基于時延神經網絡的酒醅溫度時序預測?

余天陽

（江南大學物聯網工程學院 無錫 214122）

1 引言

發酵工藝是傳統白酒發酵的核心，生產工藝人員結合每口窖池60d（出窖前7d）的酒醅溫度曲線和相關入窖發酵參數對生產工藝進行分析，并做好下一輪的入窖配料方案的調整［1］。但是在實際操作過程中由于不同窖池發酵的情況不一、工序復雜、時間倉促等原因，常出現配料配比偏差并最終導致發酵失敗［2］。因此精準的預測酒醅發酵溫度，提前分析發酵工藝，為生產工藝人員爭取充足的配料調整時間對提高白酒產量具有十分重要的意義。

酒醅發酵溫度數據具有非平穩性時間序列的基本特征，目前針對時間序列數據的預測方法可分為傳統方法［3～5］和基于人工智能方法［6～13］。傳統方法主要采用基于統計理論或者ARIMA 模型等方法進行分析預測；人工智能方法主要采用人工神經網絡和混沌理論、支持向量機等。田瑞杰［6］等提出一種基于BP-ANN 相結合的預測模型研究了短時交通流速度預測，實驗結果表明該預測模型能夠將預測誤差控制在7%以內，表現出良好的預測精度。丁剛［7］等基于過程神經網絡就時間序列的短期預測和長期預測問題分別建立兩種預測模型，并應用到航空發動機中鐵金屬含量的預測，驗證了兩種預測模型的有效性。梁志珊、王麗敏［8］等利用混沌方法對電力系統歷史負荷時間序列進行數理統計處理，并將這種混沌特性應用于對東北電網實際負荷時間序列進行短期預測，取得了滿意結果。高雄飛［9］針對具有非線性特性的時間序列進行預測，將時間序列在相空間重構，利用最小二乘支持向量機模型對重構后的時間序列進行預測，具有很好的理論和應用價值。張林、劉先珊［10］等針對負荷預測不確定、非線性、動態開放性的特點提出一種基于時間序列的支持向量機（SVM）的負荷預測方法，可以提供準確的預測，減少了對經驗的依賴。

酒醅發酵溫度的精準預測不僅可以讓工藝人員時刻掌握白酒發酵的真實狀態，還可以為他們爭取充足的配料調整時間，對提升白酒產量具有重要的應用價值。通過對所監測數據發現，整個發酵期間酒醅溫度曲線大都保持“前緩、中挺、后緩落”的規律，即相鄰溫度變化具有較強的相關性。綜上所述，針對這種具有非平穩性時間序列數據本文利用時延神經網絡（Time Delay Neural Network，TDNN）能夠有效利用歷史數據對未來數據預測的能力，提出一種酒醅溫度時間序列預測模型，利用發酵過程前50d 的溫度數據來預測后10d 的溫度曲線，為進一步提高白酒產量提供了有效的數據支持。

2 數據的采集與處理

2.1 數據采集

預測模型所需要的訓練樣本和測試樣本是來自于2018 年2 月采集自江蘇某酒廠生產區域內1168 口窖池，利用物聯網無線測溫技術對生產區域全部窖池內糟醅進行實時在線監控。物聯網無線溫度傳感器統一安插位置為每口窖池中心點往下1.5m 處（離窖底0.5m），采用的是PT100 溫度傳感器，每個溫度傳感器每隔1h自動采集1次糟醅發酵溫度，并發送到各自的無線路由器上，再由無線路由器將搜集到的溫度數據傳送到工控機中進行數據交換和數據處理。此次共采集樣本522 份，數據特征為522*1440。

2.2 Gaussian處理

固態發酵的溫度數據采集過程中，操作人員的失誤、環境干擾和設備故障等會導致采集數據中含有小部分的野值。由于野值提供的信息不具有參考價值，反而會降低算法的性能，因此必須對數據進行預處理，一方面擬合溫度數據，為后期工作作準備，另一方面有效地減少了野值對后期工作產生的不利影響。

圖1 原始溫度曲線和高斯擬合法預處理后的溫度曲線

高斯函數對發酵溫度數據的擬合效果非常好［7～8］，后面要對酒醅溫度曲線進行溫度預測，所以要對溫度數據進行擬合，在誤差允許的范圍內，高斯擬合可以將隨時間變化的溫度點擬合成連續的曲線，所以選用高斯擬合法對溫度數據預處理。

2.3 實驗結果及分析

原始樣本共有522 個發酵數據，采用Matlab R2014a 曲線擬合工具箱CFtool，擬合類型選擇Gaussian函數對原始溫度曲線進行擬合，如圖1（a）～（f）所示，列出了六個樣本的原始溫度曲線圖以及高斯擬合法預處理后的溫度曲線圖，每個樣本預處理后對應的SSE、R2、和RMSE如表1所示。

表1 圖1中樣本對應的統計參數

由圖1 可知，每個樣本都有一些野值，高斯擬合法可以很好地擬合溫度曲線，同時減少了野值對后期工作產生的負面影響，高斯擬合法的有效性在表1 中也可看出，由表1 可知圖中每個樣本的誤差平方和SSE和均方根誤差RMSE都不大，判斷系數R2和調整的判斷系數Rˉ2接近于1，所以Gauss?ian函數非常適合對原始溫度數據進行預處理。

由圖1 可知，每個樣本都有一些野值，高斯擬合法可以很好地擬合溫度曲線，同時減少了野值對后期工作產生的負面影響，高斯擬合法的有效性在表1 中也可看出，由表1 可知圖中每個樣本的誤差平方和SSE和均方根誤差RMSE都不大，判斷系數R2和調整的判斷系數接近于1，所以Gauss?ian函數非常適合對原始溫度數據進行預處理。

3 酒醅溫度多步滾動預測模型

3.1 時延神經網絡預測算法

時延神經網絡［14］是用于時序分析的一種人工神經網絡模型，可以有效挖掘時序數據的時序相關性［15～18］。

時延神經元（time delay neuron，TDN）是時延神經網絡的基本組成單元。每一個TDN 有M個輸入(I1(t)，I2(t)，...IM(t))和一個輸出O(t)。每個輸入Ii(t)包含N 步時延，用以保存當前時刻之前的N個時刻的輸入Ii(t-d) ，d=1，...，N信息，其對應的權重(ωi1，ωi2，...，ωiN) ，反映不同時刻對當前時刻數據的影響程度。每個TDN輸出如式（1）所示。

其中bi為第i個輸入的偏置；f為激勵函數，一般選用sigmoid 函數。從式（1）可以發現，神經元輸出由每一個輸入的當前時刻及其前N個時刻的時序數據共同決定。因此時延神經網絡可以有效的處理非線性動態時序問題。

時延神經網絡（TDNN）模型是在多層BP 神經網絡模型的基礎上加入了時延單元，使得BP 神經網絡模型具有記憶功能，其結構圖如圖2 所示。其中隱含層有J個神經元輸出層有R個神經元。TDNN輸出層各個神經元輸出如式（2）所示。

式中N1為輸出層節點的時延步數；r為輸出層節點編號；R為輸出層數；為第r個輸出層節點與隱含層節點間連接權重；為第r個輸出層節點的偏置；Hj(t)為第j個隱含層的輸出，其計算公式如式（3）所示。

式中N2為隱含層節點的時延步數；j為隱含層節點編號；Ii(t-d)為第i個輸入層節點。為第j個隱含層節點與輸入層節點的連接權重；為第j個隱含層節點的偏置。

圖2 時延神經網絡整體結構圖

3.2 酒醅溫度多步滾動預測模型

固態白酒發酵過程中的酒醅溫度數據的時序性很強，因此本文利用TDNN 神經網絡模型對發酵過程中的酒醅溫度進行時序預測，預測的模型結構如圖2 所示。酒醅溫度數據預測模型共有3 層，輸入層、隱含層和輸出層。其中輸入層為1 個節點，每個節點包含20 步延時。輸出層也為1 個輸出節點，輸出層也為一個節點，為上述溫度發酵數據下一個時刻預測值。隱含層為1 層，節點個數需要用實驗法驗證獲得。

4 模型訓練及預測

4.1 樣本集劃分

有效的劃分樣本集可以提高模型的泛化能力，本文通過高斯擬合算法處理后共得到522 組樣本數據，數據特征為522*1440。按照校正集和驗證集大約4：1 的比例，將522 個樣本劃分418 個作為訓練樣本，104 個作為測試樣本，檢驗預測結果的真實性。

4.2 時延神經網絡參數選擇

為使基于時延神經網絡酒醅溫度多步滾動預測模型能夠準確預測溫度趨勢，預測模型訓練算法的選擇和隱含層節點個數的設置都非常重要，為此本文用試驗方法選擇預測模型的隱含層節點個數和訓練算法。

1）訓練算法選擇

本文在Matlab2014a 環境下利用Leven?berg-Marquardt（L-M）算法、共軛梯度法和動量增加法來訓練所建預測模型。表2 為三種訓練算法及其仿真結果。

表2 訓練算法及其仿真結果

從仿真效果來看，L-M 算法的效果最好，其次是共軛梯度法，動量增加法最差。

2）隱含層節點個數設置

本文分別選取了5、7、9、10、11、13、15 分別作為隱含層神經元個數，對所建預測模型進行訓練，通過對比訓練精度和訓練時間，具體如表3 所示。由表2 可知，當隱含層神經元個數為10 時，網絡學習時間和預測精度為最佳。因此，所建預測模型的網絡結構為輸入層（一個神經元，每個神經元20 步延時），隱含層（10 個神經元），輸出層（一個神經元），可以滾動預測10d 后整個酒醅溫度曲線的趨勢。

表3 隱含層神經元個數及其仿真結果

圖3 時延神經網絡酒醅溫度時序預測

4.3 預測結果及分析

本文將經過預處理后的酒醅發酵溫度數據按照4：1 的比例劃分為訓練集樣本和測試集樣本，對所建模型進行預測。訓練算法采用L-M 算法，隱含層節點為10 個。再用測試集樣本測試其預測精度。圖3為部分測試集樣本預測結果圖。

從圖3 可以看出，時延神經網絡構建的酒醅溫度多步滾動預測模型對整個酒窖發酵過程中的溫度進行很好的預測，將預測模型的預測結果與實際的測量結果進行比較，MSE（Mean Squared Error）僅為0.00605，說明預測模型描述實驗數據具有更好的精確度。

5 結語

為了精確預測白酒發酵過程中酒醅溫度的變化趨勢，讓生產工藝人員更加直觀地時刻掌握白酒發酵的內部情況，本文建立時延神經網絡對酒醅溫度時序數據進行預測，結果表明：

1）由于單個時延神經元可對動態非線性時序數據進行預測，則時延神經網絡可以對復雜動態非線性時序數據預測。酒醅發酵溫度時序數據屬于動態非線性時序數據。

2）建立三層時延神經網絡，訓練算法采用L-M算法，對酒醅發酵溫度時序數據進行預測，用以預測后10d內酒醅發酵溫度時序數據。

3）選取樣本數據的80%作為訓練集樣本，20%作為測試集樣本，對所建預測模型進行預測，發現預測結果的MSE 僅為0.00605，很好地描述了酒醅發酵溫度時序數據的變化趨勢。

綜上所述，利用時延神經網絡可以較為準確地預測酒醅發酵溫度時序數據。因此基于時延神經網絡的酒醅溫度多步滾動預測算法為白酒發酵過程中時刻掌握溫度變化趨勢提出了一種解決方案。