不确定性感知物联网水分监测与抛物线型太阳能干燥香蕉终点控制

《Journal of Agriculture and Food Research》：Uncertainty-aware IoT-based moisture monitoring and endpoint control for banana drying in a parabolic solar dryer

　　

不确定性感知的物联网（IoT）支持的位置特定水分终点控制。偏差校正将水分估计的均方根误差（RMSE）从2.62%wb降低至1.21%wb。终点聚焦验证在15–25%wb范围内实现了0.42%wb的RMSE。实时终点控制干燥（RTC）在晴朗和混合多云条件下分别将干燥时间缩短了20%和8%。在相同条件下，RTC将核算能量输入减少了23.36%和9.18%。

太阳能干燥是一种基于可再生能源的食品保存方法，在热带和农村地区广泛应用。与露天晾晒相比，封闭式太阳能干燥器能更好地防止灰尘、昆虫、降雨和环境污染，并提供更可控的干燥环境。然而，太阳能干燥本质上具有可变性，因为太阳辐射、环境温度、相对湿度和气流在整个干燥过程中不断波动。这种波动不仅影响干燥速率和水分去除效率，还可能导致干燥室内热量和质量传递的空间差异。对于干燥香蕉而言，干燥不足会留下过多残余水分，而过度干燥则会增加硬度、加剧色泽劣化并浪费能源。因此，可靠地确定产品水分终点对于平衡最终水分控制、加工时间、能源使用和产品质量至关重要。

近年来，太阳能干燥已从被动干燥向自动化和数据驱动型系统发展，物联网（Internet of Things, IoT）技术被用于实时监测环境变量，如空气温度、相对湿度、太阳辐射等。然而，这些环境变量并不直接说明产品是否达到所需的水分终点。负载传感器（load-cell）通过测量质量损失来估算水分含量，是一种实用的连续监测方法，但实际户外干燥条件下，传感器分辨率、校准残差、零点和热漂移、气流引起的振动、负载位置效应以及短期信号波动都会给测量带来不确定性。当水分估计被用于确定干燥终点时，这些不确定性直接影响终点决策本身。尽管已有大量关于自动化太阳能干燥、物联网监测、气流分析、干燥动力学和能量评估的研究，但将测量不确定性显式整合到产品水分估算和终点验收中的工作仍很有限。为此，研究人员开展了一项研究，旨在开发并评估一个不确定性感知的物联网框架，用于抛物线型太阳能干燥器中香蕉干燥的实时水分监测和终点确定。

研究人员开发了一套基于负载传感器的物联网监测系统，在干燥室前、中、后三个位置连续记录样品质量损失，并通过质量平衡方程实时计算湿基水分含量（%wb）。测量不确定度按照《测量不确定度表示指南》（GUM）进行传播，并采用异常过滤、不确定性加权平均、基于参考水分分析仪（Moisture Balance MB120）的线性偏差校正等处理方法。最终终点规则要求所有三个监测位置的校正后水分估计均处于17–19%wb目标范围内，且其扩展不确定度上限不超过19%wb，并需连续两个有效读数确认。实验使用泰国佛统府当地种植的香蕉品种（Musa (ABB group) 'Kluai Namwa Mali Ong'），初始水分含量约73±1.5%wb，在抛物线型太阳能干燥器中进行间歇干燥，比较了传统固定时间干燥（CD，25小时）和实时终点控制干燥（RTC）两种策略。

3.1 干燥过程中的环境变异性：通过气象站和干燥器内传感器记录，三个独立验证批次（晴朗、混合多云、多云）的平均太阳辐照度分别为618.0、438.0和298.0 W/m²，干燥空气温度范围为34.1–65.7°C，相对湿度范围为24.4–67.6%，证实环境条件差异显著，说明固定时长干燥可能在不同天气下导致最终水分不一致。

3.2 水分降低行为：参考水分曲线显示水分在第一天下降最快，随后逐渐减缓；晴朗条件下水分去除最快，多云条件下最慢。CD在25小时后的最终水分分别为14.60、16.90和18.71%wb，而RTC在20、23和25小时结束，对应参考最终水分18.51、18.87和18.71%wb，干燥时间分别减少20.0%、8.0%和0%。

3.3 原始物联网水分估计精度：原始负载传感器估算与参考水分相比，总体决定系数R²为0.9894，平均绝对误差（MAE）为2.45%wb，均方根误差（RMSE）为2.62%wb，平均绝对百分比误差（MAPE）为7.66%，预测偏差为+1.94%wb，表明原始估计存在系统性高估。

3.4 不确定性感知水分处理：
3.4.1 水分不确定性评估：质量平衡估算的扩展不确定度范围为0.64–2.32%wb，平均为0.90±0.30%wb。
3.4.2 异常过滤：共411个时间点中，20个（4.87%）被标记为异常，过滤后MAE和RMSE分别降至2.09%wb和2.29%wb。
3.4.3 不确定性加权平均：对前、中、后位置进行加权后，MAE、RMSE和MAPE进一步降至1.72%wb、1.91%wb和5.44%，偏差降至+1.35%wb。
3.4.4 校正模型性能：选定的线性校正模型在独立验证中将偏差从+1.35%wb降至+0.05%wb，MAE、RMSE和MAPE分别降至0.98%wb、1.21%wb和3.68%。在15–25%wb终点聚焦范围内，RMSE为0.422%wb，偏差为+0.063%wb；在17–19%wb关键范围内，MAE和RMSE分别为0.336和0.412%wb。
3.4.5 实时终点确定：采用所有位置同时满足目标范围和上限不确定性界限的规则，RTC在晴朗、混合多云和多云条件下分别于20、23和25小时结束，参考最终水分分别为18.51、18.87和18.71%wb；与25小时固定时长相比，晴朗和混合多云条件分别缩短20.0%和8.0%。

3.5 干燥动力学与模型拟合：将水分比数据拟合六种薄层干燥模型，双项模型拟合最佳，R²为0.9994–0.9998，RMSE为0.0033–0.0056，AICc值最低。

3.6 表观有效水分扩散率：基于Fick第二定律的简化模型估算，表观有效水分扩散率范围为1.94–2.70×10^?9 m²/s，晴朗条件下最高，多云条件下最低。

3.7 能源性能与单位能耗：与CD相比，RTC在晴朗和混合多云条件下分别减少核算能量输入23.36%和9.18%，单位能耗（SEC）分别降低约21.6%和8.0%，主要原因是避免了低于目标水分的过度干燥。

3.8 仪器化产品质量属性：在晴朗和混合多云条件下，RTC获得的最终水分更接近目标18%wb，总色差（ΔE）和硬度较低；但CD和RTC最终水分不同，因此这些差异被描述性地解释，不能单独归因于终点控制策略。

3.9 与以往香蕉干燥研究的比较：本研究得到的表观扩散率、SEC和色差值位于已有文献报告范围内，但本研究的贡献不在于单一指标优越，而在于将实时水分估计、不确定性传播、独立验证的偏差校正和位置特定不确定性界限终点确定整合到一个太阳能干燥框架中。

3.10 实际意义与未来方向：该框架尤其适用于环境条件多变、缺乏复杂闭环控制的小型至试点规模太阳能干燥操作。局限性包括每个天气条件仅单个案例、缺乏干燥室内直接气流测量、太阳辐射来自邻近气象站且未进行定量不确定性传播，以及表观扩散率计算未考虑收缩和几何变化。未来研究应增加独立过程重复、直接气流和现场太阳辐射测量、连续表征产品收缩，并在匹配最终水分下评价质量属性。

讨论部分强调了不确定性感知框架的主要优势：通过将测量不确定性直接整合到终点规则中，降低了因湿区域残留而提前终止干燥的风险。但研究也指出了若干局限性，包括每个天气条件仅一个案例、缺乏气流直接测量、使用气象站太阳辐射数据、以及CD和RTC最终水分不一致等。研究人员建议未来需进行跨季节和负载条件的独立重复实验，并开展匹配最终水分下的质量评价。

结论：本研究开发并评估了一个不确定性感知的物联网框架，用于抛物线型太阳能干燥器中香蕉干燥的实时水分监测和终点确定。在独立验证数据集中，偏差校正将水分估计RMSE从2.62%wb降至1.21%wb，MAPE从7.66%降至3.68%。终点聚焦验证在15–25%wb范围内实现RMSE为0.42%wb，偏差为+0.06%wb。在三个案例运行中，RTC分别在晴朗、混合多云和多云条件下于20、23和25小时终止干燥，对应参考最终水分18.51、18.87和18.71%wb，相对于25小时固定时长干燥时间分别减少20.0%、8.0%和0%。表观有效水分扩散率范围为1.94–2.70×10^?9 m²/s。在晴朗和混合多云条件下，RTC分别减少核算能量输入23.36%和9.18%。RTC终点观察到较低的颜色变化和硬度，但差异被描述性地解释。总体而言，该框架证明了将实时负载传感器水分估计与独立验证的偏差校正和位置特定不确定性界限终点确定相结合的可行性，其主要贡献在于将产品水分监测和测量不确定性直接整合到终点决策中，而非仅依赖预定干燥时长。由于每个天气条件仅代表一个案例，需进一步进行独立过程重复后才能更广泛推广。