计划项目（2007BAD07B05）
引言
菠萝（Ananas comosus）味道鲜美，香气浓郁，营养成分丰富，为夏令医食兼优的时令佳果。将菠萝进行干制是菠萝休闲加工的重要研究方向之一，也是延长其货架期的重要措施之一。微波真空干燥是在真空环境下对物料进行微波加热从而降低含水率，达到干制的目的。与传统热风干燥相比，微波真空干燥具有高效、节能的优势，且能较好地保留物料原有的色、香、味及热敏性物质，现已广泛应用于多种果蔬的干燥加工中 [1]。微波真空干燥过程中，因干燥参数的不同，物料的水分随时间呈现复杂的非线性的变化，国内外学者研究表明， BP神经网络模型可适用于研究微波真空干燥过程中干燥参数、时间与水分比等多因素之间的复杂非线性模型[3-5]，但对于含糖量高的菠萝片微波真空未见报道。
本文以菠萝为原料，研究在不同微波功率、装载量、真空度和切片厚度的条件下，菠萝片含水率随干燥时间的变化规律，并根据干燥参数、时间与水分比之间的关系建立菠萝片微波真空干燥的BP神经网络模型，旨在探究菠萝片在干燥过程中含水率的变化规律，为菠萝片干制品的加工生产上提供指导。
1材料与方法
1.1试验材料
菠萝：于永辉超市采购（品种为台农17#），挑选新鲜，七八成熟为宜。
1.2仪器与设备
微波真空干燥设备（KL-2D-4ZG）：福建农林大学与广州凯棱工业用微波设备有限公司联合研制；PL602-S型电子天平：梅特勒-托利多仪器（上海）有限公司；DHG-9053A型电热恒温鼓风干燥箱：上海精宏设备有限公司；AL204型精密分析天平：梅特勒-托利多仪器（上海）有限公司。
1.3试验方法
干燥前的预处理：菠萝→挑选→清洗→去皮、去心→切片（半圆柱型）→饱和糖水护色（浸泡45～75min）→沥干→低温通风存放。
以微波功率（1kW、2kW、3kW）、装载量（100g、200g、300g、400g）、真空度（-50kPa、-65kPa、-80kPa、-90kPa）、切片厚度（6mm、8mm、10mm、12mm）为干燥参数，进行菠萝片的微波真空干燥试验；干燥过程中定时记录菠萝片的质量并换算为干基含水率，干燥至干基含水率≤8%为止。
水分比MR是指在一定微波真空干燥条件下物料还剩下多少水分未被除去，用于描述物料含水率的变化情况，参考文献[3-5]，再进行模型建立前将含水率的数据转变为水分比MR，并将MR的公式简化为：MR=Mt/M0。
1.4初始含水量的测定
参照国标GB/T5009.3-2010《食品中水分的测定方法》。
1.5数据处理
应用Excel 2003软件进行数据处理及运用Matlab7.1数学软件构建BP神经网络模型。
2结果与分析
2.1不同干燥参数对菠萝片微波真空干燥过程的影响
2.1.1微波功率
在切片厚度为6mm，装载量为200g，真空度为-80kPa的试验条件下，进行菠萝片的微波功率单因素试验，试验结果如图1所示。
由图1可知，随着微波功率增加，菠萝片的干燥曲线就变的越陡，即在切片厚度、装载量和真空度恒定不变时，微波功率增大，菠萝片接收的微波能就越多，干燥速率加快，所需干燥时间减短。
2.1.2装载量
在切片厚度为6mm，微波功率为2kW，真空度为-80kPa的试验条件下，进行微波真空干燥菠萝片的装载量单因素试验，试验结果如图2所示。
由图2可知，装载量减小，菠萝片的干燥曲线越陡，即干燥时间随着装载量增大而延长。主要因为在微波功率、真空度和切片厚度恒定不变的条件下，装载量增大，菠萝片中所需去除的水分就随之增加，单位质量的菠萝片所吸收的微波能量随之减少，同时设备的真空环境对排湿能力影响较大，干燥过程中从菠萝片中蒸发出的水分未能及时排出，重新凝结在腔体内壁上和物料盒中，加大了设备的干燥负荷。
2.1.3真空度
在切片厚度为6mm，微波功率为2kW，装载量为200g的试验条件下，进行微波真空干燥菠萝片的真空度单因素试验，试验结果如图3所示。
由图3得出，在微波功率、装载量及切片厚度等干燥参数恒定不变的条件下，真空度提高，菠萝片的干燥周期就相应缩短。这主要因为随着真空度增加，水分的沸点温度就降低，菠萝片中水分向外扩散所需的微波能就减少，干燥的速度就加快快，所需时间也缩短。
2.1.4切片厚度
在微波功率为2kW，装载量为200g，真空度为-80kPa的试验条件下，进行微波真空干燥菠萝片的切片厚度单因素试验，试验结果如图4所示。
经干燥后，菠萝片的切片厚度从6、8、10、12 mm分别收缩为3.2、3.6、4.1、4.9mm。由图4可以看出，随着菠萝片切片厚度的减小，其干燥曲线明显变陡，即切片厚度增加，干燥速率有所减慢，所需的干燥时间有所加长。
2.2菠萝片BP神经网络模型构建及仿真预测
BP神经网络模型，是目前应用比较成熟和广泛的一种误差反向传播的多层前向反馈的人工神经网络模型。它像回归方程需要事先给定基本的函数，而是以实验的数据作为模型样本，运用软件经过有限次数的迭代计算后获得的一个能反映实验数据内在规律的数学模型，具有极强的非线性处理和自适应学习能力，适用于研究菠萝片微波真空的干燥参数、时间与水分比等多因素之间复杂的非线性模型[3-5]。
2.2.1数据预处理
将试验所有的参数（微波功率、装载量、真空度、切片厚度、时间、水分比）通过预处理转换成符合模型要求。因为输入层选用tansig函数，故原始数据必须映射到[0，1]区间，映射公式用式为：
式中：Yi为转化后的数据，Xi为原始数据，Xmax、Xmin分别是大于实际数据中最大值的数值和小于实际数据中最小值的数值。
2.2.2BP神经网络模型参数的确定
输入层节点数与影响预测结果的五个因素（微波功率、装载量、真空度、切片厚度、时间）相对应，网络输入层节点数n设为5。隐含层节点数的确定是根据经验公式，如 （n，p分别为输入层、输出层节点数，a为常数（取1～10） ），隐含层节点数直接关系到整个BP神经网络模型的精确度与学习效率[54]，因此以软件实际运行得到样本的总误差最小来决定节点数的值。同时考虑到单个隐含层时整个网络的非线性映射能力会较弱，为了达到符合的映射关系，隐含层节点数值可以设的比较大些，故隐含层节点数设为6。输出层只有水分比MR一个因变量，故其节点数设为1[7]。由于网络输入值是一个连续的实数，输出数值是在[0，1]的范围，所以输入层的传递函数选用tansig函数，隐含层则选用purelin函数，训练函数采用遗传算法增广高斯牛顿算法（Levenberg-Marquardt）的trainlm函数，仿真网络函数采用simuff函数[2]。
2.2.1BP神经网络训练
将预处理后的微波功率（p）、装载量（m）、真空度（v）、切片厚度（tn）、时间（t）等数据定义样本输入矩阵P，将归一化后水分比（MR）的数据作为输出矩阵T，格式为：P=[p m v tn t]；T=[MR]。
（3）模型的网络训练
采用如下函数格式：
从图5可以明显看出，当训练次数达到243次时就完成训练要求。
2.2.2BP神经网络仿真预测
将真空度-80kpa、微波功率2kW，装载量400g，切片厚度6mm这组数据作为预测的样本数据，网络结构为5×6×1，即输入层、隐含层和输出层的神经元数分别为5、6、1；调用sim仿真函数，格式为，式中：y1为仿真结果； test为预测的样本。对训练到符合要求的网络进行仿真，得到对应的逼近结果如图6所示。
将该模型应用于菠萝片微波真空干燥中水分比的仿真预测，其精度会受到传递函数purelin和tansig 的影响，还随着预测的时间推移而降低，而采用具有算法稳健、拟合精度高等优点的Levenberg-Marquardt方法，不仅符合模型的要求，还能较好地解决维数较高的问题，同时能有效避免BP算法的收敛速度慢、局部极值等缺点[2]。由图6可知，BP神经网络模型的仿真预测值与实际值拟合度较高，能较准确地描述菠萝片微波真空干燥过程水分比的变化，表明该模型有很好的应用价值，也可以应用到其他果蔬微波真空干燥过程水分比的预测领域。
3结论
研究菠萝片微波真空干燥过程中不同参数对干燥过程中含水率的影响。利用Matlab7.1软件构建BP神经网络模型，该模型可以较准确地预测菠萝片微波真空干燥过程含水量的变化，仿真预测值与实际值有较高的拟合性，表明该模型具有较好的应用价值。
参考文献
[1]段小明，冯叙桥，宋立，等.果蔬微波真空干燥（MVD）技术研究进展[J]. 食品与发酵工业. 2013，39（9）：156-164.
[2]闻新，周露，李翔，等.MATLAB神经网络仿真与应用[M].北京：科学出版社，2003：127-146.
[3]陈健凯，林何通，李辉，等.杏鲍菇微波真空薄层干燥数学模型建立与评价[J].真空科技与技术学报，2013，33（12）：1184-1190.
[4]朱文学，孙淑红，陈鹏涛，等.基于BP神经网络的牡丹花热风干燥含水率预测模型[J].农业机械学报，2011，42（8）：128-137.
[5]Motavali Ali，Najafi Gholam Hassan，Abbasi Solayman.Microwave-vacuum drying of sour cherry： comparison of mathematical models and artificial neural networks[J].Journal of food science and technology，2014，Vol.50 （4）， pp.714-22.
作者简介：黄子建（1986-），男，福建泉州人，工科硕士，研究方向：食品加工技术。
相关热词搜索： 神经网络 菠萝 微波 仿真 干燥
