基于增量主成份分析的牛奶凝结过程实时监测方法
【技术领域】
[0001] 本发明涉及一种牛奶凝结过程实时监测方法，特别涉及一种基于增量主成份分析 的牛奶凝结过程实时监测方法。
【背景技术】
[0002] 牛奶凝结用于制作奶酪的步骤是通过切割形成乳凝胶，所切割的时间最终影响奶 酪的产量和品质。如果切割的时间太早导致产量的损失，切割的时间太晚导致得到高水分 的奶酪。现在的奶酪乳制品制作中，工厂操作员主要是根据他们的工作经验手工切割牛奶 凝结形成的乳凝胶，不仅成本高还带有主观因素，这阻碍了流程的自动化和影响了工作效 率。因此，我们有必要优化一种确定切割时间的自动化方法。
[0003] 牛奶凝乳酶诱导凝胶是需要经历三个基本阶段：
[0004] (1)初始酶水解，J-酪蛋白将改变其酪蛋白胶束，最终形成副酪蛋白。
[0005] ⑵副酪蛋白的聚合，其中聚合速率取决于自由副酪蛋白的浓度，意味着这一阶段 是依赖于速率和第J酪蛋白水解的程度；
[0006] (3)凝胶过程，形成聚合物网络聚合胶束链，也称为凝胶固化。过度之间的阶段，不 易察觉，因为头部和尾部连续的阶段在一定程度上是重叠的。
【发明内容】
[0007] 本发明的目的在于，提供一种基于增量主成份分析的牛奶凝结过程实时监测方 法。它可以精确检测牛奶凝结过程中主要成分的变化，从而实现牛奶凝结过程的实时监测， 以用于作为切割乳凝胶的时间标准，进而提高奶酪的产量和品质。
[0008] 本发明的技术方案：基于增量主成份分析的牛奶凝结过程实时监测方法，包括以 下步骤：
[0009] SI.采集多个批次的牛奶凝结过程中各个时间点的近红外光谱数据作为原始数 据；
[0010] S2.对原始数据进行标准化的预处理，得到多个批次的标准化数据；
[0011] S3.通过聚类算法将第一个批次的标准化数据进行聚类操作；，生成多个聚类，并 将这些聚类标识为不同的窗口；
[0012] S4.对每个窗口中的标准化原始数据进行主成份分析（常规主成份分析方法），得 到每个窗口内的数据载荷和数据对应的主成份得分；
[0013] S5.根据时间点的对应关系，将对下一个批次的标准化数据增加到各个窗口中，并 使用增量主成份分析方法对窗口中的新增数据进行修正以及预测它们的主成份得分，并形 成当前窗口的数据特征；
[0014] S6.对剩余批次标准化数据逐个重复步骤S5 ;
[0015] S7.采集待监测的牛奶凝结过程中的近红外光谱实时数据，并以步骤S5相同的方 法将近红外光谱实时数据新增到窗口中，通过观察每个窗口内近红外光谱数据的主成份得 分来判断牛奶凝结处于哪个阶段（通过窗口去实现观察）。
[0016] 上述的基于增量主成份分析的牛奶凝结过程实时监测方法中，所述步骤S2的预 处理使用标准化函数，即
[0017] 前述的基于增重王成份分机的午奶凝结过程实时监测方法中，所述步骤S3中采 用欧式距离作为聚类的指标。多维欧式距离d计算公式为
[0018]
[0019] 其中Χι1代表第一个点的第i维坐标，X 12代表第二个点的的第i维坐标。的第1 维坐标，X12代表X 12的第2维坐标，d代表多维空间的点点之间的几何距离。前述的基于增 量主成份分析的牛奶凝结过程实时监测方法中，所述步骤7中每个窗口内的数据特征包括 窗口内数据的个数、窗口内数据的主成份载荷、主成份的得分及得分所对应的时间点。
[0020] 前述的基于增量主成份分析的牛奶凝结过程实时监测方法中，所述步骤S5中，当 下一个批次的标准化原始数据中有不符合加入已有窗口的条件的数据，则建立新的窗口， 并将这些数据放入新建的窗口，并使用主成份分析方法进行载荷和得分的计算；如果窗口 数量达到上限，则合并最近的两个窗口，否则直接建立一个新的窗口。
[0021] 所述步骤S5中的增量主成份分析方法（IPCA)，它不必假设输入样本为零均值并 可以动态地更新均值，其描述如下：
[0022] 给定一个d*n的近红外光谱数据矩阵Xn= {X ^ X2, ... Xn}，其中，X1表示第i个批 次的数据（d表示d维数向量）。
[0023] 针对第一批次的近红外光谱的数据，利用PCA算法可以求得PCA得分矩阵F。：
[0024] X0Q0= F 〇
[0025] 其中P。表示第〇批次数据的载荷，即单位特征向量。
L----J ·ν·.ι I V：V. I I I VU
I I / 1V U I I V I 1
[0036] 综上所述，对于每一个新输入样本Xn，都可以根据之前的样本对新输入的样本进 行修正，并预测它在整个集合中的特征值和特征向量。
[0037]
[0038]
[0039] 与现有技术相比，本发明在牛奶凝结过程中的近红外光谱数据基础上，利用聚类 方法将数据聚类到多个窗口中，然后使用增量主成份分析方法对窗口内数据进行降维，而 且当后续的批次数据加入窗口内时，可以通过新增加的样本数据来修正原来的数据，从而 可以对窗口内的特征值和特征向量进行持续的更新，最终动态窗口中的特征数据将精确反 映出牛奶凝结过程。本发明的方法结合了基于窗口的聚类方法和增量主成份分析方法，可 以对近红外光谱数据进行更为可靠的数据分析，最终实现了对牛奶凝结过程的精准监测。 通过反复试验验证，本发明的方法在对牛奶凝结过程进行检测时，准确率高达90%以上，可 以用于生产更高质量奶酪。
【附图说明】
[0040] 图1是本发明的流程示意图；
[0041] 图2是本发明的实施例的近红外光谱数据维数图；
[0042] 图3是本发明的实施例的第一批次PCl得分百分比图；
[0043] 图4是第二批次数据的修正并预测PCl得分和未经修正PCl关系图；
[0044] 图5是本发明实施例的误差率示意图。
【具体实施方式】
[0045] 下面结合实施例对本发明作进一步的说明，但并不作为对本发明限制的依据。对 本发明所做的任何形式上的变通和/或改变都将落入本发明保护范围。
[0046] 本发明的实施例：基于增量主成份分析的牛奶凝结过程实时监测方法，如图1所 示，包括以下步骤：
[0047] SI.采集多个批次的牛奶凝结过程中各个时间点的近红外光谱数据作为原始数 据；
[0048] S2.对原始数据进行标准化的预处理，得到多个批次的标准化数据；
[0049] S3.通过聚类算法将第一个批次的标准化数据进行聚类操作，生成多个聚类，并将 这些聚类标识为不同的窗口；
[0050] S4.对每个窗口中的标准化原始数据进行主成份分析，得到每个窗口内的数据载 荷，并计算出主成份得分；
[0051] S5.根据时间点的对应关系，将对下一个批次的标准化原始数据增加到各个窗口 中，并使用增量主成份分析方法对窗口中的新增数据进行修正以及预测它们的载荷和主成 份得分，并形成当前窗口的数据特征；
[0052] S6.对剩余批次的标准化数据逐个重复步骤S5 ;
[0053] S7.采集待监测的牛奶凝结过程中的近红外光谱实时数据，并以步骤S5相同的方 法将近红外光谱实时数据归类到相应窗口中，依据窗口内的近红外光谱实时数据的主成分 得分来判断当前牛奶凝结状态，并进行相应处理。e
[0054] 其具体实施时可采用如下步骤：
[0055] 本实施例使用的是牛奶凝结过程的十二批次的近红外光谱数据。
[0056] 步骤1 :数据的提取，每个批次中包含的数据结构是一个X对应一个时间点t。其 中t为牛奶凝结过程的时间，X为相对应t时间点的1557维数的近红外光谱数据。
[0057] batch1： (x n, tn), (x12, t12). . . (xln, tln)
[0058] ......
[0059] batchn： (x nl, tnl), (xn2, tn2). . . (xnn, tj
[0060] 步骤2 :对数据进行预处理，对行预处理得到X。，预处理使用标准化函数。 即
[0061]
[0062] 步骤3 :计算X。的多维欧式距离d
[0063]
[0064] 其中Χι1代表第一个点的第i维坐标，X 12代表第二个点的的第i维坐标。
[0065] 转成关于多维欧式距离的方阵A1
[0066]
[0067] 以下步骤4-7,通过聚类算法建立窗口，并计算数据的主成分得分。
[0068] 步骤4 :设定初始值i = 1，j = 1，n = I (1彡η彡k) ·其中k为A1的总列数。若 an_j彡σ (σ为设定的一个阈值），σ >〇,则原（xln，tln)放入一个窗口 WindowillKSarrj < 〇则进入步骤5,若an〃j> σ，则j = n〃, n = n〃, i = i+Ι重复本步骤。步骤4中i代 表窗口计数器，表示第i个窗口，而η和j分别表示矩阵心中行和列的坐标，决定a的位置， 取行位置变为n〃，列位置也变为η〃的a。
[0069] 步骤5 :若n〈k,则η = η+l,并返回步骤4,若n = k则进入步骤6。
[0070] 步骤6 :窗口内的数据进行主成分分析，计算得到载荷矩阵和主成分得分。
[0071] 对于WindowiR的数据X，进行如下处理
[0072] X = P Δ Qt
[0077]
[0073] F = P Δ = P Δ Qt= XQ[0074] 得到Windowi的载荷Q ;和初始时间t u和截止时间t i2、（χ1η, tln)的PCA得分F。[0075] 步骤7 :对第二批次的数据，利用增量PCA算法对载荷进行预测。[0076] 对于 batch2: (x21, t21)，（x22, t22) · · · (x2n, t2n)，若 彡 12n彡 t i2，则将