸时间，η为粮食湿度，e为自然对数的底数，T为粮仓温度，s为粮仓底面积，h为粮仓内粮面的高度，V₀为粮仓体积，t₀为设定时间。本发明所述的基于温湿度监控的粮食仓储方法，能够对粮食进行熏蒸，并控制熏蒸时间，实现高效杀虫。本发明还能基于BP神经网络，根据粮仓内熏蒸气体的体积分数，控制惰性气体的通入状态，避免粮仓内熏蒸气体浓度过高，对粮食造成污染。

Description

一种基于温湿度监控的粮食仓储方法

技术领域

本发明涉及粮食仓储技术领域，更具体的来说涉及一种基于温湿度监控的粮食仓储方法。

背景技术

目前在农业粮食谷物的加工中，都是直接谷物经过初加工工序后进入精加工工序，造成谷物因温度过高，导致谷物破碎率较高，优等品率下降，谷物成品因温度过高包装储藏后发生霉变的现象。中国发明专利申请专利号 201810978665.8公开了一种一种基于温湿度监控的粮食仓储方法，具体公开了在进行粮食临时仓储时，基于BP神经网络确定临时储粮仓内的通风状态，具体包括步骤1：按照采样周期，通过传感器测量临时储粮仓内粮食的湿度，临时储粮仓内的温度，临时储粮仓内粮面的高度；步骤2：确定三层BP神经网络的输入层神经元向量；步骤3：所述输入层向量映射到中间层，中间层的神经元为m个；步骤:4：得到输出层神经元向量。能够基于温湿度监控的粮食仓储方法，能够基于BP神经网络控制临时储粮仓内的通风状态，使得临时储粮仓内粮食保持干爽，易于储存，还能在临时储粮仓处于通风状态时，控制热风空气的温度，提高粮效率，但由于温度过高、湿度太大，导致谷物在存储过程中出现霉变现象。

同时，现在在粮食仓储的防治储粮虫害的主要手段是采用化学熏蒸法进行熏蒸杀虫，上述现有技术公开的技术方案并不理想。目前国际上在储粮领域主要采用的化学熏蒸剂是磷化氢，磷化氢是一种无色、剧毒、易燃的气体，它扩散性好、挥发性好、易于向粮堆下层渗透，是一种性能良好的熏蒸剂，广泛应用于在我国粮食仓储企业的日常杀虫作业中。但高大平房仓在熏蒸杀虫过程中，一般需要利用仓外熏蒸机分多次投药才能达到理想效果，既费工又误时，且操作不便，投入又较大。

发明内容

本发明的一个目的是设计开发了一种基于温湿度监控的粮食仓储方法，能够对粮食进行熏蒸，并控制熏蒸时间，实现高效杀虫。

本发明还能基于BP神经网络，根据粮仓内熏蒸气体的体积分数，控制惰性气体的通入状态，避免粮仓内熏蒸气体浓度过高，对粮食造成污染。

本发明提供的技术方案为：

一种基于温湿度监控的粮食仓储方法，包括：对储存的粮食进行熏蒸，且熏蒸的时间满足：

其中，t为熏蒸时间，η为粮食湿度，e为自然对数的底数，T为粮仓温度， s为粮仓底面积，h为粮仓内粮面的高度，V₀为粮仓体积，t₀为设定时间。

优选的是，所述熏蒸气体为磷化氢气体。

优选的是，在进行熏蒸时，粮仓内熏蒸气体的体积分数c满足：

优选的是，在进行熏蒸时，基于BP神经网络确定粮仓内惰性气体的通入状态，具体包括如下步骤：

步骤1：按照采样周期，通过传感器测量粮仓内粮食的湿度，粮仓内的温度，粮仓内粮面的高度，粮仓内熏蒸气体的体积分数；

步骤2：确定三层BP神经网络的输入层神经元向量x＝{x₁，x₂，x₃，x₄，x₅}；其中，x₁为粮仓内粮食的湿度，x₂为粮仓内的温度，x₃为粮仓内粮面的高度， x₄为粮仓内熏蒸气体的体积分数，x₅为粮仓的底面积；

步骤3：所述输入层向量映射到中间层，中间层的神经元为m个；

步骤：4：得到输出层神经元向量o＝{o₁}；其中，o₁为粮仓内惰性气体的通入状态，所述输出层神经元值为

当o₁为1时，粮仓内开始通入惰性气体，当o₁为0时，粮仓内停止通入惰性气体。

优选的是，所述中间层的神经元m满足：

其中n为输入层节点个数，p为输出层节点个数。

优选的是，所述中间层及所述输出层的激励函数均采用S型函数 f_j(x)＝1/(1+e^-x)。

优选的是，完成熏蒸后，释放熏蒸气体和惰性气体，并通入热空气进行通风处理，且热空气的温度满足：T_g≤45℃。

优选的是，通过通风处理后，粮仓内粮食的湿度满足：η≤10％。

本发明所述的有益效果：

(1)本发明所述的基于温湿度监控的粮食仓储方法，能够对粮食进行熏蒸，并控制熏蒸时间，实现高效杀虫。

(2)本发明还能基于BP神经网络，根据粮仓内熏蒸气体的体积分数，控制惰性气体的通入状态，避免粮仓内熏蒸气体浓度过高，对粮食造成污染。

附图说明

图1为本发明所述粮食仓储装置的结构示意图。

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。

本发明使用的粮食仓储装置如图1所示，包括位于粮仓500外部的药气箱100以及与药气箱100连接的熏蒸机构，所述熏蒸机构包括与药气箱100 连接的主管200、与主管200连通的多个支管300以及与每个支管300连通的熏蒸管400，所述熏蒸管400竖直固定于所述粮仓500的内壁，所述熏蒸管400的末端封闭，且管壁上均布有多个熏蒸孔600，所述粮仓500上部的仓壁上还设置有与粮仓500外部连通的排气装置。

在粮仓500的熏蒸装置中，设置了多个固定于粮仓500内壁上的熏蒸管 400，由于熏蒸管400上设置有多个熏蒸孔600，在进行粮食熏蒸的过程中，磷化氢气体不断从药气箱100中，经过熏蒸管400上的熏蒸孔600喷出，增大了磷化氢气体与粮食的接触面积，且由于熏蒸管400固定于粮400仓500 内壁，使得磷化氢气体从外到内不断扩散，提高熏蒸的均匀性，因此能够解决现有的熏蒸气体扩散不均匀，熏蒸效率不高的问题。

所述熏蒸管400设置有多个，且均布于所述粮仓500的内壁上。多个熏蒸管400均布于粮仓500内壁，进一步提高了气体扩散的效率，提高了熏蒸的均匀性。

所述排气装置包括与粮仓500内部连通的排气管700以及与所述排气管 700连接的净气装置800，所述排气管700上设置有引风机900。通过设置排气装置，且在排气装置中设置净气装置800，能够将熏蒸结束后的磷化氢气体迅速排出，使粮仓500内部气体达到安全范围，同时将排出的磷化氢气体净化后排放，避免剧毒气体对人体和环境的危害。

每个所述熏蒸管400外部套设有隔离网110，所述隔离网110的网孔尺寸不大于粮食粒径。在熏蒸管400外部设置隔离网110，能够避免小颗粒的粮食堵塞熏蒸孔600，提高熏蒸装置的寿命，提高熏蒸效率。

所述主管200上设置有惰性气体装置120，所述主管200上靠近所述惰性气体装置120处以及靠近所述药气箱100处均设置有阀门130。通过在主管200上设置惰性气体装置120，在熏蒸过程中，可以打开惰性气体的阀门 130，通过惰性气体的引入对粮仓500内的磷化氢气体进行稀释，控制粮仓内磷化氢气体的浓度。

所述主管200上还设置有通风装置140，所述主管200上靠近所述通风装置处设置有阀门150。通过在主管200上设置通风装置140，在熏蒸结束后，关闭靠近所述惰性气体装置120处以及靠近所述药气箱100处设置的阀门 130，打开通风装置的阀门150，通过热气体的引入对粮仓500内的粮食进行通风处理，降低粮仓内粮食的湿度。

在所述粮仓500内设置有气体浓度传感器160，能够测量粮仓内熏蒸气体的体积分数；在粮仓顶部设置有红外传感器，能够检测粮仓内粮面的高度；在所述粮仓500内还设置有湿度传感器，能够测量粮仓内粮食的湿度；粮仓 500内壁相对两侧(隔离网110上)沿着粮仓竖直方向等间距设置有温度传感器，用于检测粮仓温度。

本发明提供一种基于温湿度监控的粮食仓储方法，将靠近药气箱100处均的有阀门打开，并关闭排气管700，对储存的粮食进行熏蒸，所述熏蒸气体为磷化氢气体，且熏蒸的时间满足：

其中，t为熏蒸时间(h)，η为粮食湿度，e为自然对数的底数，T为粮仓温度(℃)，s为粮仓底面积(m²)，h为粮仓内粮面的高度(m)，V₀为粮仓体积(m³)，t₀为设定时间(h)，一般取5h。

粮仓的温度为温度传感器器检测的温度值的平均值：

其中，T_i为第i个温度传感器检测的温度值，m为温度传感器的个数。

在进行熏蒸时，粮仓内熏蒸气体的体积分数c满足：

当熏蒸气体浓度过高时，通过打开靠近惰性气体的阀门向粮仓内通入惰性气体进而降低熏蒸气体的体积分数，具体基于BP神经网络确定粮仓内惰性气体的通入状态，具体包括如下步骤：

步骤一、建立BP神经网络模型。

BP模型上各层次的神经元之间形成全互连连接，各层次内的神经元之间没有连接，输入层神经元的输出与输入相同，即o_i＝x_i。中间隐含层和输出层的神经元的操作特性为

o_pj＝f_j(net_pj)

其中p表示当前的输入样本，ω_ji为从神经元i到神经元j的连接权值，o_pi为神经元j的当前输入，o_pj为其输出；f_j为非线性可微非递减函数，一般取为S型函数，即f_j(x)＝1/(1+e^-x)。

本发明采用的BP神经网络体系结构由三层组成，第一层为输入层，共n 个节点，对应了表示粮仓内的n个检测信号，这些信号参数由数据预处理模块给出；第二层为隐层，共m个节点，由网络的训练过程以自适应的方式确定；第三层为输出层，共p个节点，由系统实际需要输出的响应确定。

该网络的数学模型为：

输入向量：x＝(x₁，x₂，...，x_n)^T

中间层向量：y＝(y₁，y₂，...，y_m)^T

输出向量：o＝(o₁，o₂，...，o_p)^T

本发明中，输入层节点数为n＝5，输出层节点数为p＝1，隐藏层节点数

输入层5个参数分别表示为：x₁为粮仓内粮食的湿度，x₂为粮仓内的温度，x₃为粮仓内粮面的高度，x₄为粮仓内熏蒸气体的体积分数，x₅为粮仓的底面积；

输出层1个参数分别表示为：o₁为粮仓内惰性气体的通入状态，所述输出层神经元值为

步骤二、进行BP神经网络的训练。

建立好BP神经网络节点模型后，即可进行BP神经网络的训练。根据产品的历史经验数据获取训练的样本，并给定输入节点i和隐含层节点j之间的连接权值，隐层节点j和输出层节点k之间的连接权值。

(1)训练方法

各子网采用单独训练的方法；训练时，首先要提供一组训练样本，其中的每一个样本由输入样本和理想输出对组成，当网络的所有实际输出与其理想输出一致时，表明训练结束；否则，通过修正权值，使网络的理想输出与实际输出一致；各子网训练时的输出样本如表1所示。

表1网络训练用的输出样本

(2)训练算法

BP网络采用误差反向传播(Backward Propagation)算法进行训练，其步骤可归纳如下：

第一步：选定一结构合理的网络，设置所有节点阈值和连接权值的初值。

第二步：对每个输入样本作如下计算：

(a)前向计算：对l层的j单元

式中，

为第n次计算时l层的j单元信息加权和，

为l层的j单元与前一层(即l-1层)的单元i之间的连接权值，

为前一层(即l-1层，节点数为n_l-1) 的单元i送来的工作信号；i＝0时，令

为l层的j单元的阈值。

若单元j的激活函数为sigmoid函数，则

且

若神经元j属于第一隐层(l＝1)，则有

若神经元j属于输出层(l＝L)，则有

且e_j(n)＝x_j(n)-o_j(n)；

(b)反向计算误差：

对于输出单元

对隐单元

(c)修正权值：

η为学习速率。

第三步：输入新的样本或新一周期样本，直到网络收敛，在训练时各周期中样本的输入顺序要重新随机排序。

BP算法采用梯度下降法求非线性函数极值，存在陷入局部极小以及收敛速度慢等问题。更为有效的一种算法是Levenberg-Marquardt优化算法，它使得网络学习时间更短，能有效地抑制网络陷于局部极小。其权值调整率选为 Δω＝(J^TJ+μI)^-1J^Te

其中J为误差对权值微分的雅可比(Jacobian)矩阵，I为输入向量，e为误差向量，变量μ是一个自适应调整的标量，用来确定学习是根据牛顿法还是梯度法来完成。

在系统设计时，系统模型是一个仅经过初始化了的网络，权值需要根据在使用过程中获得的数据样本进行学习调整，为此设计了系统的自学习功能。在指定了学习样本及数量的情况下，系统可以进行自学习，以不断完善网络性能。

完成熏蒸后，释放熏蒸气体和惰性气体，并通入热空气进行通风处理，且热空气的温度满足：T_g≤45℃，通过通风处理后，粮仓内粮食的湿度满足： η≤10％。

下面结合具体的实施例进一步的对本发明提供的粮仓内惰性气体的通入状态的确定方法进行说明。

所用粮仓的底面积为10m²，高度为5m，粮仓的体积为50m³。选取10 组不同参数的粮食进行熏蒸试验，粮食的各项参数如表2所示。

表2粮食的各项参数

分组	湿度η/％	温度/℃	粮面高度/m	熏蒸气体体积分数/％
					1	15	25	1	1.32
2	16	28	1	1.56
					3	14	30	2	3.68
4	12	31	2	3.54
					5	18	35	3	7.51
6	20	36	3	8.02
					7	19	38	4	12.43
8	21	40	4	12.98
					9	23	42	5	18.92
10	25	45	5	22.02

所述10组粮食的熏蒸时间(根据公式(1)确定)和熏蒸过程中粮仓内惰性气体的通入状态(根据神经网络模型确定)如表3所示。

表3各组粮食的熏蒸时间和熏蒸过程中粮仓内惰性气体的通入状态

分组	熏蒸时间/h	惰性气体的通入状态
			1	3.83	不通
2	3.91	通
			3	7.82	不通
4	7.75	不通
			5	12.71	不通
6	13.28	不通
			7	17.86	不通
8	18.15	不通
			9	23.50	不通
10	24.32	通

采集10组熏蒸并烘干后的粮食进行检测，确定粮食的杀虫效率以及粮食内是否存在熏蒸气体。其结果如表4所示。

表4粮食检测结果

由以上可以，根据本发明确定的熏蒸时间和通过神经网络模型确定的粮仓内惰性气体的通入状态处理后的粮食表面杀虫效率接近100％，且粮食内不会残留熏蒸气体，不会对粮食造成污染。

本发明所述的基于温湿度监控的粮食仓储方法，能够对粮食进行熏蒸，并控制熏蒸时间，实现高效杀虫。本发明还能基于BP神经网络，根据粮仓内熏蒸气体的体积分数，控制惰性气体的通入状态，避免粮仓内熏蒸气体浓度过高，对粮食造成污染。

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

1.一种基于温湿度监控的粮食仓储方法，其特征在于，包括：对储存的粮食进行熏蒸，且熏蒸的时间满足：

其中，t为熏蒸时间，η为粮食湿度，e为自然对数的底数，T为粮仓温度，s为粮仓底面积，h为粮仓内粮面的高度，V₀为粮仓体积，t₀为设定时间。

2.如权利要求1所述的基于温湿度监控的粮食仓储方法，其特征在于，所述熏蒸气体为磷化氢气体。

3.如权利要求2所述的基于温湿度监控的粮食仓储方法，其特征在于，在进行熏蒸时，粮仓内熏蒸气体的体积分数c满足：

4.如权利要求3所述的基于温湿度监控的粮食仓储方法，其特征在于，在进行熏蒸时，基于BP神经网络确定粮仓内惰性气体的通入状态，具体包括如下步骤：

步骤2：确定三层BP神经网络的输入层神经元向量x＝{x₁，x₂，x₃，x₄，x₅}；其中，x₁为粮仓内粮食的湿度，x₂为粮仓内的温度，x₃为粮仓内粮面的高度，x₄为粮仓内熏蒸气体的体积分数，x₅为粮仓的底面积；

5.如权利要求4所述的基于温湿度监控的粮食仓储方法，其特征在于，所述中间层的神经元m满足：

其中n为输入层节点个数，p为输出层节点个数。

6.如权利要求5所述的基于温湿度监控的粮食仓储方法，其特征在于，所述中间层及所述输出层的激励函数均采用S型函数f_j(x)＝1/(1+e^-x)。

7.如权利要求5或6所述的基于温湿度监控的粮食仓储方法，其特征在于，完成熏蒸后，释放熏蒸气体和惰性气体，并通入热空气进行通风处理，且热空气的温度满足：T_g≤45℃。

8.如权利要求7所述的基于温湿度监控的粮食仓储方法，其特征在于，通过通风处理后，粮仓内粮食的湿度满足：η≤10％。