基于智能算法的儲糧通風溫度預測

摘要：

在當前糧食安全日益受到關注的背景下，對儲糧過程中的溫度波動進行準確預測，并通過智能化的通風控制系統(tǒng)實現(xiàn)對儲糧環(huán)境的優(yōu)化管理成為亟待解決的問題。基于此，提出一種CNN-BiGRU-Attention網(wǎng)絡模型，通過CNN提取特征圖中時序數(shù)據(jù)之間的潛在關系，并將處理后的特征向量作為BiGRU網(wǎng)絡的輸入，根據(jù)糧情數(shù)據(jù)的時序特征，在BiGRU網(wǎng)絡中加入Attention為糧情特征分配權重；以及采用IPSO優(yōu)化模型超參數(shù)的多模型融合算法來預測糧堆溫度。使用吉林省榆樹某直屬糧庫的數(shù)據(jù)集驗證該預測模型，結果顯示：均方根誤差RMSE為0.0469，平均絕對誤差MAE為0.031 5，確定系數(shù)R²為0.992 5，與其他模型相比，有效地提高預測精度。通過將儲糧溫度預測功能應用于糧情測控系統(tǒng)中，實現(xiàn)機械通風智能化來保障糧食的安全儲藏。

關鍵詞：儲糧溫度預測；改進粒子群算法；糧食儲藏；通風控制

中圖分類號：S379.9； TP183

文獻標識碼：A

文章編號：2095-5553 （2025） 01-0091-08

Prediction of grain storage ventilation temperature based on intelligent algorithm

Lü Zongwang^{1， 2}， Liu Hang^{1， 2}， Sun Fuyan^{1， 2}

（1. "College of Information Science and Engineering， Henan University of Technology， Zhengzhou， 450001， China；

2. Key Laboratory of Grain Information Processing and Control， Ministry of Education， Zhengzhou， 450001， China）

Abstract：

In the current context of increasing concern about food security， accurate prediction of temperature fluctuations during grain storage and optimal management of grain storage environment through intelligent ventilation control system have become urgent problems. Based on this， a CNN-BiGRU-Attention network model is proposed， in which the potential relationship between the temporal data in the feature map is extracted by CNN and the processed feature vector is used as the input to the BiGRU network， and according to the temporal characteristics of the grain data， Attention is added to the BiGRU network to assign weights to the grain features， as well as the multi-model fusion algorithm of IPSO optimization model hyperparametric is used to predict the grain pile temperature. The prediction model was validated by using a dataset from a directly-affiliated grain depot in Yushu， Jilin Province， and the results showed that the root-mean-square error （RMSE） was 0.0469， the mean absolute error （MAE） was 0.031 5， and the coefficient of determination "R²"was 0.992 5， which effectively improved the prediction accuracy compared with other models. By applying the storage temperature prediction function to the grain condition measurement and control system， the intelligentization of mechanical ventilation is realized to guarantee the safe storage of grain.

Keywords：

grain storage temperature prediction; improved particle swarm algorithm; grain storage; ventilation control

0"引言

糧食一直以來都與社會穩(wěn)定息息相關，因此，國家每年都會維持一定量的糧食儲備^［1］。然而，在糧食儲存過程中，溫度對于糧食倉儲至關重要，一旦空氣環(huán)境濕度過大，糧食本身的含水量也會隨之增加，并且呼吸強度也會大大增加，當呼吸強度增大時，倉內(nèi)糧食溫度過高，會加快糧食品質(zhì)的劣化，影響儲糧安全^［2］。傳統(tǒng)的儲糧通風控制方法僅基于實時糧情信息做出判斷，缺乏通風預測的能力，為了減少不必要的損失，應準確掌握糧食在儲藏過程中尤其是儲糧溫度的變化規(guī)律，分析不同時刻的溫度變化情況，最為關鍵是對儲糧溫度的準確預測^［3］。傳統(tǒng)的儲糧通風溫度預測是采用數(shù)值模擬或建立數(shù)學模型的方法，由于糧堆溫度受多種因素的耦合影響，不能準確得出糧堆內(nèi)溫度與其影響因素之間的非線性關系。而深度學習能夠處理高維非線性、高階相關性和缺失值等問題，通過大規(guī)模數(shù)據(jù)的訓練來學習特征和模式，以更加科學準確的方法實現(xiàn)糧堆溫度的預測^［4］。

糧情數(shù)據(jù)具有典型的時序性，長短期記憶網(wǎng)絡（LSTM）是一種適用于處理時序問題的模型，解決了人工提取時序特征的問題^［5］。基于LSTM網(wǎng)絡的儲糧通風溫度預測研究已經(jīng)在進行，但收斂速度較慢。為了改進這一點，門控循環(huán)單元（GRU）對LSTM進行了優(yōu)化，具有更快的收斂速度，并保持與LSTM接近的準確率，特別適合處理時間序列數(shù)據(jù)^［6］。雙向門控單元（BiGRU）由雙向的GRU層構成，能夠同時考慮前后輸入，充分提取數(shù)據(jù)的所有信息，在GRU的基礎上進一步提升特征提取的準確率^［7］。雖然BiGRU模型在時間序列的預測方面具有優(yōu)勢，但對于儲糧溫度多維數(shù)據(jù)的預測存在一定的局限性，注意力機制（Attention）被引入儲糧溫度多維數(shù)據(jù)預測任務中，以克服時間序列信息未完全挖掘的局限性，通過對輸入數(shù)據(jù)進行加權處理，為不同特征賦予不同的概率權重^［8］。

鑒于此，本文設計一套基于IPSO優(yōu)化CNN-BiGRU-Attention儲糧溫度預測模型的智能通風控制系統(tǒng)。通過CNN提取特征圖中時序數(shù)據(jù)之間的潛在關系，并將處理后的特征向量作為BiGRU網(wǎng)絡的輸入，根據(jù)糧情數(shù)據(jù)的時序特征，在BiGRU網(wǎng)絡中加入Attention為糧情特征分配權重；以及采用IPSO優(yōu)化模型超參數(shù)的多模型融合算法來預測糧堆溫度，實現(xiàn)對儲糧環(huán)境的智能化調(diào)控。

1"模型基本理論

1.1"CNN網(wǎng)絡

為應對儲糧通風過程糧堆數(shù)據(jù)具有非線性與非平穩(wěn)性，采用CNN網(wǎng)絡來處理數(shù)據(jù)，能夠有效地利用糧倉通風數(shù)據(jù)和糧堆溫度之間的非線性關系，提取出重要的特征，從而提高儲糧通風溫度預測的精度。圖1展示了CNN網(wǎng)絡結構，其中包含了多個卷積層、池化層和全連接層^［9］。ReLU層作為激活函數(shù)增加神經(jīng)網(wǎng)絡的非線性能力，從而提高模型的表達能力。通過這些層的組合，CNN網(wǎng)絡能夠對儲糧通風過程中的數(shù)據(jù)進行高效的特征學習和表示。

1.2"門控循環(huán)單元網(wǎng)絡

門控循環(huán)單元網(wǎng)絡（GRU）是長短期記憶網(wǎng)絡（LSTM）的一種變體，它們都利用門控結構來解決梯度消失和梯度爆炸問題^［10］。GRU網(wǎng)絡具有兩個控制門，即重置門和更新門，通過這些門控制來保留重要的特征^［11］。這兩個控制門用于減少梯度分散，使網(wǎng)絡具有長期記憶能力并降低計算成本。GRU神經(jīng)網(wǎng)絡結構如圖2所示。

GRU網(wǎng)絡在處理序列數(shù)據(jù)時，通常只考慮了前向方向的信息，忽略了后向時間序列數(shù)據(jù)的有價值信息。為了充分利用前后兩個方向的信息，可以采用雙向門控循環(huán)單元網(wǎng)絡（BiGRU）^［12］，如圖3所示。

在該結構中，有兩個獨立的GRU模塊，一個用于前向傳遞計算捕獲輸入數(shù)據(jù)的過去信息，另一個用于后向傳遞計算獲取輸入數(shù)據(jù)的未來信息。通過將前向和后向的隱藏狀態(tài)進行拼接，可以獲得更全面的時間序列信息。BiGRU計算如式（1）所示。

YT=F（hT，hT）

（1）

式中：

hT——前向GRU的隱藏狀態(tài)；

YT——當前時刻的隱藏層；

hT——后向GRU的隱藏狀態(tài)。

通過將這兩個隱藏狀態(tài)拼接起來，得到當前時刻的隱藏狀態(tài)YT。這樣，BiGRU網(wǎng)絡能夠同時考慮前向和后向的信息，從而更好地捕捉序列數(shù)據(jù)中的上下文關系。

1.3"注意力機制

在預測過程中，糧倉歷史數(shù)據(jù)中包含了多種特征，例如糧堆溫度溫、倉內(nèi)溫度、倉內(nèi)濕度、外界溫度、外界濕度。然而，并非所有特征都對預測結果具有顯著影響。為解決這個問題，引入注意力機制來識別糧倉通風數(shù)據(jù)中的重要特征^［13］。注意力機制模型可以自動學習并選擇對預測結果最具影響力的特征，提高模型的表達能力和預測準確性。這種機制的引入使得模型更加靈活和自適應，能夠根據(jù)輸入數(shù)據(jù)的重要性動態(tài)調(diào)整注意力權重。

e_t=uatanh（w^*aha+b^*a）

（2）

α_t=exp（e_t）∑tj=1e_j

（3）

s_t=∑it=1α_tha

（4）

式中：

et——概率分布值；

ua——激活函數(shù)；

w^*a——權重矩陣；

b^*a——偏置矩陣；

ha——神經(jīng)網(wǎng)絡隱藏層狀態(tài)向量；

αt——注意力模塊分配給特征的權重；

st——時刻t的注意層的輸出。

1.4"CNN-BiGRU-Attention模型

傳統(tǒng)的儲糧機械通風溫度預測方法往往采取單一的網(wǎng)絡模型，未能充分挖掘數(shù)據(jù)內(nèi)部的潛在關系。為解決這個問題，采用一種CNN-BiGRU-Attention深度學習模型用于儲糧機械通風糧堆溫度預測。利用糧倉歷史數(shù)據(jù)來預測糧堆溫度，數(shù)據(jù)信息主要包括糧堆每層最高溫度、倉溫、倉濕、外溫、外濕、通風溫度、通風濕度、通風風速的大小等，這些數(shù)據(jù)對于預測未來機械通風糧堆每層最高溫度起著至關重要的作用。圖4展示CNN-BiGRU-Attention深度學習網(wǎng)絡預測模型的結構。首先，通過CNN網(wǎng)絡對輸入層數(shù)據(jù)中的高維特征進行充分提取，學習時間序列特征，挖掘輸入數(shù)據(jù)之間的關系，將特征處理后的數(shù)據(jù)傳入BiGRU模型。BiGRU模型能夠同時考慮前向和后向的依賴關系，并能夠從相關的歷史數(shù)據(jù)中探索溫度變化的規(guī)律。然后，通過Attention層對提取出的高維特征數(shù)據(jù)進行權重訓練，以提高預測準確性和性能。通過這個結構，模型能夠更好地利用數(shù)據(jù)的多維特征和時間序列信息，提高儲糧機械通風糧堆溫度預測的精準度。

2"IPSO優(yōu)化模型超參數(shù)

在深度學習中，模型的性能很大程度上受到超參數(shù)的選擇影響。而人工調(diào)參往往需要大量的嘗試和經(jīng)驗，無法保證找到全局最優(yōu)解^［14］。IPSO通過模擬粒子在搜索空間中的移動和學習，以自適應的方式探索參數(shù)空間，從而找到更優(yōu)的超參數(shù)組合，提高模型性能。相比于其他參數(shù)優(yōu)化算法，IPSO的優(yōu)勢在于設置參數(shù)較少，易于實現(xiàn)，并且能夠在相對較短的時間內(nèi)得到較好的結果。

2.1"IPSO算法

PSO算法是一種全局優(yōu)化算法，通過個體間信息共享的方式來尋找最優(yōu)解，在每次迭代中粒子根據(jù)當前位置和速度更新自己的位置，并更新個體最佳位置和全局最佳位置^［15］。通過不斷迭代更新，粒子群中的粒子逐漸趨向于全局最優(yōu)解。這樣，PSO算法能夠在搜索空間中高效地找到最優(yōu)解。位置和速度更新計算方程如式（5）、式（6）所示。

x^k+1_i=x^k_i+v^k+1_i

（5）

v^k+1_i=wv^k_i+c₁r₁（p^k_i－x^k_i）+c₂r₂（p^kg－x^k_i）

（6）

式中：

v^k_i、x^k_i——

粒子i在第k次迭代的速度和位置；

c1、c2——加速系數(shù)；

r1、r2——在區(qū)間［0，1］上的隨機數(shù)；

p_i——

粒子i在迭代過程中所取得的個體最優(yōu)解；

pg——全局最優(yōu)解；

w——PSO算法中的慣性權重。

w=wmax－（k_n/kmax）（wmax－wmin）

（7）

式中：

wmax、wmin——最大權重和最小權重；

kmax——最大迭代次數(shù)；

kn——當前迭代次數(shù)。

根據(jù)需求，設置適應度值的計算公式。粒子i在第k次迭代的個體適應度值為F^k_i，群體適應度值為F^kg。粒子搜索到的個體最優(yōu)適應度值為F^kibest，群體最優(yōu)適應度值為F^kgbest。粒子i的個體最優(yōu)位置更新公式為p^k+1_i，群體最優(yōu)位置更新公式為p^k+1g。同時，設置粒子的最大速度為vmax，將所有粒子的速度限制在［-vmax，+vmax］范圍內(nèi)。

p^k+1_i=

x^k_iF^k_ilt;F^kibest

p^k_iF^k_i≥F^kibest

（8）

p^k+1g=

x^kgF^kglt;F^kgbest

p^kgF^kg≥F^kgbest

（9）

為解決傳統(tǒng)PSO算法容易陷入局部最優(yōu)、收斂精度低以及無法滿足實際搜索過程中復雜情況等問題^［16］。對更新公式中的權重進行非線性改進，改進后的計算如式（10）所示。

w=wmax－π4tan（k_n/kmax）（wmax－wmin）

（10）

通過使用tan函數(shù)對權重進行非線性變換，在迭代初期w接近最大權重值wmax，使粒子具有較快的搜索速度，可以快速定位最優(yōu)解的大致范圍。隨著迭代次數(shù)kn的增大，w在tan函數(shù)作用下以非線性方式快速遞減，從而約束粒子的飛行速度，增加粒子在最優(yōu)解附近進行精細搜索的程度。IPSO算法流程如圖5所示，通過這種非線性改進的權重更新方式，可以提高算法的收斂速度和搜索精度，使得粒子在搜索過程中更加靈活和準確地找到全局最優(yōu)解。

2.2"CNN-BiGRU-Attention模型的優(yōu)化

超參數(shù)的設置對于儲糧機械通風溫度預測的準確性至關重要。通常情況下，人們使用經(jīng)驗調(diào)參的方式來設置這些超參數(shù)，但這種方法存在誤差，使得CNN-BiGRU-Attention模型的性能無法得到充分發(fā)揮。為解決這個問題，采用一種改進粒子群算法來優(yōu)化CNN-BiGRU-Attention網(wǎng)絡模型的超參數(shù)，從而提升模型的預測性能。最優(yōu)搜索需要在提高精度和計算成本之間進行權衡，糧堆溫度預測值與糧堆溫度實際值之間的均方誤差定義為目標函數(shù)，如式（11）所示。

MSE=1N^*∑N^xi=1（y^_i－y_i）

（11）

式中：

N^*——訓練樣本數(shù)；

y_i——實際值；

y^_i——預測值。

通過最小化目標函數(shù)，可以找到最優(yōu)的超參數(shù)組合，從而提高模型的預測準確性。采用智能群優(yōu)化算法，可以在超參數(shù)搜索空間中高效地找到最優(yōu)解，從而改善深度學習模型的性能。

2.3"預測流程

提出的機械通風糧堆溫度預測模型的運行流程如圖6所示，首先，進行數(shù)據(jù)集準備和劃分；然后，利用最優(yōu)超參數(shù)的CNN-BiGRU-Attention模型進行糧溫預測；最后，得到糧溫的預測結果，用于儲糧通風過程中的決策和管理。該流程能夠充分利用數(shù)據(jù)的特征和關聯(lián)信息，提高糧溫預測的準確性和性能。

1） "數(shù)據(jù)集準備：收集包括糧倉內(nèi)溫濕度、倉外溫濕度、通風口溫濕度和通風風速等相關數(shù)據(jù)，并進行預處理。首先，讀取數(shù)據(jù)文件并加載糧溫數(shù)據(jù)。接下來，對糧堆通風相關數(shù)據(jù)進行歸一化處理，將數(shù)據(jù)范圍縮放到合適的區(qū)間。

2） "數(shù)據(jù)集劃分：將數(shù)據(jù)集7∶3的比例劃分訓練集和測試集。訓練集用于訓練IPSO優(yōu)化CNN-BiGRU-Attention深度學習網(wǎng)絡模型，用于搜索最優(yōu)超參數(shù)，以獲得更好的性能。測試集用于糧溫的預測和模型評估。

3） "改進粒子群算法進行超參數(shù)優(yōu)化：使用智能群優(yōu)化算法（IPSO），對模型超參數(shù)進行初始化。初始模型根據(jù)計算誤差進行訓練和評估，并根據(jù)最小誤差來確定是否找到了最優(yōu)超參數(shù)。如果未找到最優(yōu)超參數(shù)，則需要再次選擇超參數(shù)進行訓練和評估，找到最優(yōu)的超參數(shù)。

4） "基于最優(yōu)超參數(shù)的CNN-BiGRU-Attention模型預測：利用IPSO算法優(yōu)化CNN-BiGRU-Attention模型進行儲糧機械通風溫度預測。該模型使用儲糧機械通風的數(shù)據(jù)準確地預測未來糧溫的變化趨勢。通過將歷史數(shù)據(jù)輸入模型，模型能夠學習并預測未來糧溫的變化。

3"試驗結果及分析

3.1"數(shù)據(jù)來源

所用的數(shù)據(jù)采集于吉林省玉樹市的一個平房倉，結構如圖7所示。為了考慮糧堆頂層與底層糧食溫度的差異，采用分布式測溫技術來測量不同糧層的溫度，將糧堆分為5層；并且在進行糧堆溫度預測時也采用分層預測的方法，才能得到準確的糧倉溫度信息，其分布如圖8所示。由于糧堆內(nèi)溫度變化緩慢，采用每小時數(shù)據(jù)采集策略，將采集到的數(shù)據(jù)傳輸至MySQL數(shù)據(jù)庫。

3.2"數(shù)據(jù)預處理

使用的儲糧通風溫度預測數(shù)據(jù)來自某省直屬庫糧庫。在通風作業(yè)時每隔1h分別采集糧堆每層最高溫度、外溫、外濕、倉溫、倉濕、通風風速、通風溫度、通風濕度共3 000組。對數(shù)據(jù)集進行歸一化處理，如式（12）所示。

x′=x_i－xminxmax－xmin

（12）

式中：

x′——歸一化后的輸入量；

x_i——原始數(shù)值；

xmax、xmin——

原始數(shù)據(jù)的最大值和最小值。

通過歸一化處理，將原始數(shù)據(jù)的取值范圍縮放到0～1之間，使得不同特征之間的數(shù)值具有可比性。這有助于模型更好地學習數(shù)據(jù)之間的關系，并且可以提高模型的訓練效果和性能。

3.3"模型的評價指標

均方根誤差RMSE是一種常見的誤差度量，用于衡量預測值與實際值之間的差異^［17］，如式（13）所示。

RMSE=1Ps1N^*∑N^xi=1（Y^_i－Y_i）²

（13）

平均絕對誤差MAE，它衡量了預測值與實際值之間的平均絕對差異^［18］，如式（14）所示。

MAE=1N^*∑N^xi=1Y^_i－Y_i

（14）

確定系數(shù)R²用于評估模型對觀測數(shù)據(jù)的擬合程度，其取值范圍為0～1，越接近1表示模型擬合得越好^［19］。確定系數(shù)的定義如式（15）所示。

R²=1－∑N^xi=1（Y^_i－Y_i）²∑N^xi=1（Y-－Y_i）²

（15）

通過計算這些評價指標，可以量化模型的預測準確性和擬合程度，從而對模型的性能進行評估和比較。

3.4"基于IPSO的超參數(shù)優(yōu)化

針對構建的CNN-BiGRU-Attention網(wǎng)絡模型，使用IPSO進行網(wǎng)絡超參數(shù)的優(yōu)化，將種群規(guī)模設置為50，學習因子c1和c2均設定為1.5。慣性權重w根據(jù)式（10）進行動態(tài)更新，并設定r1為0.8，r2為0.3。為了控制訓練時間，在使用模型進行糧堆溫度預測之前，預先設定最大迭代次數(shù)為500次。由圖9可知，改進算法的適應度曲線在大約100次迭代后基本趨于平穩(wěn)。這表明改進算法在進行500次迭代時已經(jīng)取得較好的結果。

3.5"預測結果分析

按照7∶3的比例將數(shù)據(jù)集劃分為訓練集和測試集。輸入特征矩陣的大小為3 000×8。所提出儲糧機械通風溫度預測模型將與BP、BiGRU、BiGRU-Attention、CNN-BiGRU-Attention和PSO-CNN-BiGRU-Attention神經(jīng)網(wǎng)絡進行比較，驗證其模型的性能。每個模型都使用相同的訓練數(shù)據(jù)和測試數(shù)據(jù)，計算各個模型反歸一化后的RMSE、MAE和R²值，結果如表1所示。

由表1可知，BP神經(jīng)網(wǎng)絡模型的預測效果最差，其RMSE為0.124 5，R²為0.854 2。BiGRU模型相對于BP神經(jīng)網(wǎng)絡有一定的改進，但在加入注意力機制后，BiGRU-Attention模型的預測效果進一步提升，其RMSE值降低，R²值提升。CNN-BiGRU-Attention模型在多特征維度上的處理效果顯著，其RMSE為0.085 9，R²為0.937 2，相比于BiGRU-Attention模型，RMSE降低0.0167，R²提升0.046。采用IPSO算法優(yōu)化模型超參數(shù)得到的RMSE為0.0469，R²為0.9925，與PSO-CNN-BiGRU-Attention模型相比，IPSO優(yōu)化的模型表現(xiàn)最佳，其RMSE降低0.0288，R²提升0.0438。綜合數(shù)據(jù)分析，采用IPSO優(yōu)化的CNN-BiGRU-Attention模型相比于其他模型具有更好的預測效果。

在儲糧通風溫度預測對比試驗中，由圖10可知，改進IPSO優(yōu)化CNN-BiGRU-Attention融合模型預測結果與真實值基本吻合，擬合效果更好。

BP模型在整個過程中波動比較大，與真實值的差較大；采用BiGRU模型對BP神經(jīng)網(wǎng)絡有一定的改進，說明BiGRU在時間序列有一定的優(yōu)勢，糧情數(shù)據(jù)的時序性和非線性關系可被較好地分析；在上述模型中加入注意力機制，計算BiGRU處理后的特征向量，突出關鍵特征，給予不同權值，預測效果進一步提升；進一步結合CNN模型，充分發(fā)揮對潛在特征向量的提取優(yōu)勢，有效挖掘數(shù)據(jù)中蘊含的更多信息。接著對上述模型參數(shù)進行優(yōu)化，采用標準PSO優(yōu)化CNN-BiGRU-Attention模型，與CNN-BiGRU-Attention預測效果相差不大，這是因為模型超參數(shù)未能找到最優(yōu)解；進一步采用改進IPSO來優(yōu)化CNN-BiGRU-Attention模型的超參數(shù)，融合了各個模型的特點，該模型具有更好的預測精度。

綜上所述，所提出的儲糧通風溫度預測方法具有較高的準確性，并且預測性能優(yōu)于其他預測方法。儲糧通風溫度預測對于確保糧食質(zhì)量和避免儲糧損失非常重要，具有準確和可行的預測方法，對農(nóng)業(yè)和糧食行業(yè)來說是有價值的。因此，所提出的儲糧通風溫度預測方法是可行的，具有廣泛的應用價值。

進一步將溫度預測功能應用在糧情檢測功能上，結合機械通風操作，在獲取到糧倉內(nèi)某一層糧食未來24h的溫度折線圖后，得到此層溫度的最大值和最小值。當最小值超過安全儲藏最高溫度時，立即觸發(fā)機械通風控制系統(tǒng)，實現(xiàn)儲糧機械通風的智能化；當最小值低于安全儲藏臨界值，但最大值高于臨界值時，提醒管理人員多關注此糧倉后續(xù)的溫度變化趨勢，便于及時了解該糧倉的糧食儲藏情況。

4"LoRa網(wǎng)絡的儲糧通風控制系統(tǒng)

LoRa（長距離低功耗射頻）是一種遠距離的無線通信技術，具有傳輸距離遠、功耗低、通信可靠等特點。LoRa技術可以用于設置多個節(jié)點組成網(wǎng)絡，適用于各種場景^{［20， 21］}。在糧倉監(jiān)控方面，不管是房倉還是筒倉，糧倉到主控室的距離通常在500～3 000m之間。由于距離較短的WiFi、藍牙、ZigBee等技術不適合這種遠距離通信需求，使用LoRa技術可以解決大量布線和不易擴展等問題。LoRa技術的應用可以實現(xiàn)遠距離的無線傳輸，使糧倉監(jiān)控系統(tǒng)更加靈活、可靠，并且具備較低的功耗。

儲糧溫度預測及通風控制系統(tǒng)總體框架如圖11所示。首先，在糧倉中按照一定的規(guī)則布設多個溫濕度傳感器用于采集糧情數(shù)據(jù)，經(jīng)由糧情測控分機通過LoRa無線模塊傳輸至糧情測控主機；然后，自動將數(shù)據(jù)傳輸至云服務器進行存儲；隨后，輸入到預測模型中進行糧情預測，將根據(jù)預測結果決定是否采取通風操作，并將預測結果顯示出來。在上位機正常工作時，上位機LoRa模塊處于喚醒模式；處于待機模式時，LoRa模塊處于省電模式；當需要數(shù)據(jù)時，通過主機發(fā)送信號使LoRa模塊進入點對點通信模式，LoRa模塊再喚醒正常工作，大大降低了功耗、分布式降低了系統(tǒng)的復雜性、增強了系統(tǒng)的可靠性、提高了事件響應效率和拓展了系統(tǒng)應用范圍。針對現(xiàn)有糧情測控問題，將無線傳感器技術、低功耗和遠距離無線電傳輸技術和神經(jīng)網(wǎng)絡知識應用于糧情測控技術，實現(xiàn)和設計糧情監(jiān)控系統(tǒng)。系統(tǒng)硬件包括溫濕度傳感器、風速風向測量模塊、糧情分機、LoRa無線通信模塊、電源模塊、糧情主機、中控機、觸摸液晶屏、三相電機，本系統(tǒng)的連接框圖如圖12所示。

5"結論

1） 提出一種新的儲糧通風溫度預測方法，即采用IPSO優(yōu)化CNN-BiGRU-Attention網(wǎng)絡模型的超參數(shù)。利用CNN提取有效特征，并通過BiGRU網(wǎng)絡實現(xiàn)高精度的時間序列預測，最后結合注意力機制賦予不同權值。同時，采用改進的IPSO算法優(yōu)化模型的超參數(shù)。試驗結果表明，該網(wǎng)絡模型的RMSE為0.0469，MAE為0.031 5，R²為0.992 5，能夠自適應調(diào)整模型的超參數(shù)。

2） 與其他模型比較，該模型性能指標均優(yōu)于其他模型，具有較高的預測精度并且有效降低預測結果的不確定性，避免糧食的損失和風機的損耗。

3） 設計基于LoRa網(wǎng)絡的儲糧通風控制系統(tǒng)，通過將儲糧溫度預測功能應用到糧情測控系統(tǒng)中，實現(xiàn)對各個糧倉不同糧層的溫度預測來指導糧堆的機械通風，實現(xiàn)機械通風智能化，保障糧食的安全儲藏，推進智慧糧庫現(xiàn)代化的建設。

參"考"文"獻

［1］

韓建軍， 張夢琪， 趙道松， 等. 基于Bagging-WOA-SVR的糧堆溫度場預測模型［J/OL］. 中國糧油學報， 1-11［2024-07-27］. https：//doi.org/10.20048/j.cnki.issn.1003-0174.000753.

Han Jianjun， Zhang Mengqi， Zhao Daosong， et al. Prediction model of grain pile temperature field based on Bagging-WOA-SVR ［J/OL］. Journal of the Chinese Cereals and Oils Association， 1-11［2024-07-27］. https：//doi.org/10.20048/j.cnki.issn.1003-0174.000753.

［2］

黃琦蘭， 王濤. 基于智能算法的儲糧通風過程中溫度場預測［J］. 保鮮與加工， 2022， 22（3）： 30-34.

Huang Qilan， Wang Tao. Temperature field prediction of grain storage ventilation process based on intelligent algorithm ［J］. Storage and Process， 2022， 22（3）： 30-34.

［3］

蔣思瑋， 孫妍， 陳靜， 等. 改進粒子群優(yōu)化GRU網(wǎng)絡的儲糧溫度預測方法［J］. 計算機與數(shù)字工程， 2023， 51（5）： 1036-1041， 1156.

Jiang Siwei， Sun Yan， Chen Jing， et al. Grain storage temperature prediction method based on GRU network optimized by improved particle swarm optimization ［J］. Computer amp; Digital Engineering， 2023， 51（5）： 1036-1041， 1156.

［4］

曹靜怡， 魯玉杰， 苗世遠， 等. 基于多場耦合理論的稻谷儲藏品質(zhì)變化規(guī)律及預測模型的研究［J］. 中國糧油學報， 2024， 39（5）： 7-14.

Cao Jingyi， Lu Yujie， Miao Shiyuan， et al. Research on paddy storage quality change and prediction model based on multi-field coupling theory ［J］. Journal of the Chinese Cereals and Oils Association， 2024， 39（5）： 7-14.

［5］

徐萌， 王亞錕. 基于雙向長短期記憶網(wǎng)絡的DA40飛機碳剎車片剩余壽命預測［J］. 計算機應用， 2021， 41（5）： 1527-1532.

Xu Meng， Wang Yakun. Remaining useful life prediction of DA40 aircraft carbon brake pads based on bidirectional long short-term memory network ［J］. Journal of Computer Applications， 2021， 41（5）： 1527-1532.

［6］

馮裕祺， 李輝， 李利娟， 等. 基于CNN-GRU的光伏電站電壓軌跡預測［J］. 中國電力， 2022， 55（7）： 163-171.

Feng Yuqi， Li Hui， Li Lijuan， et al. Voltage trajectory prediction of photovoltaic power station based on CNN-GRU ［J］. Electric Power， 2022， 55（7）： 163-171.

［7］

Niu D， Yu M， Sun L， et al. Short-term multi-energy load forecasting for integrated energy systems based on CNN-BiGRU optimized by attention mechanism ［J］. Applied Energy， 2022， 313： 118801.

［8］

Kavianpour P， Kavianpour M， Jahani E， et al. A CNN-bilstm model with attention mechanism for earthquake prediction ［J］. The Journal of Supercomputing， 2023： 1-33.

［9］

Aslan M F， Unlersen M F， Sabanci K， et al. CNN-based transfer learning-BiLSTM network： A novel approach for COVID-19 infection detection ［J］. Applied Soft Computing， 2021， 98： 106912.

［10］

Mei P， Li M， Zhang Q， et al. Prediction model of drinking water source quality with potential industrial-agricultural pollution based on CNN-GRU-Attention ［J］. Journal of Hydrology， 2022， 610： 127934.

［11］

Zhang J， Liu F， Xu W， et al. Feature fusion text classification model combining CNN and BiGRU with multi-attention mechanism ［J］. Future Internet， 2019， 11（11）： 237.

［12］

Qiu H， Fan C， Yao J， et al. Chinese microblog sentiment detection based on CNN-BiGRU and multihead attention mechanism ［J］. Scientific Programming， 2020： 1-13.

［13］

彭玉青， 喬穎， 陶慧芳， 等. 融入注意力機制的PM2.5預測模型［J］. 傳感器與微系統(tǒng)， 2020， 39（7）： 44-47.

Peng Yuqing， Qiao Ying， Tao Huifang， et al. PM2.5 prediction model fuses attention mechanism ［J］. Transducer and Microsystem Technologies， 2020， 39（7）： 44-47.

［14］

海文龍， 王亞慧， 王懷秀. 基于IPSO算法優(yōu)化GRU神經(jīng)網(wǎng)絡的燃氣負荷預測［J］. 傳感器與微系統(tǒng)， 2023， 42（2）： 126-129.

Hai Wenlong， Wang Yahui， Wang Huaixiu. Gas load forecasting based on optimization of GRU neural network using IPSO algorithm ［J］. Transducer and Microsystem Technologies， 2023， 42（2）： 126-129.

［15］

詹夢園， 李震， 田璐， 等. 基于改進離散粒子群算法優(yōu)化故障等級的傳感器布局［J］. 計算機與數(shù)字工程， 2023， 51（12）： 2795-2800.

Zhan Mengyuan， Li Zhen， Tian Lu， et al. Optimized sensor layout considering fault level based on improved discrete particle swarm algorithm ［J］. Computer amp; Digital Engineering， 2023， 51（12）： 2795-2800.

［16］

Sun Q， Yang L， Li H， et al. Prognostics of capacitors for power converters based on data augmentation and IPSO-GRU ［J］. Journal of Power Electronics， 2022， 22（12）： 2136-2146.

［17］

Meng Y， Chang C， Huo J， et al. Research on ultra-short-term prediction model of wind power based on attention mechanism and CNN-BiGRU combined ［J］. Frontiers in Energy Research， 2022， 10： 712.

［18］

Xu Y， Jiang X. Short-term power load forecasting based on BiGRU-Attention-SENet model ［J］. Energy Sources， Part A： Recovery， Utilization， and Environmental Effects， 2022， 44（1）： 973-985.

［19］

祁云， 白晨浩， 代連朋， 等. 改進雙向長短期記憶神經(jīng)網(wǎng)絡的瓦斯涌出量預測［J/OL］. 安全與環(huán)境學報， 1-10［2024-07-28］. https：//doi.org/10.13637/j.issn.1009-6094.2024.0383.

Qi Yun， Bai Chenhao， Dai Lianpeng， et al. Enhanced bidirectional long short-term memory neural network for gas emission forecasting ［J/OL］. Journal of Safety and Environment， 1-10［2024-07-28］. https：//doi.org/10.13637/j.issn.1009-6094.2024.0383.

［20］

蔣鵬. 基于LoRa無線通信的煤礦礦井環(huán)境智能監(jiān)測系統(tǒng)設計［J］. 煤炭技術， 2023， 42（7）： 206-208.

Jiang Peng. Design for mine environment intelligent monitoring system based on LoRa wireless communication ［J］. Coal Technology， 2023， 42（7）： 206-208.

［21］

孟祥， 趙瑩， 徐卓威， 等. 基于LoRa技術的農(nóng)田智能灌溉系統(tǒng)設計［J］. 中國農(nóng)機化學報， 2023， 44（9）： 161-168.

Meng Xiang， Zhao Ying， Xu Zhuowei， et al. Design of intelligent irrigation system for farmland based on LoRa technology ［J］. Journal of Chinese Agricultural Mechanization， 2023， 44（9）： 161-168.