基于BP神經網絡的飼料產品品質預測方法

王紅英 宋春風

產品品質控制與預測對飼料加工生產有著重要意義，可以有效避免原料的浪費，降低生產成本和保證產品品質的一致性。在實際生產過程中，飼料企業基本以“經驗值+實踐”的方式探求配方變化后的加工工藝參數，因而產品品質產生波動，造成不必要的浪費。已有研究表明，國外科學家已將人工神經網絡應用于農產品加工品質及食品加工品質的預測方面[1-5]。但其研究均是在實驗室完成，與實際生產存在一定差距。而神經網絡在飼料領域的應用僅在飼料配方的設計開發上，并取得了較好的效果[6]。國內還未見有將其應用于飼料加工過程產品品質控制與預測的文獻和報道。本文引入了基于人工神經網絡模型的預測方法，以實際規模生產過程的可控易控加工參數數據作為網絡學習樣本，然后將訓練完成后的網絡預測模型應用于飼料實際生產，以期達到快速準確地預測最終產品的品質指標參數。

1 BP預測模型結構設計

BP神經網絡（Back-Propagation Network，簡稱BP網絡）是目前人工神經網絡中最常用的一種，已經廣泛應用于模式識別、函數逼近、信號處理和系統控制等領域，取得了顯著的成果[7]。BP網絡的實質是一個從輸入到輸出的高度非線性的映射，所采用的算法是把樣本的I/O問題轉化為非線性的優化問題。假設網絡的輸入層有n個結點，輸出層有m個結點，則網絡是由Rn到Rm的映射，具體表示如下：

根據上述分析，在乳豬料加工過程中，因其工序多，輸入參數亦較多，且最終產品品質指標亦不止一個。它們之間定存在映射關系F。因而BP神經網絡模型應用是一個可行的科學方法。

1.1 輸入層參數選取

1.1.1 原料特性參數選取

飼料的加工品質受其原料質量影響很大，而乳豬料配方中均有一定比例的膨化原料（如膨化玉米、膨化大豆、膨化豆粕等），故在原料品質的眾多特性參數選取中除原料的粉碎粒度外，增加了原料的淀粉糊化度和膨化度，這在一般畜禽顆粒飼料產品可控參數中是沒有的，也是本論文首次提出的。

1.1.2 可控易控的過程參數選取

在乳豬料的實際生產中，對一些關鍵工藝參數已有了監控儀表，可直接讀取這些關鍵參數的實時值。因此，在眾多加工工藝參數中，選取喂料速度、調質溫度、制粒機電流、冷卻風機電流作為影響產品品質的過程輸入參數。

綜上所述，在輸入層選取原料淀粉糊化度、原料膨化度、原料粉碎粒度、喂料速度、調質溫度、制粒機效率、冷卻風機效率作為輸入層參數。

1.2 輸出層參數選取

乳豬料最終產品的品質參數不止一個，但關鍵性的參數為淀粉糊化度和水分。前者是產品品質的控制指標；后者是質量指標，水分含量超標會影響后期儲存，加快產品變質。

1.3 構建BP預測模型結構

具體網絡結構見圖1。網絡結構采用4層結構，其中輸入層為7個輸入參數，分別為原料淀粉糊化度、原料膨化度、原料粉碎粒度、喂料速度、調質溫度、制粒機電流、冷卻風機電流；隱含層為2層，共10個神經元；輸出層為2個輸出參數，分別為產品淀粉糊化度、產品水分含量。

圖1 乳豬料產品品質BP網絡預測模型結構

1.4 網絡模型學習及訓練

網絡學習過程是：通過對網絡權值wij與閾值θ的不斷修正，使誤差函數E沿負梯度方向下降[8]。網絡中第k層第j個神經元的輸入與輸出之間的關系可以表示為：

式中：ykj——第k層第j個神經元的輸出；

wkij——從第（k-1）層第i個神經元到第k層第j個神經元之間的連接權值；

θkj——表示閾值；

f(x)——為響應函數，即正切sigmoid函數（簡稱S函數）[9]。

BP網絡的具體訓練過程（見圖2）[10]：

圖2 BP網絡訓練過程

BP網絡的訓練過程在MATLAB軟件的Neural Network Toolbox中進行,神經網絡的算法分為Widrow-Hoff算法、Levenberg-Marquardt算法、Kohonen算法等，其中Levenberg-Marquardt算法穩定性好，收斂速度快[11]，本文選用該算法為學習算法。

網絡訓練需要設定相應的初始權值，并提供一定數量的學習樣本。具體程序編寫如下：

net1.trainParam.show=50;%每50步顯示一次誤差曲線

net1.trainParam.lr=0.05;%學習速率

net1.trainParam.epochs=1000;%設置訓練的最大步長

net1.trainParam.goal=le-4;%設置均方誤差限為10-4

[net1.tr1]=train(net1,P1,T1);%網絡訓練

式中：P1——預測模型的樣本輸入矩陣；

T1——預測模型的目標輸出矩陣。

訓練結果見圖3：

圖3 乳豬料產品品質預測模型訓練過程

圖3可見，縱坐標Mean Squared Error（MSE）為平均方差，當MSE小于目標誤差時，訓練結束；橫坐標為訓練次數。從圖中可知，經過16步計算，誤差達到要求，訓練停止。

2 網絡樣本獲取

樣本數據是2009年7～8月在某乳豬料生產企業的生產現場采集（見表 1），分別為 4088、4070、4050、4075四種不同配方的乳豬料產品。其中產品4088為高檔乳豬料（膨化玉米添加量為40%），產品4070、4050、4075為低檔乳豬料（未添加膨化玉米），共獲取48組數據，前40組應用在模型的訓練中，后8組用于模型仿真。

在訓練之前，利用premnmx函數將網絡的學習樣本進行歸一化處理，以滿足S函數的收斂需求[12]。

表1 樣本數據

表1 樣本數據(續)

3 預測結果及分析

模型訓練后，需要進一步進行仿真驗證，其測試樣本來自前期獲取的48組樣本數據中的8組。具體的程序命令如下：

A1=sim(net1,P1);%仿真預測

[m1,b1,r1]=postreg(A1,T1)%對網絡仿真的輸出結果和目標輸出作線性回歸分析

式中：A1——系統仿真輸出；

m1——線性回歸直線的斜率；

b1——回歸直線的數據；

r1——目標輸出（T1）與仿真輸出（A1）的回歸系數。

預測結果見表2。

表2 BP網絡預測值與真實值比較

圖4 產品淀粉糊化度預測值與真實值對比

圖5 產品水分含量預測值與真實值對比

圖4和圖5分別繪制了產品淀粉糊化度及水分含量的預測值和真實值曲線。其中橫坐標表示樣本序號，縱坐標為相應的產品品質指標。從圖4、圖5中可以看出，BP神經網絡的預測值與真實值基本一致。

圖6和圖7為神經網絡利用postreg函數對產品淀粉糊化度和水分含量進行回歸分析過程。其中橫坐標表示真實值，縱坐標表示預測值。相關系數R描述預測值與真實值之間的線性相關關系的密切程度,R越趨于1表示二者關系越密切。從圖中可以看出，產品淀粉糊化度及水分含量的預測值和真實值的相關系數R分別為0.99985和0.97603，說明預測值與真實值相關性好，BP網絡能夠對其進行準確預測。

圖6 產品淀粉糊化度預測值與真實值的比較

圖7 產品水分含量預測值與真實值的比較

4 小結

試驗結果表明，利用BP網絡模型對乳豬料產品品質的預測方法是可行的，并且取得了理想的預測效果。這種預測方法不僅節省了工人摸索工藝參數的時間，而且減少了企業尋求適宜加工參數所花費的生產成本。在今后的研究中，應建立不同類型企業（以乳豬料生產工藝為基準）的樣本數據庫及相應預測模型結構，使得BP預測模型更具智能性與精確性。

[1]Adnan Topuz.Predicting moisture content of agricultural products using artificial neural networks[J].Advances in Engineering Software,2010(41):464-470.

[2]Poonpat Poonnoy,Ampawan Tansakul,Manjeet Chinnan.Artificial neural network modeling for temperature and moisture content prediction in tomato slices undergoing microwave-vacuum drying[J].Journal of Food Science,2007,72(1):42-47.

[3]Kamyar Movagharnejad,Maryam nikzad.modeling of tomato drying using artificial neural network[J].Computers and Electronics in Agriculture,2007(59):78-85.

[4]S.Lertworasirikul,Y.Tipsuwan.Moisture content and water activity prediction of semi-finished cassava crackers from drying process with artificial neural network [J].Journal of Food Engineering,2008(84):65-74.

[5]S.M.Gon?i,S.Oddone,J.A.Segura,et al.Prediction of foods freezing and thawing times:Artificial neural networks and genetic algorithm approach[J].Journal of Food Engineering,2008(84):164-178.

[6]Supachai Pathumnakul, Kullapapruk Piewthongngam, Atthit Apichottanakul.A neural network approach to the selection of feed mix in the feed industry [J].Computers and Electronics in Agriculture,2009,68(1):18-24.

[7]聞新,周露,李翔,等.Matlab神經網絡仿真與應用[M].北京:科學出版社,2003.

[8]韓力群.人工神經網絡教程[M].北京:北京郵電大學出版社,2006.

[9]朱大奇,史慧.人工神經網絡原理及應用[M].北京:科學出版社,2006.

[10]唐傳茵,李華,周煒,等.基于遺傳算法和神經網絡的車輛主動懸架控制技術[J].農業機械學報,2009,39(5):35-40.

[11]王波雷,馬孝義,郝晶晶.基于L-M優化算法的噴頭射程神經網絡預測模型[J].農業機械學報,2008,40(2):6-11.

[12]袁壽其,沈艷寧,張金鳳,等.基于改進BP神經網絡的復合葉輪離心泵性能預測[J].農業機械學報,2009,40(9):77-80.