基于气味特征的烤房干湿球控制温度的智能设置

吴娟

摘要：为解决传统人工设置烤房干湿球控制温度带来的不足、易产生人为主观因素干扰等问题，提出利用电子鼻技术对烤房干湿球控制温度进行智能设置的方法。通过电子鼻传感器阵列采集和检测烤房气体，得到传感器的原始响应曲线，经过最小均方自适应滤波方法预处理后，采用小波变换方法提取气味特征，特征数据再通过PCA降维处理后输入到模糊神经网络进行预测，输出干湿球控制温度的设置值。测试结果显示，干湿球控制温度设置值的预测精度分别达到98.9%、97.1%，相关系数分别为0.998 3、0.982 8，均方根误差分别为0.738 4、1.677 5。可见，采用小波变换的气味特征提取方法和模糊神经网络的预测模型可以有效地对烤房干湿球控制温度进行智能设置，有助于智能烘烤系统的建立。

关键词：电子鼻；气味特征；模糊神经网络；干湿球温度；小波变换

中图分类号： TP391.4；S126文献标志码： A文章编号：1002-1302（2017）12-0163-04

我国密集烤房烟叶烘烤方式依靠人工观察烟叶烘烤状态来设置烤房干湿球的控制温度。在烘烤过程中，不同的烘烤阶段烟叶呈现出不同的外观状态，以此决定干湿球控制温度的设置值。目前对烤房干湿球温度控制的研究着重于分析如何让烤房的干湿球温度达到给定的干湿球控制温度[1-4]，而本研究侧重的是如何设置给定的干湿球控制温度，在实际烘烤中，该参数是通过人工现场观察煙叶烘烤状态后设置的，而该过程的智能控制是本研究的重点。

通过研究分析[5-7]，在不同的烘烤阶段烟叶散发的挥发性物质强度会有所不同，因此可以通过检测烤房顶空气体来确定烟叶的烘烤阶段。本研究借助电子鼻技术检测烤房气体，提取出表征不同烘烤阶段的气味特征，经过模糊神经网络的处理，确定干湿球控制温度的设置值，实现烤房干湿球控制温度的智能设置，这是目前相关领域比较缺乏的研究。电子鼻技术广泛用于信息化农业、食品工业以及军事等领域[8-13]，为本研究提供了可行性依据。

1材料与方法

1.1供试样本

试验的供试烟叶品种为南江3号，烟叶为中部烟，供试烤房为装烟3层的密集烤房，烟叶放置方式为散叶堆积式，装烟室规格为13 m×2.6 m，装烟量为5 000 kg左右，试验于2014年7月在贵州省遵义市遵义县进行。一般地，一炕烟叶的烘烤要持续1周时间，在烘烤过程中，每小时提取烤房内烟叶散发气体的气味特征，同时记录该时间内干湿球控制温度的设置值，以此作为1个试验样本，共采集351个样本。

如图1所示，烤房气体通过传感器阵列采集，不同材料的传感器会对气体的不同成分产生响应，本系统采用10路传感器，每个样本的传感器响应曲线都是由10条曲线组成。气味数据经放大得到传感器原始响应曲线，再通过信号预处理，滤除高频干扰，对滤波后的数据提取出气味特征，气味特征作为智能算法模型的输入，经计算处理后输出干湿球控制温度的设置值，再通过可编程逻辑控制器（programmable logic controller，PLC）控制烤房内的干湿球温度达到设置值。

1.2方法

1.2.1气味信号预处理和气味特征提取传感器阵列输出的10路传感器响应电压构成10条响应曲线，在这过程中会有干扰和噪声，须要对气味信号滤波处理。本研究采用最小均方自适应滤波方法对原始传感器响应曲线进行预处理。

烤房气味特征的提取要反映出烘烤过程中烟叶散发不同气味而得到不同的气体强度。气味特征提取的常用方式有基于原始响应曲线和基于变换域的方法[14-17]。本研究采用4

种特征提取方法对烤房气味特征进行提取，分别是基于原始响应曲线的最大值、积分特征提取方法，以及基于变换域的小波变换、傅里叶变换提取方法。最大值、积分特征提取方法分别提取响应曲线上响应强度的最大值、响应曲线的积分值；小波变换、傅里叶变换特征提取方法是对响应曲线经过小波、傅里叶变换后，提取变换系数作为特征的方法。

1.2.2数据降维和算法处理气体特征经过主成分分析（principal component analysis，PCA）方法降维处理，再输入到模糊神经网络，预测出烤房干湿球控制温度的设置值。为表征网络的预测结果，本研究给出3个度量参数，分别为精度P、均方根误差RMSE以及相关系数r，计算公式如下：

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为样本总数，ti、yi分别是第i个样本的期望值、网络输出预测值，t、y分别是样本期望值的均值、输出预测值的均值。

2结果与分析

2.1气味信号预处理结果

传感器阵列对烤房气体的原始响应曲线如图2-a所示，横坐标为采集时间，纵坐标为传感器响应输出电压，10根曲线分别代表10个气体传感器在采集过程中随时间变化的响应输出。图2-b、图2-c为响应曲线经过不同滤波方法处理后的结果。从图2中比较看出，最小均方自适应滤波方法能较好地去除信号干扰，保留原始有效响应。

2.2气味特征分析

将经最小均方自适应滤波后的传感器响应曲线作为气味特征提取的依据。采用“1.2.1”节所述4种特征提取方法提取气味特征，再通过PCA的降维处理，将前3个主成分（PC1、PC2、PC3）作为后续建模的气味特征。

由表1中可知，4种特征提取方法的前3个主成分PC1、PC2、PC3对原始数据信息的累积方差贡献率达到97%以上，能较好地反映原始数据信息，保证了处理结果的可靠性[18]。

2.3干湿球控制温度的智能设置结果endprint

本研究共采集351个样本，随机选取样本总数的75%（263个）作为训练集，剩余的25%（88个）作为测试集。气味特征作为模糊神经网络的输入，输出分别为干球控制温度、湿球控制温度的设置值。模糊神经网络训练迭代次数为 1 000，隶属度函数为三角形函数，得到测试集的预测结果如表2所示。

以小波变换气味特征作为输入，模糊神经网络训练后的决策面 （decision surface） 如图5所示。 决策面是描绘网络输

入与输出关系的非线性曲面，有助于分析各输入因子对输出参数的影响[19-21]，从图中可以看出，PC1成分对干湿球控制温度设置的影响较大。

3结论与讨论

本研究提出了基于气味特征的干湿球控制温度的智能设置方法，采用小波变换的特征提取方式提取烤房气体的气味特征，经PCA降维处理后，提取前3个主成分作为气味特征，通过模糊神经网络预测模型，输出烤房干湿球控制温度的设置值，干湿球的测试精度分别达到98.9%、97.1%，相关系数分别为0.998 3、0.982 8，均方根误差分别为0.738 4、1.677 5，结果显示该方法能有效地对烤房干湿球控制温度进行智能设置。本研究提出的方法摆脱了人工对烘烤过程的参与，为建立智能烘烤系统提供试验依据。

从干湿球控制温度的预测结果相比较来看，湿球控制温度的预测结果还有提升空间，下一步可考虑结合烟叶的图像特征，以多传感器信息融合的方式进一步提高干湿球控制温度的智能设置结果。

参考文献：

[1]张芬，杨阳，付红霞，等. 基于密集化烟叶烤房建模的温度模糊控制器设计[J]. 系统仿真学报，2014，26（12）：2974-2978，2990.

[2]胡凤忠，黎添笑，高金定. 智能化密集烤房控制器的设计与实现[J]. 计算机测量与控制，2011，19（12）：2952-2954.

[3]王暑，杨晓京. 基于模糊神经网络的烟叶烘烤温湿度监控系统研究[J]. 计算机测量与控制，2009，17（2）：342-344.

[4]王胜雷，陈顺辉，吴祖仁，等. 烤烟烘烤测控系统的设计与实现[J]. 农机化研究，2007（4）：73-75.

[5]樊军辉，陈江华，宋朝鹏，等. 2种类型烤房烘烤过程中气体成分变化的差异[J]. 西北农林科技大学学报（自然科学版），2011，39（2）：120-124.

[6]廖和明，孙福山，徐秀红，等. 不同烘烤工艺对烤烟品种NC55中性香气物质各组分含量的影响[J]. 中国烟草科学，2013，34（5）：89-94.

[7]孟智勇，马浩波，李彦平，等. 密集烘烤定色升温方式对烤烟质量及中性致香物质含量的影响[J]. 河南农业科学，2012，41（8）：57-61.

[8]施文正，王锡昌，杨薇，等. 基于电子鼻的养殖草鱼不同部位挥发性成分分析[J]. 江苏农业科学，2011，39（6）：505-507.

[9]矫海楠，王传义，徐秀红，等. 不同装烟方式烤后烟感官评价与电子鼻综合分析[J]. 江苏农业科学，2015，43（8）：290-293.

[10]王俊，崔绍庆，陈新伟，等. 电子鼻传感技术与应用研究进展[J]. 农业机械学报，2013，44（11）：160-167.

[11]翟晓娜，杨剀舟，柴智，等. 电子鼻电子舌在咖啡风味研究中的应用[J]. 食品工业科技，2016，37（5）：365-370.

[12]李欣逸，解达帅，张超，等. 基于电子鼻技术的胆南星定性鉴别研究[J]. 中国实验方剂学杂志，2016，22（8）：6-10.

[13]何珊，蔺佳良，张迪骏，等. 南北中华绒螯蟹挥发性物质的比较研究[J]. 核农学报，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]杨添钧，杨诗龙，黎量，等. 基于电子鼻及机器视觉技术的山楂不同炮制品判别研究[J]. 时珍国医国药，2014，25（10）：2399-2402.

[17]金玉琴，周金海，赵群，等. 基于神经网络的芳香类中草药品质检测技术[J]. 计算机仿真，2012，29（12）：251-254.

[18]甘玲，邹宽中，刘肖. 基于PCA降维的多特征级联的行人检测[J]. 计算机科学，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. 基于卡尔曼滤波器的肉牛行为识别方法[J]. 江苏农业科学，2017，45（12）：167-171.endprint