基于BP神經(jīng)網(wǎng)絡(luò)的飼料產(chǎn)品品質(zhì)預(yù)測(cè)方法

王紅英 宋春風(fēng)

產(chǎn)品品質(zhì)控制與預(yù)測(cè)對(duì)飼料加工生產(chǎn)有著重要意義，可以有效避免原料的浪費(fèi)，降低生產(chǎn)成本和保證產(chǎn)品品質(zhì)的一致性。在實(shí)際生產(chǎn)過程中，飼料企業(yè)基本以“經(jīng)驗(yàn)值+實(shí)踐”的方式探求配方變化后的加工工藝參數(shù)，因而產(chǎn)品品質(zhì)產(chǎn)生波動(dòng)，造成不必要的浪費(fèi)。已有研究表明，國(guó)外科學(xué)家已將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于農(nóng)產(chǎn)品加工品質(zhì)及食品加工品質(zhì)的預(yù)測(cè)方面[1-5]。但其研究均是在實(shí)驗(yàn)室完成，與實(shí)際生產(chǎn)存在一定差距。而神經(jīng)網(wǎng)絡(luò)在飼料領(lǐng)域的應(yīng)用僅在飼料配方的設(shè)計(jì)開發(fā)上，并取得了較好的效果[6]。國(guó)內(nèi)還未見有將其應(yīng)用于飼料加工過程產(chǎn)品品質(zhì)控制與預(yù)測(cè)的文獻(xiàn)和報(bào)道。本文引入了基于人工神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)方法，以實(shí)際規(guī)模生產(chǎn)過程的可控易控加工參數(shù)數(shù)據(jù)作為網(wǎng)絡(luò)學(xué)習(xí)樣本，然后將訓(xùn)練完成后的網(wǎng)絡(luò)預(yù)測(cè)模型應(yīng)用于飼料實(shí)際生產(chǎn)，以期達(dá)到快速準(zhǔn)確地預(yù)測(cè)最終產(chǎn)品的品質(zhì)指標(biāo)參數(shù)。

1 BP預(yù)測(cè)模型結(jié)構(gòu)設(shè)計(jì)

BP神經(jīng)網(wǎng)絡(luò)（Back-Propagation Network，簡(jiǎn)稱BP網(wǎng)絡(luò)）是目前人工神經(jīng)網(wǎng)絡(luò)中最常用的一種，已經(jīng)廣泛應(yīng)用于模式識(shí)別、函數(shù)逼近、信號(hào)處理和系統(tǒng)控制等領(lǐng)域，取得了顯著的成果[7]。BP網(wǎng)絡(luò)的實(shí)質(zhì)是一個(gè)從輸入到輸出的高度非線性的映射，所采用的算法是把樣本的I/O問題轉(zhuǎn)化為非線性的優(yōu)化問題。假設(shè)網(wǎng)絡(luò)的輸入層有n個(gè)結(jié)點(diǎn)，輸出層有m個(gè)結(jié)點(diǎn)，則網(wǎng)絡(luò)是由Rn到Rm的映射，具體表示如下：

根據(jù)上述分析，在乳豬料加工過程中，因其工序多，輸入?yún)?shù)亦較多，且最終產(chǎn)品品質(zhì)指標(biāo)亦不止一個(gè)。它們之間定存在映射關(guān)系F。因而BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用是一個(gè)可行的科學(xué)方法。

1.1 輸入層參數(shù)選取

1.1.1 原料特性參數(shù)選取

飼料的加工品質(zhì)受其原料質(zhì)量影響很大，而乳豬料配方中均有一定比例的膨化原料（如膨化玉米、膨化大豆、膨化豆粕等），故在原料品質(zhì)的眾多特性參數(shù)選取中除原料的粉碎粒度外，增加了原料的淀粉糊化度和膨化度，這在一般畜禽顆粒飼料產(chǎn)品可控參數(shù)中是沒有的，也是本論文首次提出的。

1.1.2 可控易控的過程參數(shù)選取

在乳豬料的實(shí)際生產(chǎn)中，對(duì)一些關(guān)鍵工藝參數(shù)已有了監(jiān)控儀表，可直接讀取這些關(guān)鍵參數(shù)的實(shí)時(shí)值。因此，在眾多加工工藝參數(shù)中，選取喂料速度、調(diào)質(zhì)溫度、制粒機(jī)電流、冷卻風(fēng)機(jī)電流作為影響產(chǎn)品品質(zhì)的過程輸入?yún)?shù)。

綜上所述，在輸入層選取原料淀粉糊化度、原料膨化度、原料粉碎粒度、喂料速度、調(diào)質(zhì)溫度、制粒機(jī)效率、冷卻風(fēng)機(jī)效率作為輸入層參數(shù)。

1.2 輸出層參數(shù)選取

乳豬料最終產(chǎn)品的品質(zhì)參數(shù)不止一個(gè)，但關(guān)鍵性的參數(shù)為淀粉糊化度和水分。前者是產(chǎn)品品質(zhì)的控制指標(biāo)；后者是質(zhì)量指標(biāo)，水分含量超標(biāo)會(huì)影響后期儲(chǔ)存，加快產(chǎn)品變質(zhì)。

1.3 構(gòu)建BP預(yù)測(cè)模型結(jié)構(gòu)

具體網(wǎng)絡(luò)結(jié)構(gòu)見圖1。網(wǎng)絡(luò)結(jié)構(gòu)采用4層結(jié)構(gòu)，其中輸入層為7個(gè)輸入?yún)?shù)，分別為原料淀粉糊化度、原料膨化度、原料粉碎粒度、喂料速度、調(diào)質(zhì)溫度、制粒機(jī)電流、冷卻風(fēng)機(jī)電流；隱含層為2層，共10個(gè)神經(jīng)元；輸出層為2個(gè)輸出參數(shù)，分別為產(chǎn)品淀粉糊化度、產(chǎn)品水分含量。

圖1 乳豬料產(chǎn)品品質(zhì)BP網(wǎng)絡(luò)預(yù)測(cè)模型結(jié)構(gòu)

1.4 網(wǎng)絡(luò)模型學(xué)習(xí)及訓(xùn)練

網(wǎng)絡(luò)學(xué)習(xí)過程是：通過對(duì)網(wǎng)絡(luò)權(quán)值wij與閾值θ的不斷修正，使誤差函數(shù)E沿負(fù)梯度方向下降[8]。網(wǎng)絡(luò)中第k層第j個(gè)神經(jīng)元的輸入與輸出之間的關(guān)系可以表示為：

式中：ykj——第k層第j個(gè)神經(jīng)元的輸出；

wkij——從第（k-1）層第i個(gè)神經(jīng)元到第k層第j個(gè)神經(jīng)元之間的連接權(quán)值；

θkj——表示閾值；

f(x)——為響應(yīng)函數(shù)，即正切sigmoid函數(shù)（簡(jiǎn)稱S函數(shù)）[9]。

BP網(wǎng)絡(luò)的具體訓(xùn)練過程（見圖2）[10]：

圖2 BP網(wǎng)絡(luò)訓(xùn)練過程

BP網(wǎng)絡(luò)的訓(xùn)練過程在MATLAB軟件的Neural Network Toolbox中進(jìn)行,神經(jīng)網(wǎng)絡(luò)的算法分為Widrow-Hoff算法、Levenberg-Marquardt算法、Kohonen算法等，其中Levenberg-Marquardt算法穩(wěn)定性好，收斂速度快[11]，本文選用該算法為學(xué)習(xí)算法。

網(wǎng)絡(luò)訓(xùn)練需要設(shè)定相應(yīng)的初始權(quán)值，并提供一定數(shù)量的學(xué)習(xí)樣本。具體程序編寫如下：

net1.trainParam.show=50;%每50步顯示一次誤差曲線

net1.trainParam.lr=0.05;%學(xué)習(xí)速率

net1.trainParam.epochs=1000;%設(shè)置訓(xùn)練的最大步長(zhǎng)

net1.trainParam.goal=le-4;%設(shè)置均方誤差限為10-4

[net1.tr1]=train(net1,P1,T1);%網(wǎng)絡(luò)訓(xùn)練

式中：P1——預(yù)測(cè)模型的樣本輸入矩陣；

T1——預(yù)測(cè)模型的目標(biāo)輸出矩陣。

訓(xùn)練結(jié)果見圖3：

圖3 乳豬料產(chǎn)品品質(zhì)預(yù)測(cè)模型訓(xùn)練過程

圖3可見，縱坐標(biāo)Mean Squared Error（MSE）為平均方差，當(dāng)MSE小于目標(biāo)誤差時(shí)，訓(xùn)練結(jié)束；橫坐標(biāo)為訓(xùn)練次數(shù)。從圖中可知，經(jīng)過16步計(jì)算，誤差達(dá)到要求，訓(xùn)練停止。

2 網(wǎng)絡(luò)樣本獲取

樣本數(shù)據(jù)是2009年7～8月在某乳豬料生產(chǎn)企業(yè)的生產(chǎn)現(xiàn)場(chǎng)采集（見表 1），分別為 4088、4070、4050、4075四種不同配方的乳豬料產(chǎn)品。其中產(chǎn)品4088為高檔乳豬料（膨化玉米添加量為40%），產(chǎn)品4070、4050、4075為低檔乳豬料（未添加膨化玉米），共獲取48組數(shù)據(jù)，前40組應(yīng)用在模型的訓(xùn)練中，后8組用于模型仿真。

在訓(xùn)練之前，利用premnmx函數(shù)將網(wǎng)絡(luò)的學(xué)習(xí)樣本進(jìn)行歸一化處理，以滿足S函數(shù)的收斂需求[12]。

表1 樣本數(shù)據(jù)

表1 樣本數(shù)據(jù)(續(xù))

3 預(yù)測(cè)結(jié)果及分析

模型訓(xùn)練后，需要進(jìn)一步進(jìn)行仿真驗(yàn)證，其測(cè)試樣本來自前期獲取的48組樣本數(shù)據(jù)中的8組。具體的程序命令如下：

A1=sim(net1,P1);%仿真預(yù)測(cè)

[m1,b1,r1]=postreg(A1,T1)%對(duì)網(wǎng)絡(luò)仿真的輸出結(jié)果和目標(biāo)輸出作線性回歸分析

式中：A1——系統(tǒng)仿真輸出；

m1——線性回歸直線的斜率；

b1——回歸直線的數(shù)據(jù)；

r1——目標(biāo)輸出（T1）與仿真輸出（A1）的回歸系數(shù)。

預(yù)測(cè)結(jié)果見表2。

表2 BP網(wǎng)絡(luò)預(yù)測(cè)值與真實(shí)值比較

圖4 產(chǎn)品淀粉糊化度預(yù)測(cè)值與真實(shí)值對(duì)比

圖5 產(chǎn)品水分含量預(yù)測(cè)值與真實(shí)值對(duì)比

圖4和圖5分別繪制了產(chǎn)品淀粉糊化度及水分含量的預(yù)測(cè)值和真實(shí)值曲線。其中橫坐標(biāo)表示樣本序號(hào)，縱坐標(biāo)為相應(yīng)的產(chǎn)品品質(zhì)指標(biāo)。從圖4、圖5中可以看出，BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值與真實(shí)值基本一致。

圖6和圖7為神經(jīng)網(wǎng)絡(luò)利用postreg函數(shù)對(duì)產(chǎn)品淀粉糊化度和水分含量進(jìn)行回歸分析過程。其中橫坐標(biāo)表示真實(shí)值，縱坐標(biāo)表示預(yù)測(cè)值。相關(guān)系數(shù)R描述預(yù)測(cè)值與真實(shí)值之間的線性相關(guān)關(guān)系的密切程度,R越趨于1表示二者關(guān)系越密切。從圖中可以看出，產(chǎn)品淀粉糊化度及水分含量的預(yù)測(cè)值和真實(shí)值的相關(guān)系數(shù)R分別為0.99985和0.97603，說明預(yù)測(cè)值與真實(shí)值相關(guān)性好，BP網(wǎng)絡(luò)能夠?qū)ζ溥M(jìn)行準(zhǔn)確預(yù)測(cè)。

圖6 產(chǎn)品淀粉糊化度預(yù)測(cè)值與真實(shí)值的比較

圖7 產(chǎn)品水分含量預(yù)測(cè)值與真實(shí)值的比較

4 小結(jié)

試驗(yàn)結(jié)果表明，利用BP網(wǎng)絡(luò)模型對(duì)乳豬料產(chǎn)品品質(zhì)的預(yù)測(cè)方法是可行的，并且取得了理想的預(yù)測(cè)效果。這種預(yù)測(cè)方法不僅節(jié)省了工人摸索工藝參數(shù)的時(shí)間，而且減少了企業(yè)尋求適宜加工參數(shù)所花費(fèi)的生產(chǎn)成本。在今后的研究中，應(yīng)建立不同類型企業(yè)（以乳豬料生產(chǎn)工藝為基準(zhǔn)）的樣本數(shù)據(jù)庫及相應(yīng)預(yù)測(cè)模型結(jié)構(gòu)，使得BP預(yù)測(cè)模型更具智能性與精確性。

[1]Adnan Topuz.Predicting moisture content of agricultural products using artificial neural networks[J].Advances in Engineering Software,2010(41):464-470.

[2]Poonpat Poonnoy,Ampawan Tansakul,Manjeet Chinnan.Artificial neural network modeling for temperature and moisture content prediction in tomato slices undergoing microwave-vacuum drying[J].Journal of Food Science,2007,72(1):42-47.

[3]Kamyar Movagharnejad,Maryam nikzad.modeling of tomato drying using artificial neural network[J].Computers and Electronics in Agriculture,2007(59):78-85.

[4]S.Lertworasirikul,Y.Tipsuwan.Moisture content and water activity prediction of semi-finished cassava crackers from drying process with artificial neural network [J].Journal of Food Engineering,2008(84):65-74.

[5]S.M.Gon?i,S.Oddone,J.A.Segura,et al.Prediction of foods freezing and thawing times:Artificial neural networks and genetic algorithm approach[J].Journal of Food Engineering,2008(84):164-178.

[6]Supachai Pathumnakul, Kullapapruk Piewthongngam, Atthit Apichottanakul.A neural network approach to the selection of feed mix in the feed industry [J].Computers and Electronics in Agriculture,2009,68(1):18-24.

[7]聞新,周露,李翔,等.Matlab神經(jīng)網(wǎng)絡(luò)仿真與應(yīng)用[M].北京:科學(xué)出版社,2003.

[8]韓力群.人工神經(jīng)網(wǎng)絡(luò)教程[M].北京:北京郵電大學(xué)出版社,2006.

[9]朱大奇,史慧.人工神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用[M].北京:科學(xué)出版社,2006.

[10]唐傳茵,李華,周煒,等.基于遺傳算法和神經(jīng)網(wǎng)絡(luò)的車輛主動(dòng)懸架控制技術(shù)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2009,39(5):35-40.

[11]王波雷,馬孝義,郝晶晶.基于L-M優(yōu)化算法的噴頭射程神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2008,40(2):6-11.

[12]袁壽其,沈艷寧,張金鳳,等.基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的復(fù)合葉輪離心泵性能預(yù)測(cè)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2009,40(9):77-80.