基于SPA-SSA-BP的小麥秸稈含水率檢測(cè)模型

孟志軍 劉淮玉 安曉飛 尹彥鑫 金誠(chéng)謙 張安琪

(1.黑龍江八一農(nóng)墾大學(xué)工程學(xué)院， 大慶 163319； 2.國(guó)家農(nóng)業(yè)智能裝備工程技術(shù)研究中心， 北京 100097； 3.北京市農(nóng)林科學(xué)院智能裝備技術(shù)研究中心， 北京 100097； 4.農(nóng)業(yè)農(nóng)村部南京農(nóng)業(yè)機(jī)械化研究所， 南京 210014)

0 引言

秸稈是農(nóng)業(yè)生產(chǎn)過程中重要的生物質(zhì)資源，其富含氮、磷、鉀、鎂、鈣等重要元素以及粗纖維和有機(jī)質(zhì)，是一種具有多用途的可再生生物資源，具有很大的利用價(jià)值。對(duì)秸稈資源的開發(fā)利用，不僅可有效改善人居環(huán)境，還能在一定程度上緩解全球能源緊缺的問題[1-2]。含水率是衡量秸稈品質(zhì)的重要指標(biāo)，含水率在一定程度上決定了秸稈的利用價(jià)值[3-5]。由于過去對(duì)其不夠重視及缺乏相關(guān)檢測(cè)技術(shù)，常造成不必要的經(jīng)濟(jì)損失和資源浪費(fèi)。因此，研究一種快速、準(zhǔn)確的小麥秸稈含水率檢測(cè)方法，對(duì)于秸稈資源的高效利用具有重要意義。

目前，應(yīng)用于秸稈含水率檢測(cè)的方法主要有電容法、電阻法、近紅外光譜法、微波法等?；什胚M(jìn)等[6]采用近紅外光譜技術(shù)結(jié)合LOCAL算法建立秸稈含水率(5.13%～20.44%)和熱值的近紅外光譜模型；FALBO[7]基于電阻法設(shè)計(jì)了平面極板式含水率在線檢測(cè)系統(tǒng)；萬舟等[8]基于微波法通過對(duì)微波的衰減量和相移量的測(cè)量可測(cè)得秸稈的水分含量；郭文川等[9]基于電容法探究秸稈含水率(10.6%～19.6%)、溫度(5～35℃)和容積密度(77.2～103.6 kg/m3)對(duì)輸出電容的影響；FONSECA等[10]采用近紅外光譜儀對(duì)秸稈含水率進(jìn)行檢測(cè)，研究表明旋轉(zhuǎn)掃描方法檢測(cè)精度更加穩(wěn)定。其中，電容法具有適應(yīng)性強(qiáng)、可靠性高、動(dòng)態(tài)響應(yīng)性好和結(jié)構(gòu)簡(jiǎn)單易維護(hù)等優(yōu)點(diǎn)[11]，是目前農(nóng)業(yè)物料含水率檢測(cè)的主要技術(shù)手段。

基于電容法的秸稈含水率檢測(cè)研究多考慮溫度、含水率對(duì)電容的影響，較少考慮容積密度因素，且已有模型多為線性模型[9]，存在容積密度適用上限低、含水率檢測(cè)范圍窄等問題?；诖?，本文采用電容法原理，通過設(shè)計(jì)電容采集裝置，使用LCR數(shù)字電橋采集不同含水率小麥秸稈在不同頻率、不同容積密度與不同溫度下的電容數(shù)據(jù)，采用BP神經(jīng)網(wǎng)絡(luò)結(jié)合特征頻率篩選算法構(gòu)建秸稈含水率定量分析模型，并引入麻雀搜索算法(SSA)對(duì)模型進(jìn)行優(yōu)化，分析模型的預(yù)測(cè)效果，確定小麥秸稈含水率的最佳建模方法。以實(shí)現(xiàn)小麥秸稈含水率的快速、準(zhǔn)確定量分析。

1 材料與方法

1.1 試驗(yàn)材料

以小麥秸稈為試驗(yàn)對(duì)象，秸稈樣本于2021年6月在國(guó)家精準(zhǔn)農(nóng)業(yè)研究示范基地采集。由于試驗(yàn)盒內(nèi)部尺寸為180 mm×125 mm×70 mm，為保證每份裝入盒中的樣本密度均勻，不因過于疏松或致密導(dǎo)致試驗(yàn)盒中不同樣本的質(zhì)量差距過大，因此將采集的秸稈粉碎成長(zhǎng)度(30±5) mm的枝干狀，并隨機(jī)分為56個(gè)樣本，每個(gè)樣本80 g，裝于自封袋中保存在25℃的室溫環(huán)境下。

1.2 試驗(yàn)方案

1.2.1電容采集裝置設(shè)計(jì)

電容采集裝置結(jié)構(gòu)如圖1所示，主要包括亞克力試驗(yàn)盒， TH2830型LCR數(shù)字電橋及配套數(shù)據(jù)采集軟件(常州同惠電子股份有限公司)，DHG-9240A型鼓風(fēng)干燥箱(上海一恒科學(xué)儀器有限公司)，WDW-01S型微機(jī)控制電子萬能拉壓力試驗(yàn)機(jī)及配套軟件(常州三豐儀器科技有限公司)，MTB2000D型精準(zhǔn)電子天平(深圳市美孚電子有限公司)，西瑪-AT1150型紅外線測(cè)溫儀(東莞萬創(chuàng)電子制品有限公司)。

圖1 電容采集裝置結(jié)構(gòu)示意圖Fig.1 Schematic of capacitance acquisition device1.溫控箱 2.拉壓力試驗(yàn)機(jī) 3.亞克力試驗(yàn)盒 4.硅橡膠加熱板 5.支柱 6.螺栓 7.拉壓力傳感器 8.升降臺(tái) 9.數(shù)字電橋

亞克力試驗(yàn)盒內(nèi)部尺寸為180 mm×125 mm×70 mm，將待測(cè)秸稈在亞克力試驗(yàn)盒內(nèi)填滿，為使得秸稈樣本各處受力均勻，將壓板覆蓋于秸稈樣本上；設(shè)計(jì)2塊尺寸為120 mm×50 mm×2 mm的銅板對(duì)稱布置在試驗(yàn)盒底部，二者相距3 mm，用于采集秸稈電容數(shù)據(jù)；設(shè)計(jì)硅橡膠加熱板包裹在試驗(yàn)盒外壁，通過調(diào)節(jié)溫控箱按鈕，預(yù)設(shè)試驗(yàn)環(huán)境溫度，達(dá)到改變?cè)囼?yàn)盒內(nèi)溫度的目的；用螺栓將試驗(yàn)機(jī)壓力臺(tái)、拉壓力傳感器和支柱連接到一起，通過上位機(jī)軟件控制試驗(yàn)機(jī)壓力臺(tái)升降，實(shí)現(xiàn)對(duì)試驗(yàn)盒內(nèi)秸稈壓力的調(diào)控，以達(dá)到改變秸稈容積密度的目的。

1.2.2樣品制備

從秸稈樣本中隨機(jī)取出1份并置于105℃的電熱鼓風(fēng)干燥箱中4 h至質(zhì)量恒定，測(cè)得小麥秸稈的初始濕基含水率為10.43%[12]。為配制不同含水率的樣本，取56個(gè)(每個(gè)80 g)秸稈樣本，通過添加不同質(zhì)量的去離子水，得到56個(gè)不同含水率的樣本并編號(hào)。為保證樣品吸收水分均勻，將配好的樣品裝入PE自封袋中，置于25℃的室溫環(huán)境下1～2 d。期間每天取出樣本2～3次，充分?jǐn)嚢韬蟮够卮校允顾址植季鶆颉?/p>

1.2.3數(shù)據(jù)獲取

電容數(shù)據(jù)采集前，先將室內(nèi)溫度調(diào)至25℃恒定，將LCR數(shù)字電橋測(cè)量電極與2塊銅板外接線相連，再開機(jī)預(yù)熱30 min并校準(zhǔn)清零。采集時(shí)，由于試驗(yàn)盒容積所限，從樣本中取出40 g左右秸稈填滿試驗(yàn)盒即可，剩余樣本裝回袋中繼續(xù)密封；通過溫控箱將試驗(yàn)環(huán)境溫度依次設(shè)置為25、30、35、40℃，使用手持式紅外線測(cè)溫儀對(duì)電容采集裝置內(nèi)部溫度進(jìn)行定期測(cè)量；通過萬能拉壓力試驗(yàn)機(jī)改變對(duì)秸稈壓力的方式來調(diào)節(jié)秸稈的容積密度，將試驗(yàn)機(jī)對(duì)秸稈的壓力設(shè)置在500～3 600 N之間，故秸稈的容積密度在90.08～179.42 kg/m3范圍內(nèi)，每個(gè)秸稈樣本在同一溫度下從上述容積密度范圍內(nèi)隨機(jī)選取3個(gè)容積密度，確保所有樣本組合選取的容積密度在90.03～179.42 kg/m3之間均勻分布；在0.05～100 kHz共取100個(gè)呈對(duì)數(shù)正態(tài)分布的頻率點(diǎn)，作為L(zhǎng)CR數(shù)字電橋的檢測(cè)頻率，測(cè)量待測(cè)秸稈樣本在上述不同容積密度、溫度、頻率點(diǎn)組合下的電容數(shù)據(jù)。

秸稈含水率測(cè)量裝置主要由電子天平、電熱鼓風(fēng)干燥箱組成。測(cè)量前，先將電子天平開機(jī)預(yù)熱15 min后并校準(zhǔn)清零，測(cè)量時(shí)，將試驗(yàn)盒中樣本與自封袋中剩余樣本充分混合后分為2份，并分別置于105℃的電熱鼓風(fēng)干燥箱內(nèi)干燥4 h，根據(jù)干燥前樣本的鮮質(zhì)量與干燥后樣本的干質(zhì)量可計(jì)算出各樣本的實(shí)際含水率。

1.4 數(shù)據(jù)處理及建模方法

1.4.1樣本集劃分

試驗(yàn)共配制了56份樣本，樣本的濕基含水率在10.43%～25.89%之間，每個(gè)樣本又在4個(gè)溫度及3個(gè)容積密度條件下分別采集100頻率點(diǎn)下的電容，共得到672組電容數(shù)據(jù)。通過對(duì)數(shù)據(jù)進(jìn)行觀察，采用馬氏距離法剔除一些因儀器設(shè)備和試驗(yàn)操作原因產(chǎn)生的異常數(shù)據(jù)，剩余656組數(shù)據(jù)。采用留出法，隨機(jī)選取樣本數(shù)據(jù)中3/4的數(shù)據(jù)作為建模的校正樣本，另外1/4的數(shù)據(jù)作為測(cè)試樣本。劃分結(jié)果見表1。

表1 校正集和預(yù)測(cè)集統(tǒng)計(jì)結(jié)果Tab.1 Statistics results of moisture content in calibration and prediction sets

1.4.2數(shù)據(jù)處理方法

因研究中所選的多個(gè)頻率間可能會(huì)存在較強(qiáng)的線性相關(guān)，它們會(huì)包含較多的冗余信息，增加模型的復(fù)雜度，通過特征提取方法能夠從原始數(shù)據(jù)中提取主要信息，達(dá)到在不損失過多原頻率信息的基礎(chǔ)上，降低模型的復(fù)雜程度[13-14]。本研究采用連續(xù)投影法(SPA)及主成分分析法(PCA)來選取特征頻率。SPA是一種能夠有效解決變量間共線性問題的變量篩選方法，利用向量投影可優(yōu)選出冗余度低、共線性小又能反映樣本頻譜重要信息的特征頻率。PCA是一種被廣泛使用的數(shù)據(jù)降維算法。其主要思想是通過某種線性投影，將高維空間的數(shù)據(jù)映射到低維空間中，并通過計(jì)算特征頻率的方差優(yōu)選出信息量大的特征頻率，以達(dá)到使用較少的數(shù)據(jù)維度就可保留住較多信息的目的[15]。PCA是對(duì)頻譜數(shù)據(jù)進(jìn)行主成分分析，在累計(jì)貢獻(xiàn)率大的前幾個(gè)主成分相應(yīng)的權(quán)值系數(shù)曲線中，權(quán)值系數(shù)的絕對(duì)值與其相對(duì)應(yīng)頻率的貢獻(xiàn)程度成正比，故選擇曲線中波峰和波谷處對(duì)應(yīng)的頻率為特征頻率[16]。

1.4.3建模方法

常用的建模方法主要分為線性方法和非線性方法。線性建模方法主要有偏最小二乘回歸(PLSR)、多元線性回歸(MLR)和主成分回歸等；非線性建模方法主要有支持向量回歸(SVR)[17]、BP神經(jīng)網(wǎng)絡(luò)等?？紤]到試驗(yàn)數(shù)據(jù)量大，線性建模方法不能很好地?cái)M合非線性數(shù)據(jù)，支持向量回歸(SVR)不善于處理大量數(shù)據(jù)。因此，本文選用適合處理大量數(shù)據(jù)，并且非線性擬合能力強(qiáng)的BP神經(jīng)網(wǎng)絡(luò)建立含水率檢測(cè)模型。

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)。該算法處理信息的神經(jīng)元可分為3層：輸入層、隱含層、輸出層，每層的神經(jīng)元狀態(tài)只影響下一層神經(jīng)元狀態(tài)。其主要特點(diǎn)是信號(hào)向前傳遞，誤差反向傳播，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使神經(jīng)網(wǎng)絡(luò)的誤差平方和趨于最小[18]，該算法具有很強(qiáng)的非線性映射能力，可映射任意復(fù)雜的非線性關(guān)系，并具有很強(qiáng)的魯棒性和自適應(yīng)能力。

影響小麥秸稈電容的主要因素有秸稈含水率、容積密度和環(huán)境溫度，因此，設(shè)定小麥秸稈容積密度、環(huán)境溫度和選取的特征頻率為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，小麥秸稈含水率為輸出參數(shù)，如圖2所示，采用單隱含層的3層網(wǎng)絡(luò)結(jié)構(gòu)，隱含層節(jié)點(diǎn)數(shù)計(jì)算公式為

(1)

式中n——輸入層節(jié)點(diǎn)數(shù)

l——隱含層節(jié)點(diǎn)數(shù)

m——輸出層節(jié)點(diǎn)數(shù)

a——1～10之間的常數(shù)

圖2 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 BP neural network structure

通過反復(fù)試驗(yàn)確定輸入層到隱含層的傳遞函數(shù)為S型正切函數(shù)tansig，隱含層到輸出層的傳遞函數(shù)為線性函數(shù)purelin。常用的訓(xùn)練函數(shù)包括trainlm、trainrp、trainscg等，其中trainlm具有收斂速度快、誤差小、訓(xùn)練效果優(yōu)的特點(diǎn)，因此本文采用trainlm作為訓(xùn)練函數(shù)[19]。

BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練前，為減弱各主控因素不同量綱的數(shù)據(jù)對(duì)網(wǎng)絡(luò)模型訓(xùn)練與預(yù)測(cè)值的影響，各主控?cái)?shù)據(jù)做歸一化處理。計(jì)算式為

(2)

式中x——原始數(shù)據(jù)y——?dú)w一化值

xmax——同一影響因素響應(yīng)值的最大值

xmin——同一影響因素響應(yīng)值的最小值

ymax——?dú)w一化最大值，取1

ymin——?dú)w一化最小值，取0

1.4.4麻雀搜索算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型

麻雀搜索算法(SSA)是一種新型的群智能優(yōu)化算法，該算法主要是受麻雀覓食行為和逃避捕食者行為啟發(fā)而設(shè)計(jì)[21-24]。麻雀在覓食過程中會(huì)分為3種類型：發(fā)現(xiàn)者、加入者和偵察者，利用這三者間的關(guān)系及麻雀遇到捕食者時(shí)的行為可達(dá)到優(yōu)化搜索的目的。同近年來新興的群智能優(yōu)化算法相比，麻雀搜索算法具有較好的全局搜索和局部開發(fā)的能力，在尋優(yōu)過程中，能促進(jìn)麻雀種群向全局最優(yōu)值移動(dòng)，有效避免易早熟收斂、收斂速度慢等缺點(diǎn)，具有良好的魯棒性和收斂速度。整體過程如圖3所示。

圖3 麻雀優(yōu)化算法流程圖Fig.3 Process chart of sparrow optimization algorithm

SSA-BP算法的實(shí)施過程如下：

(1)讀取數(shù)據(jù)。確定BP神經(jīng)網(wǎng)絡(luò)模型的校正集和測(cè)試集樣本，對(duì)數(shù)據(jù)進(jìn)行歸一化處理，將本研究中不同量綱數(shù)據(jù)歸一化到0～1之間，并根據(jù)式(1)確定最佳隱含層節(jié)點(diǎn)數(shù)。

(2)網(wǎng)絡(luò)參數(shù)配制。將訓(xùn)練次數(shù)設(shè)置為1 000次，學(xué)習(xí)速率設(shè)置為0.01，訓(xùn)練目標(biāo)最小誤差設(shè)置為0.000 1。

(3)初始化參數(shù)。設(shè)置SSA算法的初始種群規(guī)模N和最大迭代次數(shù)T，本文將初始種群規(guī)模N設(shè)為30次，最大迭代次數(shù)T設(shè)為50次；設(shè)定種群中不同類型的麻雀比重和安全值，本文將安全值ST設(shè)為0.6，發(fā)現(xiàn)者數(shù)量NPD設(shè)為0.7，偵察者數(shù)量設(shè)為0.2。

(4)計(jì)算初始適應(yīng)度。根據(jù)適應(yīng)度計(jì)算出全局中最優(yōu)個(gè)體。

(5)根據(jù)適應(yīng)度將麻雀種群分類，并對(duì)不同類型的麻雀?jìng)€(gè)體位置進(jìn)行更新。

(6)若迭代次數(shù)達(dá)到最大迭代次數(shù)，學(xué)習(xí)過程結(jié)束，輸出最優(yōu)參數(shù)和適應(yīng)度，否則返回步驟(5)重復(fù)上述過程。

2 結(jié)果與分析

2.1 各因素對(duì)秸稈電容的影響

圖4為不同含水率的秸稈在相同環(huán)境溫度和容積密度條件下電容隨頻率的變化曲線。在頻率0.05～100 kHz范圍內(nèi)，秸稈的電容隨頻率的增大而減小。這是因?yàn)殡S著頻率的不斷增大導(dǎo)致偶極子的振動(dòng)速度滯后于電場(chǎng)的變化，所以樣本的電容會(huì)隨著介電常數(shù)的減小而不斷減小[25]。同一頻率下，不同樣本的電容受濕基含水率的影響不同，主要表現(xiàn)為：秸稈樣本濕基含水率越高，電容越高。

圖4 不同含水率秸稈在不同頻率下電容變化曲線Fig.4 Capacitance curves of straw with different moisture contents at different frequencies

圖5為容積密度和溫度對(duì)秸稈電容的影響曲面。由圖5a可以看出，當(dāng)頻率和溫度一定時(shí)，隨著容積密度的升高，秸稈電容呈單調(diào)遞增的趨勢(shì)，這是因?yàn)榻斩捠艿綌D壓后密度增大，單位體積內(nèi)秸稈量隨之增加，并可以儲(chǔ)存更多的電場(chǎng)能，所以測(cè)量?jī)x器會(huì)測(cè)得更大的電容[26]。由圖5b可以看出，當(dāng)頻率和容積密度一定時(shí)，秸稈的電容隨溫度的升高而增加，這是因?yàn)闇囟壬哂欣诩铀俳斩拑?nèi)極性分子的取向運(yùn)動(dòng)和自由水的布朗運(yùn)動(dòng)，致使秸稈的相對(duì)介電常數(shù)增加，故秸稈電容也隨之增加[27]。

圖5 秸稈容積密度和溫度對(duì)電容的影響曲面Fig.5 Influence of bulk density and temperature of straw on capacitance

2.2 特征頻率選取

2.2.1連續(xù)投影法特征頻率選取

為保證模型性能可靠，設(shè)置選取的頻率數(shù)量為2～30，以不同頻率數(shù)量所對(duì)應(yīng)的RMSE作為最佳的特征頻率數(shù)的指標(biāo)。當(dāng)選取的頻率數(shù)量為5時(shí)，RMSE最低(0.025 002)，如圖6所示。考慮到過多的特征頻率會(huì)導(dǎo)致模型復(fù)雜度上升，故選取電容的5個(gè)頻率作為SPA選取的特征頻率。SPA算法選取的特征頻率如圖7所示。

圖6 RMSE隨SPA選取頻率數(shù)量的變化曲線Fig.6 Change of RMSE with selected characteristic frequency by SPA

圖7 采用SPA算法選取的特征頻率點(diǎn)Fig.7 Characteristic frequency points selected by SPA algorithm

2.2.2主成分分析法特征頻率選取

在將PCA算法用于原始頻率數(shù)據(jù)的提取過程中，主成分分析得到的前3個(gè)主成分累計(jì)方差貢獻(xiàn)率接近100%，說明前3個(gè)主成分能夠較為全面地反映絕大部分原始信息，從前3個(gè)主成分的權(quán)值系數(shù)曲線中提取4個(gè)特征頻率。采用PCA法選取的特征頻率如圖8所示。全變量、SPA和PCA所選出的特征頻率如表2所示。

圖8 采用PCA算法選取的特征頻率Fig.8 Characteristic frequency selected by PCA algorithm

表2 SPA與PCA選取的特征頻率Tab.2 Characteristic frequency selected by successive projections algorithm and principal component analysis

2.3 建模并比較分析

為了選取最佳檢測(cè)模型，以全頻率、SPA和PCA分別選取的特征頻率與容積密度、環(huán)境溫度組合作為建模分析的自變量，秸稈樣本含水率為因變量。選用BP神經(jīng)網(wǎng)絡(luò)算法分別與上述3種變量組合構(gòu)建模型，建模結(jié)果如表3所示。

表3 基于不同特征頻率選取方法的BP建模結(jié)果Tab.3 BP modeling results based on different characteristic frequency selection methods

從模型復(fù)雜程度來看，基于全頻率構(gòu)建的BP模型中存在大量冗余信息，增加了模型復(fù)雜程度?；赟PA和PCA算法能有效提取全頻率中的重要信息，會(huì)大大簡(jiǎn)化模型復(fù)雜程度，減少模型的運(yùn)算量并提高程序運(yùn)行速度。

建模結(jié)果表明，提取特征頻率有效地減少大量冗余信息和損害模型的信息，在大幅降低模型復(fù)雜度的基礎(chǔ)上，依舊保持較高的預(yù)測(cè)精度。因此，基于電容法采用SPA和PCA提取特征頻率并分別與容積密度、環(huán)境溫度組合建立的BP神經(jīng)網(wǎng)絡(luò)模型均具有較高的含水率預(yù)測(cè)精度和可靠性。

2.4 SSA算法優(yōu)化模型

為進(jìn)一步探究SSA算法對(duì)BP模型預(yù)測(cè)精度的影響，引入SSA算法對(duì)基于不同特征頻率選取方法構(gòu)建的BP模型進(jìn)行優(yōu)化，并繼續(xù)比較分析。

由表3和表4可以看出，SSA-BP建模方法中模型R2較BP建模方法中模型的R2更高，RMSE更低，RPD則更高，這表明經(jīng)SSA算法優(yōu)化后的模型具有更高的預(yù)測(cè)精度和可靠性。

表4 SSA-BP模型結(jié)果Tab.4 Results of SSA-BP model

2.5 模型驗(yàn)證

為探究最佳模型對(duì)不同秸稈樣本含水率的預(yù)測(cè)效果，隨機(jī)配制了含水率為10.62%～25.59%的13個(gè)秸稈樣本，將環(huán)境溫度分別設(shè)置為25、30、35、40℃，在容積密度90.03～179.42 kg/m3范圍內(nèi)隨機(jī)選擇4個(gè)容積密度和頻率0.058、0.215、0.583、12.581、100.000 kHz下采集上述秸稈樣本的電容，共形成156組數(shù)據(jù)，對(duì)模型進(jìn)行驗(yàn)證。圖9為SPA-SSA-BP的預(yù)測(cè)結(jié)果,可以看出樣本集中于回歸線(y=x)附近，預(yù)測(cè)效果較佳。因此，最終選擇SPA-SSA-BP作為小麥秸稈含水率的檢測(cè)模型。圖10統(tǒng)計(jì)了樣本含水率預(yù)測(cè)值與烘干法測(cè)得的實(shí)際值的相對(duì)誤差，相對(duì)誤差為-5.27%～5.52%，其中96.8%的預(yù)測(cè)誤差集中在±5%范圍內(nèi)，說明該模型具有較高的準(zhǔn)確性和較好的魯棒性。

圖9 SPA-SSA-BP模型的含水率預(yù)測(cè)結(jié)果Fig.9 Moisture content predicted results of SPA-SSA-BP model

圖10 模型對(duì)不同含水率秸稈的預(yù)測(cè)相對(duì)誤差Fig.10 Model prediction relative error of different moisture contents of straw

3 結(jié)論

(1)探究了不同含水率、容積密度、環(huán)境溫度、頻率下秸稈電容的變化規(guī)律，在含水率10.43%～25.89%范圍內(nèi)，電容隨樣本含水率的增大而增大；在頻率0.05～100 kHz范圍內(nèi)，電容隨頻率的增大而減小，當(dāng)頻率大于1 kHz時(shí)，減小趨勢(shì)平緩；在容積密度90.03～179.42 kg/m3范圍內(nèi)，電容隨容積密度的增大而增大；在溫度25～40℃范圍內(nèi)，秸稈電容隨環(huán)境溫度的升高而增大。結(jié)果表明含水率、容積密度和環(huán)境溫度對(duì)電容的影響極顯著。

(4)對(duì)13個(gè)含水率為10.62%～25.59%的秸稈樣本進(jìn)行預(yù)測(cè)，結(jié)果表明，模型預(yù)測(cè)結(jié)果相對(duì)誤差為-5.27%～5.52%，其中96.8%的預(yù)測(cè)誤差集中在±5%范圍內(nèi)，模型具有較高的準(zhǔn)確性和較好的魯棒性，本文提出的方法可進(jìn)一步提高小麥秸稈含水率檢測(cè)模型的檢測(cè)精度，并為其他作物秸稈含水率預(yù)測(cè)提供了思路和理論參考。