封闭式粮仓通风控制中的智能算法研究

孙彪瑞，廉飞宇

（河南工业大学 信息科学与工程学院，河南 郑州 450001）

0 前言

粮食是国家的战略资源，关系着经济发展和社会稳定.由于我国人口规模和耕地面积矛盾的客观存在，粮食供应将长期处于紧平衡的状态，粮食供给抵御风险的能力较低[1].因此，保持一定量的粮食储备，就成为我国的一项基本国策.但由于我国粮食行业科技水平普遍较低，每年因粮食收获、转运、储藏加工不当造成的粮食损失达0.235亿t[2].因此，作为粮食安全的一个重要组成部分，粮食储藏安全一直受到国家粮食管理部门的高度重视[3].近年来，随着信息化技术向社会各个领域的渗透和扩展，粮食行业也提出了信息化的要求，并提出了利用现代科技科学保粮、绿色储粮的任务，其中，粮仓智能通风系统的推广是目前国家粮食局正在全国范围内着手实施的工程.作者针对信息融合技术在智能通风控制系统中的应用进行研究，为智能通风控制系统提供一种有效的智能决策算法.

1 封闭式粮仓的自动通风系统

1.1 自动通风系统模型

建国后，我国就已开始实施储备粮政策.改革开放以来，储备粮作为一种战略资源看待并得到了进一步的加强.目前，我国已建立各类粮库3 万多个，通风设备的控制多数采用人工方式，该方式依靠人的经验决定通风起点，并且粮情检测具有非实时性的特点，使得通风时长不能随粮情变化而调整，往往造成通风效率低下，出现大量无效通风甚至有害通风.为了解决人工通风存在的这些问题，现在很多粮库都实现了以单片机为核心的下位机控制通风设备，以通风软件为核心的上位机控制系统的自动通风系统[4-6].典型的自动通风系统如图1 所示.

自动通风系统减少了人工通风的无效通风状况，减少了能源消耗，同时也减少了人力、物力的消耗，提高了通风效率.

1.2 通风条件及其存在的问题

在自动通风系统中，通风条件是影响通风效果的关键因素.通风条件包括开启通风条件和关闭通风条件，需要根据不同的地域和气候条件进行灵活设置.根据粮情状况，通风可能会采取不同的模式，称为通风模式.有些通风模式是普遍的，如降温通风，有些通风模式是特定气候条件下特有的，如北方干燥地区的保水通风.各通风模式往往对应一组通风条件，即便是相同的通风模式，通风条件的边界值也可能随地域和气候条件的不同而不同，因此通风条件的边界值在通风软件中应当是可设置的.

自动通风系统以实时的粮情采集为基础，通过对通风条件的边界值进行计算，判断是否满足某种模式的通风条件.若满足，即按该模式启动或打开相应的通风类别，在通风过程中，需要根据实时监测的粮情数据，计算结束通风条件边界值，并计算是否满足相应的结束通风条件.自动通风系统在实际应用中，也遇到了一些问题：（1）通风模式仍需靠人工进行选择，无法避免由于经验导致的无效通风问题；（2）通风条件设置过死导致通风设备频繁动作，从而导致通风耗能增加，通风效果也不能完全令人满意.因此迫切需要具有智能化的通风控制机制，即智能通风系统.

图1 自动通风系统

2 基于信息融合技术的智能通风

2.1 智能通风的涵义及实现方法[7]

目前，智能通风还没有一个统一的定义.中储粮将智能通风系统分为智能通风软件和自动控制系统，其中自动控制系统是通风设备的下位机电气控制系统，因此智能通风主要体现在智能通风软件上.根据中储粮成都粮食储藏科学研究所的智能通风项目具体建设要求，智能通风软件应能满足项目建设单位在储粮通风周期内的数据检测、决策、控制等要求，实现储粮通风的计算机管理和自动操作.在该项要求中，能够提供通风决策应是智能通风最基本的特征.在诸多的辅助决策工具中，专家系统在通风决策中的应用已有一些研究.智能通风专家系统是一个智能化的通风软件系统，其内部有大量的该领域专家水平的知识与经验，能够利用在仓储通风方面的知识和经验来解决该领域问题.但在实际应用中，专家系统可能会面临同时出现的多种建议：比如一些粮情信息计算的结果显示应当采取某种模式的通风，而另一些粮情计算的结果显示应当采取另一种通风模式，此时就需要对采集的多种不同类型的粮情信息进行融合处理，从多种通风模式中推荐出一种最佳模式.因此信息融合技术在通风模式的决策中就显得必不可少了.

2.2 智能通风信息融合模型[8-9]

智能通风采集的实际粮情是多种多样的，每一种粮情都不能单独决定采用哪种模式进行通风，而通风条件计算结果还有可能支持不同的通风模式.因此，为了使通风决策更加正确合理，就需要综合利用所有的粮情信息.信息融合技术可以对多路的同质的和异质的信息进行融合，从而得到比只通过单一信息更有价值的判断结果[10].因此，作者在利用智能通风系统进行计算机辅助决策上，分别引入气温、气湿、仓温、仓湿、上层粮温、中层粮温、下层粮温、粮堆水分等多个来源的原始信息，建立融合模型，并利用一种改进的D-S 算法，对这些信息进行融合判断，以期取得更好的判断效果.

作者采用的信息融合框架模型如图2 所示.该模型可以对从实时粮情中获取的多重储粮状态信息进行融合，并做出通风模式决策.在这模型中，融合判断是在决策级上进行的，融合算法采用的是D-S 证据算法.考虑到因传感器失真漂移造成的非真实数据的影响，本模型在实时粮情数据基础上，按照一定的采集策略，采集不同时间点和空间点的多组数据进行叠加式融合，以期得到更为准确的融合结果.

图2 粮仓通风信息融合框架模型

2.3 基于D-S 证据理论的智能通风算法及其实现

2.3.1 D-S 证据理论[11-13]

D-S 算法是基于证据理论的一种推理算法，由Dempster 首先提出，并由Shafer 加以扩充发展，故称为D-S 证据理论.设Ω 是被识别目标变量可能值的穷举集合，称为样本空间.如果Ω 中元素个数为n，则Ω 中样本个数为2n.Ω 集合中的每个元素对应一个命题，相当于概率论中的基本事件.当然，Ω 样本空间中还存在空集φ，称为“不可能事件”.对于任何一个属于样本空间Ω 的命题a，令它对应一个映射m，m(a)∈[0，1]，并且满足条件为：

式中：m(a)称为命题a 的基本可信度分配值，是赋给a 的置信测度.

定义命题的信任函数（Belief Function）为：

式中：Bel(a)表示a 对应的总信任程度，称为可信度.

定义命题a 的似然函数（Plausibility Function）为：

式中：Ω→[0，1]；a=Ω-a；Pl(a)表示不否定a 的信任程度，又称为拟信度.

Bel(a)和Pl(a)分别为命题a 的下限函数和上限函数，两者的关系满足：Pl(a)≥Bel(a).

在获得的关于命题a 的所有证据中，把支持命题a 的证据称为支持证据，把不支持命题a 的证据称为拒绝证据.把除这两种证据以外的证据称为中性证据.对这3 种证据区间如图3 所示.

图3 D-S 的证据区间

由图3 可知，Bel(a)是一个关于命题a 的极大可信度值，对应的是所有支持命题a 的证据.Pl(a)也是一个关于命题a 的极大可信度值，但它是针对所有不反对a 的证据，即针对支持证据和中性证据.因此，a 的不确定性就可以由一个区间[0，1]上的子区间［Bel(a)，Pl(a)］来度量.设命题a 的概率为P(a)，则有：Bel(a)≤P(a)≤Pl(a).Pl(a)-Bel(a)表示对命题a 的“未知”信息，该值越小，表明对命题a 的“未知”部分越少，证据对假设的支持越强.

在数据融合的处理过程中，由不同信息通道获取的数据，作为证据对命题a 的支持程度是不同的，因此各个证据的基本可信度分配值也不同.根据D-S 的证据组合规则，各个证据的基本可信度分配值的融合采用了正交和的方法.

根据证据理论，样本空间中的多个子集都可以获得同一个证据的支持.一种简单的情况是：获得的多个证据仅仅支持样本空间中的一个单子集，在这样的情况下，可把剩余的信任度赋给不支持该单子集的子集Θ.

设n 个证据同时支持命题a，其基本可信度分配值分别为mi(a)，且

根据D-S 组合规则有：

即某命题可信度分配的联合值，为多个证据对同一命题的基本可信度分配值的正交和.

2.3.2 D-S 证据算法的实现与仿真分析

在信息融合决策层上应用D-S 证据组合规则，得到最终的通风模式可信度，算法如图4 所示.

图4 通风模式的D-S 算法模型

为了验证D-S 算法的有效性，假定有两个证据：粮堆平均温度和仓内空气湿度对命题“需要环流通风”（用a 表示）的支持度分别为：

根据D-S 证据组合规则有：

这样，就得到2 重证据共同作用下的可信度：

可见，联合作用下的可信度比单个证据的可信度要高.由于在实际融合过程中，获取的数据受传感器分布位置和误差的影响，其联合可信度值的计算结果可能也会有偏差甚至是较为严重的误差.因此，只选取一组数据计算联合可信度值显然并不是完全可靠的.为了进一步提高决策的准确性，需要按一定规则（选择靠近仓壁的传感器数据）提取多组数据，对每组数据应用D-S 规则进行联合可信度计算，并将结果再作为证据，应用D-S规则进行更高层次上的联合可信度计算，为此，对以上D-S 证据信息融合算法进行了改进：

多重D-S 算法是将D-S 证据算法计算出的联合可信度再次作为证据，计算多组联合可信度作为多个证据，应用D-S 证据算法计算最终的联合可信度，从而减弱某些频率点上的干扰所造成的计算误差.改进后的多重D-S 证据算法模型如图5 所示.

假定第一组数据对命题a 的支持度分别为：

m1(a)＝0.6，m1(Θ)＝0.4；

m2(a)＝0.8，m2(Θ)＝0.5.

图5 多重D-S 证据算法模型

第二组数据对该命题a 的支持度分别为：

m1(a)＝0.7，m1(Θ)＝0.3；

m2(a)＝0.4，m2(Θ)＝0.6.

依据D-S 证据规则，得到第一组数据总的可信度为：

第二组数据总的可信度为：

根据图5 所示的多重D-S 证据算法，将两组计算的联合可信度数据Bel1(a)和Bel2(a)再次作为命题a 的支持度，根据D-S 规则计算：

这样就2 组数据的联合可信度为：

可见，两组数据的联合可信度高于1 组数据的联合可信度.由此可以推断，提取的数据愈多，联合可信度的计算越精确，这是因为这种方法可以减弱某些传感器由于误差而造成的可信度初始分配值上的误差.

3 结果与分析

根据上述D-S 证据理论，分别采集中央储备粮荥阳直属库、汨罗直属库、洪洞直属库的粮情数据（气温、气湿、仓温、仓湿、上层粮温、中层粮温、下层粮温）进行通风模式决策判断，将判断结果与专家意见进行比较，结果如表1 所示.

表1 D-S 融合算法决策输出与专家意见比较

由表1 可知，随着参与决策的数据越多，决策效果与专家决策的符合度越高.在使用1～2 组数据时，决策符合度为70%左右，使用5 组数据，决策符合度一般都达到80%以上，当使用10 组数据时，决策符合度一般都能达到100%左右，这进一步说明了作者算法的有效性.

4 结论

作者针对封闭式粮仓的通风问题，概述了自动通风系统的基本结构，讨论了自动通风的通风条件问题，也由此引出智能通风系统的概念，并讨论了智能通风中通风模式的智能决策问题.提出基于信息融合的智能通风解决方案，并实现了一种基于D-S 证据理论的信息融合智能通风决策算法，应用该算法在多个粮库的试验结果表明，该算法的决策结果与通风专家的决策结果有着很好的符合度，说明应用该算法进行智能通风辅助决策是可行的.

［1］李刘艳.粮食危机下的中国粮食安全问题研究［J］.世界农业，2013（7）:11-15.

［2］龙方.新世纪中国粮食安全问题研究［J］.湖南农业大学学报：社会科学版，2007，8（3）:7-14.

［3］巩蔼.粮食储藏安全危害与控制［J］.河南工业大学学报：社会科学版，2009，5（1）:11-15.

［4］黄晓健，黎世静，黎锦棠，等.粮库自动通风控制系统的研究［J］.粮食流通技术，2011（5）:30-32.

［5］田建君.仓库自动通风及温、湿度监测系统［J］.电子产品世界，2004，（02B）:70-71.

［6］张来林，金文，朱庆芳，等.储粮通风技术的应用及发展［J］.粮食加工，2011，36（3）:66-70.

［7］鲁海峰，王铁钢，时清林，等.采用智能通风的科技手段实现仓房节能排热低温储粮［J］.粮食储藏，2009，37（2）:27-29.

［8］韩立岩，周芳.基于D-S 证据理论的知识融合及其应用［J］.北京航空航天大学学报，2006，32（1）:65-68，73.

［9］徐学强.多传感器信息融合及其应用研究［D］.南京:南京邮电大学，2013.

［10］孙锐.基于D-S 证据理论的信息融合及在可靠性数据处理中的应用研究［D］.成都:电子科技大学，2011.

［11］宿陆，李全龙，徐晓飞，等.基于D-S 证据理论的传感器网络数据融合算法［J］.小型微型计算机系统，2006，27（7）:1321-1325.

［12］夏阳，陆余良.D-S 证据推理及算法实现［J］.安徽大学学报:自然科学版，2004，28（6）:20-25.

［13］周芳，王鹏波，韩立岩.多源知识融合处理算法［J］.北京航空航天大学学报，2013，39（1）:109-114.