基于神經(jīng)網(wǎng)絡遺傳算法優(yōu)化棉粕擠壓膨化脫酚工藝

胡維崗,黃慶德,郭安民,張 強

(1.新疆農(nóng)墾科學院農(nóng)產(chǎn)品加研究所,新疆石河子 832000;2.中國農(nóng)業(yè)科學院油料作物研究所,湖北武漢 430062)

基于神經(jīng)網(wǎng)絡遺傳算法優(yōu)化棉粕擠壓膨化脫酚工藝

胡維崗1,黃慶德2,*,郭安民1,張 強1

(1.新疆農(nóng)墾科學院農(nóng)產(chǎn)品加研究所,新疆石河子 832000;2.中國農(nóng)業(yè)科學院油料作物研究所,湖北武漢 430062)

本文應用人工神經(jīng)網(wǎng)絡模擬了棉粕的擠壓膨化脫酚工藝,建立了一個3層網(wǎng)絡結(jié)構的BP神經(jīng)網(wǎng)絡模型用以預測游離棉酚的降解規(guī)律,采用十折交叉驗證表明:選擇隱藏層神經(jīng)元數(shù)為8、網(wǎng)絡訓練函數(shù)為“traingdx”,此網(wǎng)絡參數(shù)條件下,網(wǎng)絡預測準確度高,網(wǎng)絡預測輸出與實驗結(jié)果的相關系數(shù)(R2)為0.9941、均方根誤差為0.4971?；谏窠?jīng)網(wǎng)絡模型利用遺傳算法進行全局尋優(yōu)的結(jié)果表明,棉粕擠壓膨化脫酚的最佳工藝條件為膨化溫度131℃、物料水分51%、螺桿轉(zhuǎn)速158r/min、喂料速度136kg/h,在此條件下,游離棉酚的實際降解率為90.50%,與遺傳算法優(yōu)化預測結(jié)果的平均相對誤差為1.38%,平均相對誤差較小。本研究表明,神經(jīng)網(wǎng)絡模擬結(jié)合遺傳算法對棉粕擠壓膨化脫酚工藝具有較好的優(yōu)化效果。

棉粕,擠壓膨化,脫酚,神經(jīng)網(wǎng)絡,遺傳算法

游離棉酚是當前限制棉粕蛋白資源開發(fā)利用的最重要因素,我國具有豐富的棉籽蛋白資源,年產(chǎn)棉籽達800余萬噸,棉籽榨油后的棉粕中蛋白質(zhì)含量達36%～44%[1],但因棉粕游離棉酚的限制,使這一豐富的蛋白質(zhì)資源在飼料中的用量和飼用價值都很低[2-4]。目前,擠壓膨化脫酚法在棉粕飼料加工中得到了較為廣泛的應用,短時高溫、高壓、高剪切力的作用特點,使得擠壓膨化脫酚在降低游離棉酚含量方面十分有益[5]。然而,擠壓膨化脫酚是一個受多種因素影響的復雜過程,膨化溫度、螺桿轉(zhuǎn)速、物料水分和喂料速度對脫酚效果的影響至關重要。目前有研究采用響應面法(RMS)對棉粕擠壓膨化脫酚工藝進行了優(yōu)化[6-7],但由于模型失擬嚴重未能擬合出最佳的工藝參數(shù)。

人工神經(jīng)網(wǎng)絡法(ANN)的發(fā)展為處理嘈雜、不完整的數(shù)據(jù)和非線性問題提供了新途徑[8]。ANN具有辨識和逼近任意復雜非線性系統(tǒng)的能力,可迅速通過有限的實驗數(shù)據(jù)進行數(shù)學建模和預測[9]。ANN比包括響應面法在內(nèi)的一般擬合方法具有更高的準確度和精度[10]。然而,不同的訓練方法和隱藏層神經(jīng)元個數(shù)直接影響著神經(jīng)網(wǎng)絡的性能[11],研究表明十折交叉驗證(10-fold cross-validation)是獲得最好誤差估計的恰當選擇[12]。因此,可通過十折交叉驗證確定神經(jīng)網(wǎng)絡的訓練方法和隱藏層神經(jīng)元個數(shù)。

遺傳算法(GA)是一種模擬自然選擇和遺傳機制的自適應全局優(yōu)化尋優(yōu)的算法,基于神經(jīng)網(wǎng)絡通過遺傳算法自適應搜索全局尋優(yōu)算法廣泛應用于食品加工工藝的優(yōu)化中[13],但用于優(yōu)化棉粕擠壓膨化脫酚工藝尚未見報道。

本實驗通過雙螺桿擠壓膨化機對棉粕進行擠壓膨化脫酚處理,應用人工神經(jīng)網(wǎng)絡技術,建立擠壓膨化條件和脫酚率之間的非線性擬合關系,在此基礎上利用GA進行全局尋優(yōu),從而獲得最優(yōu)的棉粕擠壓膨化脫酚工藝參數(shù)。

1 材料與方法

1.1 材料與儀器

棉粕 新疆石河子匯昌油脂有限責任公司,其游離棉酚含量為900mg/kg。

DS56-Ⅲ型雙螺桿擠壓膨化機 濟南賽信膨化機械有限公司,設備主要技術參數(shù)為:螺桿外徑65mm;長徑比18;兩螺桿中心距56mm,螺桿轉(zhuǎn)速0～250r/min;加熱系統(tǒng)分三個區(qū)域,每個區(qū)域有兩個遠紅外線加熱圈,每個加熱圈功率為2kW;圓形模頭,?？诳讖?mm。

1.2 棉粕擠壓膨化脫酚實驗設計

棉粕經(jīng)除雜、粉碎后過100目篩除去棉殼上殘留的少量棉絨,避免擠壓膨化過程中棉絨堵塞模頭?？?然后采用雙螺桿膨化機進行擠壓膨化,以游離棉酚降解率為指標,根據(jù)初步實驗及相關文獻結(jié)果[6-7],選取對脫酚率有顯著影響的4個因素(膨化溫度、棉粕含水率、螺桿轉(zhuǎn)速和喂料速度)采用SAS9.1軟件(SAS Institute Inc.,USA)進行中心組合(CCD)實驗方案設計。各實驗因子及編碼水平見表1。

1.3 游離棉酚降解率的測定

采用GB 13086-1991苯胺法測定游離棉酚含量[14],游離棉酚降解率按以下公式計算:

式中:P為游離棉酚降解率;ω0為膨化前棉粕游離棉酚含量,單位mg/kg;ω1為膨化后棉粕游離棉酚含量,單位mg/kg。

表1 中心組合設計(CCD)實驗設計因子編碼水平Table 1 Independent variables and levels in central composite rotatable design(CCD)

1.4 神經(jīng)網(wǎng)絡設計

本研究采用Matlab7.0(The MathWorks,Inc.,USA)以膨化溫度、螺桿轉(zhuǎn)速、物料水分和喂料速度4個因素為網(wǎng)絡輸入單元,以游離棉酚降解率為網(wǎng)絡輸出單元,選擇正切S型傳遞函數(shù)“tansig”函數(shù)為隱藏層傳遞函數(shù),線性函數(shù)“purelin”函數(shù)為作為輸出層傳遞函數(shù),建立一個三層結(jié)構的BP神經(jīng)網(wǎng)絡,其網(wǎng)絡結(jié)構如圖1所示。

圖1 BP神經(jīng)網(wǎng)絡結(jié)構示意圖Fig.1 The structure of BP neural network

1.5 十折交叉驗證

本文以中心組合實驗的結(jié)果對BP神經(jīng)網(wǎng)絡進行訓練,選取11種不同的BP網(wǎng)絡訓練函數(shù),1～15個隱藏層神經(jīng)元個數(shù),分別采用十折交叉驗證確定神經(jīng)網(wǎng)絡的最佳訓練函數(shù)和隱藏層神經(jīng)元數(shù),以測試集與網(wǎng)絡預測值的均方誤差(MSE)評估網(wǎng)絡的預測準確性,為了提高十折交叉驗證結(jié)果的穩(wěn)定性和準確性,每種算法進行10次取平均值。測試集與網(wǎng)絡預測值的均方誤差(MSE)按以下公式計算:

1.6 神經(jīng)網(wǎng)絡預測準確度評價

以網(wǎng)絡預測輸出與實驗結(jié)果的相關系數(shù)(R2)和均方根誤差(RMSE)評價神經(jīng)網(wǎng)絡的預測準確度。相關系數(shù)(R2)計算公式如下:

均方根誤差(RMSE)計算公式如下:

1.7 遺傳算法尋優(yōu)

本文依據(jù)BP神經(jīng)網(wǎng)絡建立游離棉酚降解率與膨化溫度、物料水分、螺桿轉(zhuǎn)速和喂料速度的對應關系,以游離棉酚降解率的網(wǎng)絡擬合值為遺傳算法的適應度函數(shù),采用浮點數(shù)編碼,取初始種群數(shù)為20,交叉變異為0.8,最大遺傳代數(shù)為100,進行遺傳算法尋優(yōu)。程序通過Matlab7.0和遺傳算法工具箱(GAOT)完成。遺傳算法優(yōu)化結(jié)果的準確度通過GA預測值與驗證實驗真實值之間的相對誤差進行評估。相對誤差計算公式如下:

式中:P′為GA預測脫酚率;P為驗證實驗實際脫酚率。

2 結(jié)果與討論

2.1 中心組合實驗結(jié)果

按照表1因子編碼水平進行中心組合實驗設計,實驗設計及結(jié)果見表2。

2.2 神經(jīng)網(wǎng)絡建模結(jié)果

神經(jīng)網(wǎng)絡的優(yōu)勢是通過對輸出層數(shù)據(jù)和實際數(shù)據(jù)相似度的計算,反向調(diào)控輸入層神經(jīng)元的權值和閥值,最終使總體相對誤差最低[15],如圖2所示,十折交叉驗證的結(jié)果表明,在隱藏層初始神經(jīng)元數(shù)為6條件下,11種BP網(wǎng)絡訓練函數(shù)中自適應學習速率動量梯度下降法(traingdx)測試集與網(wǎng)絡預測值的均方誤差(MSE)最小,因此選擇“traingdx”為網(wǎng)絡最佳訓練函數(shù)。然后以“traingdx”為訓練函數(shù),進行十折交叉驗證確定隱藏層神經(jīng)元個數(shù),如圖3所示,測試集與網(wǎng)絡預測值的均方誤差(MSE)隨隱藏層神經(jīng)元個數(shù)的增加而逐步降低,當隱藏層神經(jīng)元數(shù)超過8個后,測試集與網(wǎng)絡預測值的均方誤差(MSE)不再顯著降低,因此取隱藏層神經(jīng)元數(shù)為8。綜上所述,本文最佳的神經(jīng)網(wǎng)絡模型為以“traingdx”為訓練函數(shù)、網(wǎng)絡結(jié)構為4-8-1構架的BP神經(jīng)網(wǎng)絡,此參數(shù)條件下,如表2所示,神經(jīng)網(wǎng)絡模型的擬合度高(R2=0.9941),網(wǎng)絡預測輸出和實驗實際結(jié)果的均方根誤差(RMSE)為0.4971,網(wǎng)絡具有較高的預測能力,能夠完成實驗結(jié)果的預測。

神經(jīng)網(wǎng)絡的優(yōu)勢是通過對輸出層數(shù)據(jù)和實際數(shù)據(jù)相似度的計算,反向調(diào)控輸入層神經(jīng)元的權值和閥值,最終使總體相對誤差最低[15],如圖2所示,十折交叉驗證的結(jié)果表明,在隱藏層初始神經(jīng)元數(shù)為6條件下,11種BP網(wǎng)絡訓練函數(shù)中自適應學習速率動量梯度下降法(traingdx)測試集與網(wǎng)絡預測值的均方誤差(MSE)最小,因此選擇“traingdx”為網(wǎng)絡最佳訓練函數(shù)。然后以“traingdx”為訓練函數(shù),進行十折交叉驗證確定隱藏層神經(jīng)元個數(shù),如圖3所示,測試集與網(wǎng)絡預測值的均方誤差(MSE)隨隱藏層神經(jīng)元個數(shù)的增加而逐步降低,當隱藏層神經(jīng)元數(shù)超過8個后,測試集與網(wǎng)絡預測值的均方誤差(MSE)不再顯著降低,因此取隱藏層神經(jīng)元數(shù)為8。綜上所述,本文最佳的神經(jīng)網(wǎng)絡模型為以“traingdx”為訓練函數(shù)、網(wǎng)絡結(jié)構為4-8-1構架的BP神經(jīng)網(wǎng)絡,此參數(shù)條件下,如表2所示,神經(jīng)網(wǎng)絡模型的擬合度高(R2=0.9941),網(wǎng)絡預測輸出和實驗實際結(jié)果的均方根誤差(RMSE)為0.4971,網(wǎng)絡具有較高的預測能力,能夠完成實驗結(jié)果的預測。

表2 中心組合設計(CCD)實驗結(jié)果與神經(jīng)網(wǎng)絡預測結(jié)果
Table 2 Result of Central composite rotatable designs(CCD)and predicted of ANN

實驗號X1X2X3X4游離棉酚降解率P(%)實驗實際值ANN預測值1-1-1-1-175.8075.192-1-1-1175.2175.893-1-11-178.0978.284-1-11180.1180.485-11-1-168.7268.966-11-1166.1266.057-111-169.7869.758-111173.1873.3691-1-1-178.2877.82101-1-1175.3375.64111-11-177.8778.22121-11176.5076.231311-1-185.5285.571411-1182.3382.2415111-186.9986.7816111184.3985.7417-200065.6065.5418200081.0981.27190-20076.6676.7420020076.1376.022100-2075.3275.5622002077.8277.2723000-279.0079.4324000279.3778.5125000086.7686.5426000087.5886.5427000086.0486.5428000086.4686.5429000086.9186.5430000085.9386.5431000087.2186.54R20.9941RMSE0.4971

圖3 隱藏層神經(jīng)元數(shù)與均方誤差的關系Fig.3 Relationship between number of neurons and MSE

2.3 遺傳算法優(yōu)化擠壓膨化脫酚參數(shù)

遺傳算法全局優(yōu)化尋優(yōu)的結(jié)果如圖4所示,經(jīng)過15次迭代后,適應度函數(shù)值趨向最大值91.75%,此適應度函數(shù)值即為游離棉酚的最大降解率,對應的最佳工藝參數(shù)為:膨化溫度131℃,物料水分51%,螺桿轉(zhuǎn)速158r/min,喂料速度136kg/h。

圖4 遺傳算法每代的適應度值變化曲線Fig.4 Curve of fitness value of every generation in GA methodology

2.4 遺傳算法優(yōu)化結(jié)果的驗證

按照遺傳算法得到的最佳工藝參數(shù)進行驗證實驗,結(jié)果如表3所示。3次重復實驗的實際游離棉酚降解率平均為90.50%,與遺傳算法預測值的相對誤差較小,僅為1.38%,說明遺傳算法的優(yōu)化結(jié)果真實有效。

表3 GA預測值與實驗真實值的比較結(jié)果Table 3 Comparison between predicted of GA and experimental

3 結(jié)論

運用BP神經(jīng)網(wǎng)絡對棉粕擠壓膨化脫酚工藝進行非線性擬合,采用4-8-1的神經(jīng)網(wǎng)絡結(jié)構,以“traingdx”函數(shù)作為訓練函數(shù),網(wǎng)絡擬合度高(R2=0.9941),網(wǎng)絡預測輸出和實驗結(jié)果的均方根誤差(RMSE)為0.4971,滿足統(tǒng)計需要。基于此神經(jīng)網(wǎng)絡模型遺傳算法優(yōu)化的棉粕最佳脫酚工藝為膨化溫度131℃,物料水分51%,螺桿轉(zhuǎn)速158r/min,喂料速度136kg/h。該工藝條件下,實際游離棉酚降解率平均為90.50%,與遺傳算法預測值的相對誤差僅為1.38%。因此,基于神經(jīng)網(wǎng)絡模擬結(jié)合遺傳算法的優(yōu)化方法對棉粕擠壓膨化脫酚工藝具有較好的優(yōu)化效果。

[1]周磊.蛋白飼料棉籽餅粕的脫毒方法[J].農(nóng)業(yè)技術與裝備,2010(7):22-23.

[2]Khodwe M S,Bhowmick D N. Separation of gossypol from cottonseed and preparation of gossypol-free cottonseed cake[J]. International Journal of Recent Scientific Research,2013,4(8):1290-1295.

[3]Jalees M M,Khan M Z,Saleemi M K,et al. Effects of Cottonseed Meal on Hematological,Biochemical and Behavioral Alterations in Male Japanese Quail(Coturnixjaponica)[J]. Pakistan Veterinary Journal,2011,31(3):211-214.

[4]陳琪,石劍華.棉籽餅使用脫毒劑和生物發(fā)酵脫毒的營養(yǎng)分析[J].當代畜禽養(yǎng)殖業(yè),2013(10):6-8.

[5]周建國,王洪武.棉籽粕雙螺桿擠壓脫毒中幾個工藝參數(shù)的研究[J].農(nóng)業(yè)工程學報,2000,16(6):110-113.

[6]周建國,吳冬莉.棉籽餅粕雙螺桿擠壓脫毒中的參數(shù)研究[J].中國油脂,2001,26(1):46-49.

[7]王洪武,周建國.加工參數(shù)對棉籽餅粕雙螺桿擠壓脫毒的影響[J].中國糧油學報,2005,20(3):70-72.

[8]Morris A J,Montague G A,Willis M J. Artificial neural networks:studies in process modeling and control[J]. Trans I Chem Eng,1994,72A:3-19.

[9]Pareek V K,Brungs A A,Sharma R. Artificial neural network modeling of a multiphase photodegradation system[J]. Photochem Photobiol A:Chem,2002,149:139-146.

[10]He L,Xu Y Q,Zhang X H. Medium factors optimization and fermentation kinetics for phenazine-1-carboxylic acid production byPseudomonassp. M18G[J]. Bioteehnology and Bioengineering,2008,100(2):250-259.

[11]Elmolla E S,Chaudhuri M,Eltoukhy M M. The use of artificial neural network(ANN)for modeling of COD removal from antibiotic aqueous solution by the Fenton process[J]. Journal of hazardous materials,2010,179(1):127-134.

[12]Witten I H,Frank E. Data Mining:Practical machine learning tools and techniques[M]. 北京:機械工業(yè)出版社,2006:286.

[13]Nagata Y,Chu K H. Optimization of a fermentation medium using neural networks and genetic algorithms[J]. Biotechnology Letters,2003,25(21):1837-42.

[14]GB 13086-1991,飼料中游離棉酚的測定方法[S].

[15]Hagan M T,Demuth H B,Beale M H.神經(jīng)網(wǎng)絡設計[M].北京:機械工業(yè)出版社,2002:127-128.

全國中文核心期刊

輕工行業(yè)優(yōu)秀期刊

Optimization of free gossypol removal from cottonseed meal bythe extrusion process based onartificial neural network with genetic algorithm

HU Wei-gang1,HUANG Qing-de2,*,GUO An-min1,ZHANG Qiang1

(1. Institute of Agro-products Processing Science and Technology,Xinjiang Academyof Agricultural and Reclamation Science,Shihezi 832000,China;2. Oil Crops Research Institute of Chinese Academy of Agricultural Sciences,Wuhan 430062,China)

The artificial neural network(ANN)was used for the simulation of the degradation of free gossypol in cottonseed meal by the extrusion process. A three-layer back propagation neural network was optimized to predict the degradation of free gossypol. The result of 10-fold cross validation showed that the model of back propagation neural network giving the smallest mean square error(MSE)was the ANN with the training function as traingdx at hidden layer with 8 neurons. And ANN predicted results were very close to the experimental results with correlation coefficient(R2)of 0.9941 and RMSE of 0.4971. A genetic algorithm(GA)based on an established neural network model was also used to optimizing de-gossypol process.The results of GA obtained showed that the optimal condition of de-gossypol by the extrusion process was temperature 131℃,water ratio 51%,rotational speed 158r/min,and feeding speed 136kg/h,and in this condition the degradation rate of free gossypol was 90.50%,which was close to the result of GA predicted with the small average relative error of 1.38%. These results suggested that the GA based on a neural network model might be an excellent tool for optimizing cottonseed meal de-gossypol process.

cottonseed meal;extrusion;de-gossypol;artificial neural network;genetic algorithm

2014-09-22

胡維崗(1986-)，男，碩士，助理研究員，研究方向：糧油加工。

*通訊作者:黃慶德(1964-)，男，碩士，研究員，研究方向：糧油加工技術研究。

新疆農(nóng)墾科學院引導項目(60YYD201308)。

TS229

B

1002-0306(2015)13-0243-04

10.13386/j.issn1002-0306.2015.13.043