基于湿热参数的油茶籽干燥过程含水量在线预测

龚中良， 易宗霈， 文 韬， 李大鹏， 王鹏凯， 刘 豪

(中南林业科技大学机电工程学院，长沙 410000)

热风干燥是现阶段最常用的农产品干燥方式，而实现干燥过程农产品含水量在线检测对提高农产品干燥品质、降低干燥能耗具有重要意义[1-3]。油茶籽干燥是茶油生产工序中的第一步[4],其含水量是干燥过程控制的一个重要参数，干燥后含水量的高低直接影响油茶籽储藏与茶油的制取[5]。因此，为了有效降低干燥能耗和提高干燥品质，有必要对油茶籽含水量进行在线检测。

目前,对于物料含水量的检测方法主要分为直接检测和间接检测两类[6],直接检测法中最具有代表性的是烘干法，此方法检测时间长，不适合用于在线检测。在间接检测法中电学法是最为常见的检测方法,国内外学者利用介电参数实现了柑桔叶片[7]、高粱[8]、绿茶[9]含水量的预测。光谱技术、微波技术近年来在含水量检测领域的研究也较为普遍,基于光谱技术成功实现了对小麦籽[10]、油茶籽[11]、玉米叶片[12]的含水量预测,采用微波测量模块对谷物[13]、核桃[14]含水量进行预测,同样也取得了较好的结果。这些检测方法准确预测了不同农产品的含水量,然而检测装置复杂,大多都受限于干燥装置与物料种类,且对检测环境有一定要求,干燥过程在线检测的实用性不足。

实际上,由热质传递的基本原理可知,通过物料干燥层后空气湿热参数的变化与物料本身的干燥速率相关[15]。根据对油茶籽干燥特性的研究[16-18],油茶籽热风干燥速率以降速期为主,在干燥过程中不断变化。因此有望利用空气湿热参数的变化趋势间接检测油茶籽含水量。

热风干燥过程实质上是一个复杂的传热传质过程，很难用一个精确的数学模型描述。而随机森林作为一种具有代表性的机器学习算法，不仅对解决非线性问题有显著的优势，而且对噪声数据不敏感[19]。本文通过干燥实验探究油茶籽干燥过程含水量与空气湿热参数之间的关系,并建立基于随机森林算法的油茶籽含水量预测模型,实现油茶籽干燥过程中含水量的在线预测。

1 材料与方法

1.1 材料

本实验选用10月中旬从湖南省长沙市望城区雪峰山油茶基地收集的成熟油茶籽，在干燥实验之前，对油茶籽进行人工脱蒲，选取大小均匀、无发芽、无霉变的鲜油茶籽，单粒油茶籽平均质量为4 g,初始干基含水量为(0.98±0.05)kg/kg。

1.2 仪器与设备

热风干燥装置如图1所示，其中，干燥器腔体尺寸为80 mm(R)×230 mm(H), 底部入风口设有目数为4目的铁网，以保证热风可以均匀的穿过物料。使用PRAH2工业热风机提供风速、温度可控的热风。温湿度传感器布置如图2所示，采用温湿度传感器测量干燥装置进出口的温湿度参数(温度精度±0.5 ℃，湿度精度±3%RH)，其中，干燥装置入口对称放置有2个温湿度传感器，伸入干燥腔体深度为40 mm干燥装置出口温湿度传感器阵列设置在物料层上方100 mm处，共包含A、B、C、D 4个温湿度传感器，均固定在半径90 mm的铁网上，除A布置在阵列正中心以外，B、C、D 3个以中心角120度分布，距离中心点45 mm。传感器数据通过SIN-R6000C无纸记录仪进行连续的采集。

注：1 温湿度传感器阵列；2 风速检测点；3 干燥腔；4目铁网；5 干燥腔入口温湿度传感器；6 风速调节阀；7 加热器；8 离心风机。图1 热风干燥装置

图2 温湿度传感器布置图

1.3 实验步骤

在干燥实验前，开启热风干燥装置，设定所需热风温度、风速，对干燥腔进行预热。实验参数的设置如表1所示。

表1 实验参数

称取600 g鲜油茶籽，将其均匀放置在干燥腔内，堆积孔隙率约为45%。在干燥过程中，使用无纸记录仪实时采集温湿度传感器数据，采样周期设置为1 s，每隔30 min对油茶籽进行1次称重，记录油茶籽当前质量以及称质量时刻温湿度传感器数值。当相邻2次称量油茶籽质量差小于2 g时停止干燥。

将干燥结束后的油茶籽放入恒温烘箱内，以105 ℃干燥至恒重停止，以此质量作为干基质量可计算出此前每次称重时的油茶籽干基含水量。

每一称重时刻油茶籽干基含水量的计算公式如式(1)所示：

(1)

式中：MC为油茶籽的干基含水量/kg/kg；mt为油茶籽干燥至t时刻的质量/kg；m为油茶籽的干基质量/kg。

1.4 干燥数据获取与处理

1.4.1 干燥数据获取

现有装置获得的实验数据包括干燥腔进出口热风温度T1、T2，干燥腔进出口相对湿度RH1、RH2和干燥风速v，其中T1与RH1由干燥腔入口处温湿度传感器的平均值得到，T2与RH2由干燥腔出口处温湿度传感器阵列的平均值得出。根据热质传递平衡原理选取干燥腔进出口温差与含湿量差数据，含湿量的定义为每千克质量的干空气中所混合的水蒸气的质量，用符号d来表示，单位为g/kg。

(2)

式中：φ为相对湿度/%；ps为水蒸气分压力/Pa；p为空气压力/Pa；d为含湿量/g/kg。

考虑到进出口含湿量差在干燥过程中的变化率会随着干燥时间的变化而逐渐减小，且在不同工况下的变化率也有区别，采用公式进一步计算干燥腔进出口温差变化率δ1与含湿量差变化率δ2。

(3)

(4)

式中：∂d、∂T为干燥腔进出口含湿量差与温差的变化量；Δt为发生这一变化所用的时间。

最终，干燥模型所考虑的输入参数如表2所示。

表2 干燥模型可利用的输入参数

1.4.2 数据预处理

在干燥过程中，由于干燥环境温湿度变化的影响，传感器采集数据存在较多噪音，同时每次称重对整个检测过程存在干扰，故本实验需要对干燥过程中存在较大噪声的参数进行滤波处理。图3是实验温度70 ℃，风速1 m/s的工况下进出口温差和含湿量差的变化曲线，数据由无纸记录仪每秒采集的温湿度数据计算得来。由图3原始数据可以看出，两参数随干燥时间的变化下均存在随机噪声。考虑到干燥过程数据需要进行实时处理，故采用卡尔曼滤波来对数据进行滤波处理。卡尔曼滤波作为一种时域滤波方法被广泛的应用于数据噪声处理之中[20-22]，此算法采用线性状态方程对系统状态进行最优估计，在保证数据真实性的同时，可以有效去除了原始数据中的随机噪声。

图3 原始数据与卡尔曼滤波对比效果图

1.5 研究方法

1.5.1 随机森林回归模型

实时预测油茶籽干燥过程中含水量要求模型在保证运算速度的同时能有效地克服干燥过程中的信号干扰。与其他机器学习算法相比，随机森林算法避免了复杂的结构，并在非线性分析中有着广泛的应用[23，24]。该算法最早是由Breiman与Cutler提出,其原理如图4所示。此算法通过集成学习的思想将大量决策树集成，以此来提高模型的精度。在训练样本时，每一棵决策树随机的采集样本数据中的一小部分进行训练，以此来保证每一棵决策树的相互独立性，当所有决策树都完成训练后，再通过均值的方法将每一颗决策树的训练结果整合在一起进行输出，因此树的数量是建立随机森林模型中最重要的参数，提高树的数量可以提升模型的预测精度，但模型训练和预测的时间也会相应的增加，并且边际收益会随树数量的不断提升而递减，所以要在保证预测精度的同时选取合适的决策树数量。

图4 随机森林算法结构图

1.5.2 模型评价指标

为了对模型的相关性进行检验，引入决定系数(R2) 、均方根误差(RSME)两种常用的评价指标，分别由式(5)和式(6)表示。

(5)

(6)

2 结果与分析

2.1 不同干燥条件下湿热参数与含水量变化规律

2.1.1 不同温度下湿热参数与含水量变化规律

图5为干燥风速0.5 m/s，不同温度下油茶籽含水量与干燥腔进出口含湿量差、温差随时间变化曲线。油茶籽含水量随着干燥的进行逐渐下降，并且温度越高，含水量下降速度越快。温度越高，含湿量差和温差越大，且两者随时间的下降趋势越明显。这是因为油茶籽内部水分的扩散速率会随温度的升高而加快，水分的蒸发量一定程度上可以等效为干燥腔出口湿热空气所增加的水分，因此含湿量差参数随温度的升高而增大。而水分蒸发所需的热量又与干燥腔出口湿热空气消耗的热量相关。水分蒸发速率越快，消耗的热量越多，即干燥腔进出口温差值越大。

2.1.2 不同风速下湿热参数与含水量的变化规律

图6为干燥温度50 ℃，不同干燥风速下油茶籽含水量与干燥腔进出口含湿量差、温差随时间变化曲线。在干燥初期，油茶籽含水量下降速率随风速增加呈加快趋势，这是因为油茶籽干燥初期以表面水分蒸发为主，干燥风速越快，表面水分蒸发速率越快;而随着干燥的进行，油茶籽干燥过程变成以内部水分扩散为主的降速干燥，干燥风速不再是影响油茶籽干燥速率的主要因素。整体上看，干燥风速对油茶籽干燥速率的影响较小，但是干燥风速却对干燥腔进出口含湿量差和温差有显著影响。干燥进出口含湿量差、温差与风速的大小成反比，且干燥风速越大，变化趋势越平缓。干燥风速的增加使得单位时间内经过干燥腔的空气体积流量增大，而油茶籽水分蒸发速率并没有因风速的增加而产生明显的变化。风速增加，单位时间内油茶籽蒸发的水分与消耗的热量增幅不大。因此，干燥腔进出口温差值与含湿量差值均随干燥风速的增加而减小。

图5 不同温度下的参数对比图

图6 不同风速下的参数对比图

2.2 RF模型输入参数的选择

在预测模型中，合适的输入参数能有效提高预测模型的准确性。当输入参数过多时，会增加模型的计算时间，同时，如果存在某些输入参数对预测目标变量没有贡献，模型的预测性能也会受到影响，因此，需要消除预测模型中不重要的输入参数。

通过5折交叉验证，将表1中9组工况下的实验数据划分为5份，每份互不相交，轮流将其中的4份作为训练集，1份做测试集。使用不同输入参数组合进行训练，以确定最适合含水量预测的参数组合。表3为8种参数组合与对应的建模结果。可以看出，相比只包含基本干燥参数(序号1)下的模型，不同湿热参数的加入均提升高了模型的预测精度。同时，加入含湿量差参数的模型(序号3)预测效果比加入温差参数的模型(序号2)预测效果更好，说明含湿量差参数与油茶籽含水量的相关性更高。其次，采用序号5变量组的RF模型效果最佳，测试集决定系数和测试集均方根误差分别为0.955和0.046 5，并且优于采用全变量组(序号8)预测的结果。从表3中还可以得到，输入参数越多，所需要的运算时间越长，但不同参数组对应的运算时间差距不大。

表3 不同参数组合训练结果

考虑到干燥是热惰性较大的系统，在线预测含水量不需要较快的响应时间[25]，所以可以忽略不同输入参数组合对运算时间的影响。因此综合考虑，选择序号5变量组合为最优的RF模型输入参数。

2.3 RF模型参数优化

在确定好模型的输入变量后，需要确定随机森林算法中树的最佳数量。以RMSE为评价指标，通过试错法，采用5折交叉验证建立的RF模型来确定树的最佳数量，数据集同样选用表1中9组工况下的实验数据。图7为不同决策树数数量下预测模型的RMSE。RMSE先随着决策树数量的增加开始急剧下降，随后逐渐趋于稳定。这是由于油茶籽含水量与输入变量之间的相关性是非线性的，而对于非线性问题，有限的决策树个数容易让模型欠拟合，让预测准确性降低。提升决策树数量，可以让模型拥有更好的性能，但当决策树数量超过一定数值后，模型的性能不再会有显著的提升，而模型的运行时间会随决策树数量的增加相应增长。因此需要保证在RMSE最小的同时，决策树数量也要最小。由图7可知最优的决策树数量为65。

图7 随机森林模型参数优化

2.4 RF模型性能测试

采用表1所给出9组工况下的全部数据作为训练集构建RF模型，使用训练集之外两组不同干燥工况下的油茶籽实验数据构建预测集(表4)，以评价RF模型的预测性能。根据预测模型的预测结果，两组工况下的油茶籽含水量预测集的R2分别为0.994 3和0.990 8,RMSE分别为0.042和0.027 9,整体预测结果较好。

表4 预测集实验工况

为了进一步验证RF模型的预测性能，分别采用此模型与其他常用机器学习模型预测表4的实验工况下油茶籽含水量。其他机器学习模型包括决策树回归(DTR)、支持向量机(SVR)，模型参数均采用默认值，模型训练集采用表1中9组工况的实验数据。通过不同模型对比分析可知RF模型的预测值与实测值最接近(图8)，两组工况下的RF模型的RMSE较DTR模型降低了0.021,较SVR模型降低了0.026。由此说明RF模型在预测油茶籽含水量上存在优势。

图8 不同模型预测性能对比图

3 结论

本研究提出了一种利用湿热参数结合随机森林(RF)模型的干燥过程油茶籽含水量在线检测方法。通过实验得到了不同干燥温度、风速下油茶籽含水量与干燥腔内湿热参数的变化关系。实验结果表明，干燥温度越高，干燥腔进出口含湿量差、温差数值越大，变化速率也越大；干燥腔进出口含湿量差、温差随干燥风速的增大而减小，不同风速下的变化速率区别不大。通过RF模型在不同输入参数组合下的预测结果对比，选择最优输入参数组合，包括干燥腔进出口含湿量差、含湿量差变化率和入口温度、风速以及干燥时间。并且基于最优输入参数组合建立了RF模型，确定了最佳决策树数量为65。利用不同实验条件下预测集数据测试了RF模型的预测性能，模型预测值与实测值的均方根误差为0.035；进一步通过对比得到，RF模型的预测精度明显高于决策树模型、支持向量机模型。表明该方法可以有效对油茶籽干燥过程含水量进行在线预测。