吳娟

摘要：為解決傳統(tǒng)人工設(shè)置烤房干濕球控制溫度帶來(lái)的不足、易產(chǎn)生人為主觀因素干擾等問(wèn)題，提出利用電子鼻技術(shù)對(duì)烤房干濕球控制溫度進(jìn)行智能設(shè)置的方法。通過(guò)電子鼻傳感器陣列采集和檢測(cè)烤房氣體，得到傳感器的原始響應(yīng)曲線(xiàn)，經(jīng)過(guò)最小均方自適應(yīng)濾波方法預(yù)處理后，采用小波變換方法提取氣味特征，特征數(shù)據(jù)再通過(guò)PCA降維處理后輸入到模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，輸出干濕球控制溫度的設(shè)置值。測(cè)試結(jié)果顯示，干濕球控制溫度設(shè)置值的預(yù)測(cè)精度分別達(dá)到98.9%、97.1%，相關(guān)系數(shù)分別為0.998 3、0.982 8，均方根誤差分別為0.738 4、1.677 5?？梢?jiàn)，采用小波變換的氣味特征提取方法和模糊神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型可以有效地對(duì)烤房干濕球控制溫度進(jìn)行智能設(shè)置，有助于智能烘烤系統(tǒng)的建立。

關(guān)鍵詞：電子鼻；氣味特征；模糊神經(jīng)網(wǎng)絡(luò)；干濕球溫度；小波變換

中圖分類(lèi)號(hào)： TP391.4；S126文獻(xiàn)標(biāo)志碼： A文章編號(hào)：1002-1302（2017）12-0163-04

我國(guó)密集烤房煙葉烘烤方式依靠人工觀察煙葉烘烤狀態(tài)來(lái)設(shè)置烤房干濕球的控制溫度。在烘烤過(guò)程中，不同的烘烤階段煙葉呈現(xiàn)出不同的外觀狀態(tài)，以此決定干濕球控制溫度的設(shè)置值。目前對(duì)烤房干濕球溫度控制的研究著重于分析如何讓烤房的干濕球溫度達(dá)到給定的干濕球控制溫度[1-4]，而本研究側(cè)重的是如何設(shè)置給定的干濕球控制溫度，在實(shí)際烘烤中，該參數(shù)是通過(guò)人工現(xiàn)場(chǎng)觀察煙葉烘烤狀態(tài)后設(shè)置的，而該過(guò)程的智能控制是本研究的重點(diǎn)。

通過(guò)研究分析[5-7]，在不同的烘烤階段煙葉散發(fā)的揮發(fā)性物質(zhì)強(qiáng)度會(huì)有所不同，因此可以通過(guò)檢測(cè)烤房頂空氣體來(lái)確定煙葉的烘烤階段。本研究借助電子鼻技術(shù)檢測(cè)烤房氣體，提取出表征不同烘烤階段的氣味特征，經(jīng)過(guò)模糊神經(jīng)網(wǎng)絡(luò)的處理，確定干濕球控制溫度的設(shè)置值，實(shí)現(xiàn)烤房干濕球控制溫度的智能設(shè)置，這是目前相關(guān)領(lǐng)域比較缺乏的研究。電子鼻技術(shù)廣泛用于信息化農(nóng)業(yè)、食品工業(yè)以及軍事等領(lǐng)域[8-13]，為本研究提供了可行性依據(jù)。

1材料與方法

1.1供試樣本

試驗(yàn)的供試煙葉品種為南江3號(hào)，煙葉為中部煙，供試烤房為裝煙3層的密集烤房，煙葉放置方式為散葉堆積式，裝煙室規(guī)格為13 m×2.6 m，裝煙量為5 000 kg左右，試驗(yàn)于2014年7月在貴州省遵義市遵義縣進(jìn)行。一般地，一炕煙葉的烘烤要持續(xù)1周時(shí)間，在烘烤過(guò)程中，每小時(shí)提取烤房?jī)?nèi)煙葉散發(fā)氣體的氣味特征，同時(shí)記錄該時(shí)間內(nèi)干濕球控制溫度的設(shè)置值，以此作為1個(gè)試驗(yàn)樣本，共采集351個(gè)樣本。

如圖1所示，烤房氣體通過(guò)傳感器陣列采集，不同材料的傳感器會(huì)對(duì)氣體的不同成分產(chǎn)生響應(yīng)，本系統(tǒng)采用10路傳感器，每個(gè)樣本的傳感器響應(yīng)曲線(xiàn)都是由10條曲線(xiàn)組成。氣味數(shù)據(jù)經(jīng)放大得到傳感器原始響應(yīng)曲線(xiàn)，再通過(guò)信號(hào)預(yù)處理，濾除高頻干擾，對(duì)濾波后的數(shù)據(jù)提取出氣味特征，氣味特征作為智能算法模型的輸入，經(jīng)計(jì)算處理后輸出干濕球控制溫度的設(shè)置值，再通過(guò)可編程邏輯控制器（programmable logic controller，PLC）控制烤房?jī)?nèi)的干濕球溫度達(dá)到設(shè)置值。

1.2方法

1.2.1氣味信號(hào)預(yù)處理和氣味特征提取傳感器陣列輸出的10路傳感器響應(yīng)電壓構(gòu)成10條響應(yīng)曲線(xiàn)，在這過(guò)程中會(huì)有干擾和噪聲，須要對(duì)氣味信號(hào)濾波處理。本研究采用最小均方自適應(yīng)濾波方法對(duì)原始傳感器響應(yīng)曲線(xiàn)進(jìn)行預(yù)處理。

烤房氣味特征的提取要反映出烘烤過(guò)程中煙葉散發(fā)不同氣味而得到不同的氣體強(qiáng)度。氣味特征提取的常用方式有基于原始響應(yīng)曲線(xiàn)和基于變換域的方法[14-17]。本研究采用4

種特征提取方法對(duì)烤房氣味特征進(jìn)行提取，分別是基于原始響應(yīng)曲線(xiàn)的最大值、積分特征提取方法，以及基于變換域的小波變換、傅里葉變換提取方法。最大值、積分特征提取方法分別提取響應(yīng)曲線(xiàn)上響應(yīng)強(qiáng)度的最大值、響應(yīng)曲線(xiàn)的積分值；小波變換、傅里葉變換特征提取方法是對(duì)響應(yīng)曲線(xiàn)經(jīng)過(guò)小波、傅里葉變換后，提取變換系數(shù)作為特征的方法。

1.2.2數(shù)據(jù)降維和算法處理氣體特征經(jīng)過(guò)主成分分析（principal component analysis，PCA）方法降維處理，再輸入到模糊神經(jīng)網(wǎng)絡(luò)，預(yù)測(cè)出烤房干濕球控制溫度的設(shè)置值。為表征網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果，本研究給出3個(gè)度量參數(shù)，分別為精度P、均方根誤差RMSE以及相關(guān)系數(shù)r，計(jì)算公式如下：

P=1n∑ni=1|ti-yi|ti；（1）

RMSE=∑ni=1（ti-yi）2n；（2）

r=∑ni=1（ti-t）（yi-y）∑ni=1（ti-t）2∑ni=1（yi-y）2。（3）

式中：n為樣本總數(shù)，ti、yi分別是第i個(gè)樣本的期望值、網(wǎng)絡(luò)輸出預(yù)測(cè)值，t、y分別是樣本期望值的均值、輸出預(yù)測(cè)值的均值。

2結(jié)果與分析

2.1氣味信號(hào)預(yù)處理結(jié)果

傳感器陣列對(duì)烤房氣體的原始響應(yīng)曲線(xiàn)如圖2-a所示，橫坐標(biāo)為采集時(shí)間，縱坐標(biāo)為傳感器響應(yīng)輸出電壓，10根曲線(xiàn)分別代表10個(gè)氣體傳感器在采集過(guò)程中隨時(shí)間變化的響應(yīng)輸出。圖2-b、圖2-c為響應(yīng)曲線(xiàn)經(jīng)過(guò)不同濾波方法處理后的結(jié)果。從圖2中比較看出，最小均方自適應(yīng)濾波方法能較好地去除信號(hào)干擾，保留原始有效響應(yīng)。

2.2氣味特征分析

將經(jīng)最小均方自適應(yīng)濾波后的傳感器響應(yīng)曲線(xiàn)作為氣味特征提取的依據(jù)。采用“1.2.1”節(jié)所述4種特征提取方法提取氣味特征，再通過(guò)PCA的降維處理，將前3個(gè)主成分（PC1、PC2、PC3）作為后續(xù)建模的氣味特征。

由表1中可知，4種特征提取方法的前3個(gè)主成分PC1、PC2、PC3對(duì)原始數(shù)據(jù)信息的累積方差貢獻(xiàn)率達(dá)到97%以上，能較好地反映原始數(shù)據(jù)信息，保證了處理結(jié)果的可靠性[18]。

2.3干濕球控制溫度的智能設(shè)置結(jié)果endprint

本研究共采集351個(gè)樣本，隨機(jī)選取樣本總數(shù)的75%（263個(gè)）作為訓(xùn)練集，剩余的25%（88個(gè)）作為測(cè)試集。氣味特征作為模糊神經(jīng)網(wǎng)絡(luò)的輸入，輸出分別為干球控制溫度、濕球控制溫度的設(shè)置值。模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練迭代次數(shù)為 1 000，隸屬度函數(shù)為三角形函數(shù)，得到測(cè)試集的預(yù)測(cè)結(jié)果如表2所示。

以小波變換氣味特征作為輸入，模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練后的決策面 （decision surface） 如圖5所示。 決策面是描繪網(wǎng)絡(luò)輸

入與輸出關(guān)系的非線(xiàn)性曲面，有助于分析各輸入因子對(duì)輸出參數(shù)的影響[19-21]，從圖中可以看出，PC1成分對(duì)干濕球控制溫度設(shè)置的影響較大。

3結(jié)論與討論

本研究提出了基于氣味特征的干濕球控制溫度的智能設(shè)置方法，采用小波變換的特征提取方式提取烤房氣體的氣味特征，經(jīng)PCA降維處理后，提取前3個(gè)主成分作為氣味特征，通過(guò)模糊神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，輸出烤房干濕球控制溫度的設(shè)置值，干濕球的測(cè)試精度分別達(dá)到98.9%、97.1%，相關(guān)系數(shù)分別為0.998 3、0.982 8，均方根誤差分別為0.738 4、1.677 5，結(jié)果顯示該方法能有效地對(duì)烤房干濕球控制溫度進(jìn)行智能設(shè)置。本研究提出的方法擺脫了人工對(duì)烘烤過(guò)程的參與，為建立智能烘烤系統(tǒng)提供試驗(yàn)依據(jù)。

從干濕球控制溫度的預(yù)測(cè)結(jié)果相比較來(lái)看，濕球控制溫度的預(yù)測(cè)結(jié)果還有提升空間，下一步可考慮結(jié)合煙葉的圖像特征，以多傳感器信息融合的方式進(jìn)一步提高干濕球控制溫度的智能設(shè)置結(jié)果。

參考文獻(xiàn)：

[1]張芬，楊陽(yáng)，付紅霞，等. 基于密集化煙葉烤房建模的溫度模糊控制器設(shè)計(jì)[J]. 系統(tǒng)仿真學(xué)報(bào)，2014，26（12）：2974-2978，2990.

[2]胡鳳忠，黎添笑，高金定. 智能化密集烤房控制器的設(shè)計(jì)與實(shí)現(xiàn)[J]. 計(jì)算機(jī)測(cè)量與控制，2011，19（12）：2952-2954.

[3]王暑，楊曉京. 基于模糊神經(jīng)網(wǎng)絡(luò)的煙葉烘烤溫濕度監(jiān)控系統(tǒng)研究[J]. 計(jì)算機(jī)測(cè)量與控制，2009，17（2）：342-344.

[4]王勝雷，陳順輝，吳祖仁，等. 烤煙烘烤測(cè)控系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J]. 農(nóng)機(jī)化研究，2007（4）：73-75.

[5]樊軍輝，陳江華，宋朝鵬，等. 2種類(lèi)型烤房烘烤過(guò)程中氣體成分變化的差異[J]. 西北農(nóng)林科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2011，39（2）：120-124.

[6]廖和明，孫福山，徐秀紅，等. 不同烘烤工藝對(duì)烤煙品種NC55中性香氣物質(zhì)各組分含量的影響[J]. 中國(guó)煙草科學(xué)，2013，34（5）：89-94.

[7]孟智勇，馬浩波，李彥平，等. 密集烘烤定色升溫方式對(duì)烤煙質(zhì)量及中性致香物質(zhì)含量的影響[J]. 河南農(nóng)業(yè)科學(xué)，2012，41（8）：57-61.

[8]施文正，王錫昌，楊薇，等. 基于電子鼻的養(yǎng)殖草魚(yú)不同部位揮發(fā)性成分分析[J]. 江蘇農(nóng)業(yè)科學(xué)，2011，39（6）：505-507.

[9]矯海楠，王傳義，徐秀紅，等. 不同裝煙方式烤后煙感官評(píng)價(jià)與電子鼻綜合分析[J]. 江蘇農(nóng)業(yè)科學(xué)，2015，43（8）：290-293.

[10]王俊，崔紹慶，陳新偉，等. 電子鼻傳感技術(shù)與應(yīng)用研究進(jìn)展[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2013，44（11）：160-167.

[11]翟曉娜，楊剴舟，柴智，等. 電子鼻電子舌在咖啡風(fēng)味研究中的應(yīng)用[J]. 食品工業(yè)科技，2016，37（5）：365-370.

[12]李欣逸，解達(dá)帥，張超，等. 基于電子鼻技術(shù)的膽南星定性鑒別研究[J]. 中國(guó)實(shí)驗(yàn)方劑學(xué)雜志，2016，22（8）：6-10.

[13]何珊，藺佳良，張迪駿，等. 南北中華絨螯蟹揮發(fā)性物質(zhì)的比較研究[J]. 核農(nóng)學(xué)報(bào)，2016，30（8）：1577-1586.

[14]Setkus A，Olekas A，Senuliene D，et al. Analysis of the dynamic features of metal oxide sensors in response to SPME fiber gas release[J]. Sensors and Actuators B：Chemical，2010，146（2）：539-546.

[15]Green G C，Chan A D C，Dan H H，et al. Using a Metal Oxide Sensor（MOS）-based electronic nose for discrimination of bacteria based on individual colonies in suspension[J]. Sensors and Actuators B：Chemical，2011，152（1）：21-28.

[16]楊添鈞，楊詩(shī)龍，黎量，等. 基于電子鼻及機(jī)器視覺(jué)技術(shù)的山楂不同炮制品判別研究[J]. 時(shí)珍國(guó)醫(yī)國(guó)藥，2014，25（10）：2399-2402.

[17]金玉琴，周金海，趙群，等. 基于神經(jīng)網(wǎng)絡(luò)的芳香類(lèi)中草藥品質(zhì)檢測(cè)技術(shù)[J]. 計(jì)算機(jī)仿真，2012，29（12）：251-254.

[18]甘玲，鄒寬中，劉肖. 基于PCA降維的多特征級(jí)聯(lián)的行人檢測(cè)[J]. 計(jì)算機(jī)科學(xué)，2016，43（6）：308-311.

[19]Petkovic' D，C'ojbaic' ，Lukic' S. Adaptive neuro fuzzy selection of heart rate variability parameters affected by autonomic nervous system[J]. Expert Systems with Applications，2013，40（11）：4490-4495.

[20]Baturone I，Gersnoviez A，Barriga . Neuro-fuzzy techniques to optimize an FPGA embedded controller for robot navigation[J]. Applied Soft Computing，2014，21（5）：95-106.

[21]C'irovic' G，Pamucˇar D，Boanic' D. Green logistic vehicle routing problem：routing light delivery vehicles in urban areas using a neuro-fuzzy model [J]. Expert Systems with Applications，2014，41（9）：4245-4258.姜美曦，陳春玲，周云成. 基于卡爾曼濾波器的肉牛行為識(shí)別方法[J]. 江蘇農(nóng)業(yè)科學(xué)，2017，45（12）：167-171.endprint