基于神經(jīng)計算的糧食倉儲環(huán)境監(jiān)測信息預測

文/張西龍 劉加躍 馬茜雅 王文玲

1 總體設計方案

糧食是人類社會賴以生存和延續(xù)的物質基礎。目前我國糧食存儲損失率在4%左右，若能將損失率降到2%，每年則可以減少糧食損失幾百億斤。為了減少糧食在存儲過程中環(huán)境因素不適引起的損失，糧倉需要部署糧情測控系統(tǒng)。目前國內糧情測控系統(tǒng)采集的傳感器信號種類仍舊較為單一。

基于此，本文設計了一種基于現(xiàn)代傳感器技術、無線通信技術、物聯(lián)網(wǎng)云平臺、人工神經(jīng)網(wǎng)絡技術的糧倉環(huán)境智能監(jiān)控系統(tǒng)，實現(xiàn)糧倉環(huán)境參數(shù)的多參量監(jiān)測和數(shù)據(jù)的預測預報。該系統(tǒng)主要包括數(shù)據(jù)采集、上傳、可視化以及數(shù)據(jù)預測。首先，MCU控制溫濕度傳感器采集溫濕度，并通過無線通信模塊將溫濕度數(shù)據(jù)上傳到云平臺服務器。然后在Web端檢索歷史數(shù)據(jù)并進行可視化，最后利用神經(jīng)網(wǎng)絡計算模型預測未來一段時間內的糧倉狀態(tài)，管理員可以通過電腦和手機遠程監(jiān)測糧倉。

2 數(shù)據(jù)采集和上傳及可視化

SHT20溫濕度傳感器可采集溫濕度信息。SHT20測溫誤差為0.3℃、測濕誤差為3.0%RH，通過I2C通信方式輸出采集結果。主控MCU通過PB6、PB7兩個通用IO口模擬I2C通信向SHT20發(fā)送觸發(fā)溫度測量、觸發(fā)溫度測量和讀取測量結果命令實現(xiàn)對溫濕度的采集。根據(jù)SDA 輸出的相對濕度信號SRH和溫度信號ST，可通過如下兩個公式計算相對濕度 RH和溫度 T，單位分別為 %RH、℃：

ESP8266是一個完整且自成體系的Wi-Fi網(wǎng)絡解決方案，能夠獨立運行，也可以作為從機搭載于其他主機MCU運行。通過控制ESP8266無線通信模塊，可以實現(xiàn)數(shù)據(jù)的上傳。數(shù)據(jù)上傳過程中，主控MCU通過串口向ESP8266發(fā)送相關AT指令，從而控制ESP8266連接到Wi-Fi和ThingSpeak服務器，然后將采集數(shù)據(jù)發(fā)送給ESP8266并控制ESP8266將數(shù)據(jù)發(fā)送給服務器。數(shù)據(jù)上傳到服務器之后，通過thingspeakRead()函數(shù)獲得指定時間段內的歷史數(shù)據(jù)或者指定數(shù)量的歷史數(shù)據(jù)，然后調用MATLAB plot()繪圖命令，對歷史數(shù)據(jù)進行可視化，從而更加直觀地實現(xiàn)對糧倉的遠程監(jiān)控。

3 數(shù)據(jù)預測

本文通過神經(jīng)網(wǎng)絡算法，利用三年歷史數(shù)據(jù)訓練神經(jīng)計算模型，預測未來一天內的糧倉環(huán)境狀態(tài)，如最高溫度、最低溫度、平均濕度。

3.1 數(shù)據(jù)預處理

在訓練神經(jīng)網(wǎng)絡之前，需要對數(shù)據(jù)進行預處理，主要包括剔除異常數(shù)據(jù)、數(shù)據(jù)特征處理以及數(shù)據(jù)值域變換，從而使神經(jīng)網(wǎng)絡模型的性能更好。本文利用前三天的數(shù)據(jù)預測未來一天的數(shù)據(jù)，因此把前三天的數(shù)據(jù)添加到當前數(shù)據(jù)的同一行，作為輸入的特征列，即輸入特征列變換。

經(jīng)過輸入特征列變換后，會導致一些數(shù)據(jù)缺失，在pandas中缺失的數(shù)據(jù)用Nan表示，調用pandas中的dropna( )方法，清理前三天包含Nan的數(shù)據(jù)行以及三年歷史數(shù)據(jù)中可能包含Nan的數(shù)據(jù)行。

高斯分布具有很好的理論性質，比如標準正態(tài)分布的平均值為0、方差為1，這可以使得模型的表現(xiàn)更好。因此，本文通過歸一化對數(shù)據(jù)進行了標準化處理，即將最大值和最小值縮放為0和1，將最大值和最小值之間數(shù)據(jù)分別映射到區(qū)間(0,1)內，見公式3：

3.2 超參數(shù)確定

超參數(shù)主要包括學習率、隱層層數(shù)、隱層神經(jīng)元個數(shù)、激活函數(shù)等。當數(shù)據(jù)量不大時，淺層模型的準確率一般較好，數(shù)據(jù)量比較大時，深度模型效果更好。本文采集的歷史數(shù)據(jù)量不很多，因此采用雙隱層的淺層網(wǎng)絡。對于環(huán)境參數(shù)預測這類回歸問題，輸出層的激活函數(shù)采用線性函數(shù)，其他超參數(shù)的的搜索范圍為：

（1）隱含層0激活函數(shù)：{Sigmoid,Tanh,ReLU}

（2）隱含層0神經(jīng)元個數(shù)：[4,12]

（3）隱含層1激活函數(shù)：{Sigmoid,Tanh,ReLU}

（4）隱含層1神經(jīng)元個數(shù)：[10,25]

（5）學習率：[0.001,0.01]

對于神經(jīng)網(wǎng)絡超參數(shù)的確定，可以直接使用sklearn提供的GridSearchCV與RandomizedSearchCV兩個方法。雖然GridSearchCV相對來說一般比較耗時，但是RandomizedSearchCV隨機參數(shù)搜索不一定能保證搜索到最佳超參數(shù)分布，因此，本系統(tǒng)采用GridSearchCV方法確定最佳超參數(shù)。

使用GridSearchCV搜索參數(shù)時，先設置好本次的搜索參數(shù)范圍并構造好GridSearchCV對象，然后調用fit( )方法開始搜索，通過best_params_屬性獲得搜索結果：

（1）隱含層0激活函數(shù)：Tanh

（2）隱含層0神經(jīng)元個數(shù)：11

（3）隱含層1激活函數(shù)：Tanh

（4）隱含層1神經(jīng)元個數(shù)：18

表1：預測結果度量

圖1：錯誤率迭代曲線

圖2：最高溫度預測測試結果

（5）學習率：0.09119573070815927

3.3 訓練神經(jīng)網(wǎng)絡

神經(jīng)網(wǎng)絡的學習過程，就是根據(jù)訓練數(shù)據(jù)來調整神經(jīng)元之間的連接權(connection weight)以及每個功能神經(jīng)元的閾值。確定了超參數(shù)以后，通過sknn.mlp模塊的Layer和Regressor構造一個Regressor對象，然后調用Regressor對象的fit( )方法，訓練神經(jīng)網(wǎng)絡的連接權重和閾值。編寫store_stats( )函數(shù)跟蹤參數(shù)更新狀態(tài)、記錄錯誤率。訓練過程中，錯誤率剛開始迅速下降，最終下降到1.0%左右停止迭代，最后穩(wěn)定在0.8%左右，即精度為99.2%。訓練結束后，繪制錯誤率迭代曲線，如圖1所示。

3.4 神經(jīng)網(wǎng)絡模型性能測試

編寫前向傳遞函數(shù)計算出預測結果后，計算均方誤差(Mean Squared Error)和精度(Accuracy)來衡量模型性能，并在同一個圖中繪制離散曲線，觀察預測值和真實值之間的差距。其中，計算均方誤差和精度的公式如下所示：

其中，N是測試數(shù)據(jù)集樣本數(shù)，yout是預測值，y是真實值。

經(jīng)測試，本文訓練的神經(jīng)網(wǎng)絡模型能夠準確預測糧倉內未來一天的環(huán)境狀態(tài)，其中，最高溫度和最低溫度的精度大于99%，對于濕度的預測精度稍遜。由于SHT20溫濕度傳感器的濕度傳感元件本身就有3%RH的誤差，因此97.2483%的濕度預測精度是可接受的。預測結果的均方誤差和精度如表1所示。

其中，對最高溫度的預測結果如圖2所示。

4 總結

本文通過SHT20溫濕度傳感器實時采集糧倉溫濕度信息，并通過ESP8266無線通信模塊將溫濕度采集數(shù)據(jù)上傳到ThingSpeak云平臺，然后進行歷史狀態(tài)數(shù)據(jù)的可視化，從而實現(xiàn)了對糧倉狀態(tài)遠程、直觀的監(jiān)控，同時基于對歷史數(shù)據(jù)的分析以及反向傳播算法，通過訓練神經(jīng)網(wǎng)絡計算模型，實現(xiàn)對糧倉未來一段時間內的監(jiān)測數(shù)據(jù)的預測，可以對未來一段時間內的危險狀態(tài)提前采取措施，從而實現(xiàn)了智能化、現(xiàn)代化的安全儲糧。