|
萝卜丝的薄层干燥实验研究及BP神经网络模型的建立
摘要：利用薄层干燥实验台，进行了萝卜丝的薄层干燥试验，探讨了热风温度、风速对干燥速率的影响。结果表明，萝卜丝干燥具有典型物料干燥的升温、等速、降速三个阶段，热风温度对干燥速率的影响比风速对干燥速率的影响显著。用BP神经网络建立了萝卜丝干燥的数学模型，并与Page模型的模拟结果进行了对比，表明用BP神经网络预测水分比的精度明显高于Page模型。关键词：萝卜丝；干燥；数学模型；BP神经网络 萝卜的含水率高达95％以上，萝卜中的水以游离水、胶体水和化合水三种不同的状态存在，在热风干燥过程被排除的主要是游离水。在干燥过程中，水分的内扩散和水分的外扩散两种作用的配合是否相称，对萝卜的干燥来说非常重要。为使干后工艺更加合理，必须先了解萝卜丝干燥中的失水规律。本文研究热风温度和热风速度对萝卜丝的失水影响，用人工神经网络建立了萝卜丝干燥数学模型，为将来工业化生产提供了有用的理论依据。1材料与方法1.1 材料试验用的白萝卜从农贸市场购得，挑选新鲜、无腐烂的白萝卜为材料。1.2 试验装置使用自制的薄层干燥实验台，该实验台由热源（电阻丝加热）、热风输送风机、薄层干燥室、电子秤、温湿度传感器、微机数据采集和控制系统组成。1.3 实验方法1.3.1 预处理将萝卜清洗干净，去皮切成80mm×8mm×8mm的丝均匀铺在物料架筛网上。1.3.2干燥试验方法为了探讨风温和风速对萝卜丝干燥的影响，并建立数学模型，本实验设计了6个干燥工艺条件(见表1)。干燥过程每10min观察和记录物料的重量，当干燥至0.5h内试样重量减少小于0.5g/100g湿料重时(以开始干燥的物料计)，即认为达到平衡含水率Me，停止干燥。计算水比(亦称湿度比或自由含水率比) 式中： 为试样平衡含水率（%，wb）， 为试样平衡重量（g）， 为试样初始含水率（%，wb）， 为试样初始重量（g）， 为干燥中某个时刻的含水率（％，wb）， 为试样在干燥中某个时刻的重量(g)， 为干物质重量（g）。水分比用于表示一定干燥条件下物料还有多少水分未被干燥除去。 2 结果与分析从图1～3中可以看出热风干燥萝卜丝在一定的风速和温度下分升温、等速、降速三阶段。在干燥初期，萝卜丝的温度比较低，水分扩散速度和水分蒸发速度都很小，萝卜丝的温度呈上升趋势，为升温阶段；当萝卜丝温度上升到一定程度，水分的蒸发速度加快，水分蒸发的汽化热与热介质提供的热量达到平衡时，萝卜丝的温度趋于稳定，进入等速干燥阶段；当含水率下降一定值后，水分扩散速度小于水分蒸发速度，水分蒸发的汽化热不足以平衡热介质提供的热量，进入降速干燥阶段。干燥温度、风速不同，等速阶段的干燥速度也不同。图1所示是在风速0.6m/s的条件下，风温为50℃、60℃、70℃3种工况下的MR－t关系曲线；风温越高，干燥速率越大。从图2和图3中可以看出，风速对降水速率的影响，在干燥初期高水分时随着风速的增加干燥速度越快，然而在干燥后期低水分时风速对降水率基本上没有影响，风速对高温的影响比对低温的影响大。从风温和风速对萝卜丝干燥速率的影响可以看出：温度对干燥速率的影响比风速大。  3 BP神经网络预测模型从MR－t关系的曲线图可以看出输入和输出是非线性关系并且输出的水分比受到风速、风温和其它变量的影响，用传统的方法很难建立精确的数学模型。目前已有的干燥数学模型也是一些经验模型，且大多只考虑风温一个参数的作用。但是BP神经网络具有非常灵活的非线性多变量输入输出关系映射能力；人工神经网络引入了微特征的概念，即神经网络的每个神经元仅能轻微地影响输入输出关系，所有神经元组成的网络，反映整体的输入输出关系。人工神经网络的自适应能力强，ANN的特定算法，通过反复调整神经元之间的连接权值直至得到期望的输入输出模型；如果条件发生了变化，新的条件下网络可以重新组织训练，纠正自己的运行结果。ANN的这种纠正能力是传统经验数学模型所不具备的。用人工神经网络建立模型不涉及过程的内部机制，只要有大量的数据对网络进行训练，网络就能找出输入输出关系。对于复杂的干燥过程，用人工神经网络将能建立精确的数学模型。3.1网络结构 BP（Back Propagation，反向传播）模型是一种监督训练多层神经网络，网络一般有三层：输入层、隐含层和输出层。信息流层进入网络后，传到隐含层节点，经过响应传递函数（一般Sigmoid函数）， 的作用，再传到输出节点，计算模型输出值与理想输出值之间的误差，如不符合要求，则沿误差最大方向（误差梯度方向）反传回去，调整各层之间的权值；如此反复，直至误差小于预定值为止，经处理后给出输出结果。本试验有三个输入（风温，风速，时间）、一个输出（水分比），经过反复试用选用3×3×1的网络结构，其结构如图4所示。 3.2 数据预处理在网络学习过程中,为便于训练,更好地反映各因素之间的相互关系,必须对样本数据进行预处理。一般网络输出向量的各分量值应在[0,1] 之间。为使较大的输入落在神经元激励函数梯度大的区域，对输入向量的各分量亦取[0,1]特征值为佳。因此训练网络之前，将输入输出样本归一化，处理如下： 式中: ， 分别为第i个神经元各输入分量的最大值和最小值； ， 分别为第i个神经元预处理前、后的输入分量。3.3 网络的学习选用1、2、3、4、6号试验的105组数据作为训练样本，经过6184次训练，停止误差平方和达到0.0145696。网络的权矩阵为：w(1,1)=[－0.61451 －0.26062 －4.04170.98597 －0.11096 －2.62410.95966 0.10982 2.5619]w(2,1)=[1.4932 34.6532 34.9667]阈值向量为：b(1)=[1.0273 1.6173 -1.5622]b(2)=[1.3516] 4 拟合检验图5和图6分别是在60℃、0.3m/s工况下萝卜丝的BP网络模型和Page模型MR预测值与实测值的比较结果。BP网络模型的预测值的最大相对误差为6.13％，相关系数为0.9987。而Page模型的预测值的最大相对误差为17.83％，相关系数为0.9711。因此可以看出BP网络模型MR预测值与实测值拟合较好。故说明用BP网络模型预测萝卜丝热风干燥过程中的MR值比传统的Page模型的精度要高。 5 结论（1）萝卜丝热风干燥是具有典型物料干燥的升温、等速、降速三个阶段。热风干燥风温对干燥速度的影响较风速大，风温或风速升高时干燥速度增大。（2）本研究利用BP神经网络建立了萝卜丝热风干燥数学模型，在试验条件范围内，模型预测值与实测值拟合较好,可以用BP网络模型比较准确的预测干燥过程中的水分比。参考文献：[1] 李远志,等．胡萝卜热泵干燥特性及数学模型的研究[J]．食品与发酵工业，1999，25（6）：1-4.[2] 王俊，徐乃章．香菇薄层数学模型的研究[J].食用菌,1944，(4)：36-37.[3] 李栋，王庆祝，汪立君．玉米薄层干燥模型的试验研究[J]．农机与食品机械，1999(5)：3-4.[4] 方建军，曹崇文．利用人工神经网络建立谷物干燥模型[J]．中国农业大学学报．1997，2(6)：35-38.[5] 焦李成．神经网络系统理论[M]．西安：西安电子科技大学出版社，1990．[6] 王海，王强．脱水蔬菜穿流工艺试验研究[J]．中国农机化，1997，s1：268-271.
| |
| • 全球干燥技术的研究与进展 A.S.Mujumdar |
| • CPE干燥工艺与技术的研究 |
| • 组合干燥的特点和优越性 |
| • 粉煤流化床气化炉的开发应用 |
| • 木材干燥的国内外现状与发展趋势（2） |
| • 加入WTO对我国干燥行业的影响 作者：刘广文 |
|
|
