基于大数据分析的酿酒工艺优化方法与流程

本发明涉及酿酒技术领域，具体来说涉及一种酿酒工艺优化方法。

背景技术：

浓香型白酒固态酿造工艺主要包括糖化环节、配糟环节、发酵环节和蒸馏环节，主要的流程为：粮食(如高粱)的预处理(如加温糖化等)；糖化后的粮食与大曲、糠壳以及上一轮蒸馏过的糟醅按一定的比例混合，加入到发酵池；大约经过30到45天的时间进行发酵，取出含酒精的糟醅，再与一定比例的糠壳混合后，装入酒甑；酒甑下面的底锅通入蒸汽，蒸汽自下而上穿过糟醅，把其中的酒精和香味物质提取出来，根据酒品质随蒸馏时间而异的特点，工人师傅通过看花摘酒的方法，把蒸溜出的酒进行分段，存储到不同等级的原酒储罐中(通常分为头酒、二段、三段和尾酒)；蒸馏后的糟醅经摊凉后可用于下一轮的发酵(一般6～7个循环后丢弃)；头酒和尾酒质量较差，可返回到底锅中再利用；二段、三段是生产得到的原酒；原酒经过窖藏、调酒、包装后出厂。

白酒生产是一个以生物发酵为核心、影响白酒品质的干扰因素多、周期长的间歇性生产过程。在已有生产过程机械化的基础上，增加自动化控制系统，把生产过程控制在最佳的运行状态(优化控制)，以达到提高粮食的利用率和白酒的品质，实现节能减耗，降低生产成本等预期目标(优化目标)，这是众多白酒厂的发展需求。

目前对白酒生产工艺优化的研究方法主要是针对其中的某个生产环节(如发酵环节)，通过机理建模或数值模拟仿真、或在实验室条件下进行模拟测试和分析，得到最佳的物料配比、操作条件(如发酵温度、发酵时间)等优化结果。例如，江南大学刘登峰针对农杆菌atcc31749发酵过程，提出了以溶氧浓度为关键控制变量的发酵动力学模型，并用鸟群算法对模型求解，使得发酵产物浓度最大(cn110334373a)。中国石油大学管亚南提出了一种基于神经网络的桑黄发酵实验数据优化及实验产物产量的预测方法(cn109859804a)。上述研究是局部优化方法，局部优化只能使得局部目标最优，通常达不到整个工艺生产流程的最优状态，因为单一环节的局部最优化并不等于全局优化；全局优化效果不仅需要各环节同时运行于优化操作状态之下，而且各环节的优化程度还需要相互兼顾。

上海交通大学的贾林在博士学位论文中，研究了毕氏酵母的建模与优化，通过对毕氏酵母基质代谢途径进行分析，在发酵过程中细胞平均体积没有变化等假设的基础上，建立了毕氏酵母动力学模型。该模型与生物反应器模型相结合，获得了操纵变量(补料速率)和状态变量(细胞浓度、基质浓度、蛋白浓度和发酵液体积)之间的关系，得到了甘油补料策略优化，以提高异源蛋白产量的优化目(贾林.毕氏酵母发酵过程建模和优化[d].上海交通大学,2007)。上述以机理模型和经验模型作为优化的数据求解方法是在一定的假设条件下进行的，而实际的白酒固态酿造工艺存在时间长、对象特性复杂、干扰因素多而且容易变化，机理模型和经验模型所描述的生产环节特性与实际的特性有偏差，所得到优化的结果也会偏离实际生产过程中真实的最优操作状态。

杨艳等在实验室条件下研究了黄水生物发酵的最优操作条件，得到发酵时间为8天、发酵温度35℃的结论(杨艳,张宿义等.黄水生物发酵技术研究.酿酒科技,2018no.1)。静态优化是指在某种实验条件下得到优化操作参数，然后用于生产上，相当于把特定的实验条件(粮食、工作环境)进行了人为的扩展；而在实际生产中的优化状态与原料(粮食、大曲等)种类和品质、环境温度、生产设备的运行状态、发酵环境等诸多因素相关，这些因素的变化会导致实际的优化操作点发生偏移；静态优化方法没有考虑上述因素，不能实现生产过程中的优化操作。

综上所述，目前对酿造工艺优化的研究方法存在局部对象、静态化方式、依赖于机理模型等特点，存在优化效果差的问题。

技术实现要素：

本发明旨在解决现有酿酒工艺优化方法的优化效果差的问题，提出一种基于大数据分析的酿酒工艺优化方法。

本发明解决上述技术问题所采用的技术方案是：基于大数据分析的酿酒工艺优化方法，包括以下步骤：

步骤1.获取酿酒工艺的历史参数信息，所述酿酒工艺至少包括糖化环节、配糟环节、发酵环节和蒸馏环节；

步骤2.根据所述历史参数信息分别建立用于糖化环节的rbf模型、用于配糟环节的anfis模型、用于发酵环节的ls-svm模型和用于蒸馏环节的bp神经网络模型；

步骤3.获取酿酒工艺的实时参数信息，根据所述实时参数信息基于各个模型计算酿酒工艺各个环节的参数优化结果，根据所述参数优化结果对酿酒工艺的对应环节进行变量控制。

进一步的，为实现anfis模型的建立，所述历史参数信息包括：粮食糖化后的图片信息、母糟含水量、粮食温度、母糟淀粉含量和配糟比例，所述建立用于配糟环节的anfis模型的方法包括：

获取粮食糖化后的图片信息中的灰度共生矩阵对比度特征和hsv信息；

将所述灰度共生矩阵对比度特征、hsv信息、母糟含水量、粮食温度、母糟淀粉含量作为anfis模型的输入，将所述配糟比例作为anfis模型的输出进行训练得到用于配糟环节的anfis模型。

进一步的，为提高配糟环节的优化效果，所述anfis模型分为五层，包括：模糊化层、规则推理层、归一化层、去模糊层和输出层，为每一个模糊子集定制隶属度函数ua(x，θ1)，其中，θ1＝(a1i，a2i，b1i，b2i，c1i，c2i)为前件系数，当所述隶属度函数为钟型函数时，所述模糊化层的输出公式如下：

式中，i＝1,2；

所述规则推理层的每一个节点对应一条模糊规则，用于计算每条模糊规则的激励强度，计算公式如下：

式中，i＝1,2；

所述归一化层用于对所述激励强度归一化处理，计算得到各个模糊规则输出的加权系数，计算公式如下：

所述去模糊层用于根据模糊规则中的函数f(x，r，θ2)将模糊输出转化为精确输出，其中，θ2(p，q，r)为后件参数，所述转化公式为：

所述输出层用于对去模糊层的输出结果求和，求和公式为：

进一步的，所述anfis模型的学习算法为bp和lsm混合算法，学习步骤如下：

a.固定所述前件系数进行向前传播，获得用于调整后件参数的输出，所述输出为后件参数的线性组合，方程如下：

所述方程y＝a×θ1的最小二乘解为：

θ1＝a⁺y+(i-a⁺a)z；

式中，a⁺为a的moore-penrose广义逆，z为任意实数，其极小二乘解计算公式如下：

x＝a⁺b；

b.根据所述输出调整后件参数，根据调整后件参数后的输出计算误差，将所述误差反向传播至模糊化层，使用梯度下降法更新前件参数。

进一步的，为实现rbf模型的建立，所述历史参数信息包括：糖化时间、糖化环节加水温度、配糟比例、母糟淀粉含量和入窖糟醅淀粉含量，所述建立用于糖化环节的rbf模型的方法包括：

将所述糖化时间、糖化环节加水温度、配糟比例和母糟淀粉含量作为rbf模型的输入，将所述入窖糟醅淀粉含量作为rbf模型的输出进行训练得到用于糖化环节的rbf模型。

进一步的，为提高糖化环节的优化效果，还包括：

基于历史参数信息计算所述pbf模型的模型偏差，根据所述模型偏差建立修正模型，根据所述修正模型对rbf模型进行修正。

进一步的，为实现ls-svm模型的建立，所述历史参数信息包括：糖化时间、糖化环节加水温度、发酵时间、出窖酒精浓度、丁酸丁酯浓度和乙醇浓度，所述建立用于发酵环节的ls-svm模型的方法包括：

将所述糖化时间、糖化环节加水温度和发酵时间作为ls-svm模型的输入，将所述出窖酒精浓度、丁酸丁酯浓度和乙醇浓度作为ls-svm模型的输出进行训练得到用于发酵环节的ls-svm模型。

进一步的，为对发酵环节进行参数优化，还包括：通过遗传算法对所述ls-svm模型进行寻优，获得出窖酒精浓度、丁酸丁酯浓度和乙醇浓度最大时对应的糖化时间、糖化环节加水温度和发酵时间，并将其作为参数优化结果对发酵环节进行变量控制。

进一步的，为实现bp神经网络模型的建立，所述历史参数信息包括：蒸汽流量、蒸馏时间、二段酒产出率和三段酒产出率，所述建立用于蒸馏环节的bp神经网络模型的方法包括：

将所述蒸汽流量和蒸馏时间作为bp神经网络模型的输入，将所述二段酒产出率和三段酒产出率作为bp神经网络模型的输出进行训练得到用于蒸馏环节的bp神经网络模型。

进一步的，为对蒸馏环节进行参数优化，还包括：通过粒子群算法对所述bp神经网络模型进行寻优，获得二段酒产出率和三段酒产出率最大时对应的蒸汽流量和蒸馏时间，并将其作为参数优化结果对蒸馏环节进行变量控制。

本发明的有益效果是：本发明所述的基于大数据分析的酿酒工艺优化方法，通过对白酒酿造过程的全流程优化方法，能使整个生产流程在优化状态下运行，提高了原粮的利用率和高品质酒的比例，并且通过对主要生产环节的机理模型和基于大数据的动态数值模型相结合的方法，可以识别出白酒生产流程中各主要环节的特性漂移和各种随机的干扰因素，能得到白酒生产流程中各主要关节的实际动态特性，提高了酿酒工艺的参数优化效果。

附图说明

图1为本发明实施例所述的基于大数据分析的酿酒工艺优化方法的流程示意图；

图2为本发明实施例所述的基于大数据分析的酿酒工艺优化方法的优化流程示意图。

具体实施方式

下面将结合附图对本发明的实施方式进行详细描述。

本发明所述的基于大数据分析的酿酒工艺优化方法，包括以下步骤：步骤1.获取酿酒工艺的历史参数信息，所述酿酒工艺至少包括糖化环节、配糟环节、发酵环节和蒸馏环节；步骤2.根据所述历史参数信息分别建立用于糖化环节的rbf模型、用于配糟环节的anfis模型、用于发酵环节的ls-svm模型和用于蒸馏环节的bp神经网络模型；步骤3.获取酿酒工艺的实时参数信息，根据所述实时参数信息基于各个模型计算酿酒工艺各个环节的参数优化结果，根据所述参数优化结果对酿酒工艺的对应环节进行变量控制。

本发明的优化算法在其中的优化服务器中运行，所需要的历史参数信息从mes系统获取，所需要的实时参数信息从dcs系统中获取，所产生的优化结果发送给dcs系统，作为酿酒生产过程控制参数的设定值，根据设定值进行变量控制，以提高原粮的利用率、高品质的比例(二段、三段酒的比例)和能耗，进而达到预期优化目标。其中，rbf全称radialbasisfunction，中文名称径向基函数，用于糖化环节的rbf模型就是以径向基函数作为激活函数的神经网络模型；anfis全称adaptivenetwork-basedfuzzyinferencesystem，中文名称自适应神经模糊系统，用于配糟环节的anfis模型就是将神经网络与模糊推理有机结合起来，使其本身朝着自适应、自组织、自学习的方向发展；ls-svm全称leastsquaressupportvectormachines，中文名称最小二乘支持向量机；bp(backpropagation)神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络，其算法称为bp算法，它的基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小。

实施例

本发明实施例所述的基于大数据分析的酿酒工艺优化方法，如图1所示，包括以下步骤：

步骤s1.获取酿酒工艺的历史参数信息，所述酿酒工艺至少包括糖化环节、配糟环节、发酵环节和蒸馏环节；

其中，历史参数信息从mes系统中获取，即酿酒工艺中的生产过程管理系统。

步骤s2.根据所述历史参数信息分别建立用于糖化环节的rbf模型、用于配糟环节的anfis模型、用于发酵环节的ls-svm模型和用于蒸馏环节的bp神经网络模型；

具体而言，所述历史参数信息可以包括：粮食糖化后的图片信息、母糟含水量、粮食温度、母糟淀粉含量和配糟比例，所述建立用于配糟环节的anfis模型的方法包括：

获取粮食糖化后的图片信息中的灰度共生矩阵对比度特征和hsv信息，公式为；

式中，f表示粮食糖化后的图片信息中的灰度共生矩阵对比度特征，pij为粮食糖化后的图片信息中每一种(i，j)值出现的次数。

将所述灰度共生矩阵对比度特征、hsv信息、母糟含水量、粮食温度、母糟淀粉含量作为anfis模型的输入，将所述配糟比例作为anfis模型的输出进行训练得到用于配糟环节的anfis模型。

其中。anfis模型分为五层，包括：模糊化层、规则推理层、归一化层、去模糊层和输出层，为每一个模糊子集定制隶属度函数ua(x，θ1)，其中，θ1＝(a1i，a2i，b1i，b2i，c1i，c2i)为前件系数，并根据人工经验设定参数θ的初值。常见的隶属度函数包括三角型函数、梯形函数、高斯函数、钟型函数等，当所述隶属度函数为钟型函数时，所述模糊化层的输出公式如下：

式中，i＝1,2；

所述规则推理层的每一个节点对应一条模糊规则，用于计算每条模糊规则的激励强度，即规则中每个前提条件对应模糊子集的隶属度的乘积，计算公式如下：

式中，i＝1,2；

所述归一化层用于对所述激励强度归一化处理，计算得到各个模糊规则输出的加权系数，计算公式如下：

所述去模糊层用于根据模糊规则中的函数f(x，r，θ2)将模糊输出转化为精确输出，其中，θ2(p，q，r)为后件参数，所述转化公式为：

所述输出层用于对去模糊层的输出结果求和，求和公式为：

anfis模型的学习算法为bp和lsm混合算法，学习步骤如下：

a.固定所述前件系数进行向前传播，获得用于调整后件参数的输出，所述输出为后件参数的线性组合，方程如下：

所述方程y＝a×θ1的最小二乘解为：

θ1＝a⁺y+(i-a⁺a)z；

式中，a⁺为a的moore-penrose广义逆，z为任意实数，其极小二乘解计算公式如下：

x＝a⁺b；

b.根据所述输出调整后件参数，根据调整后件参数后的输出计算误差，将所述误差反向传播至模糊化层，使用梯度下降法更新前件参数。

可以理解，所述历史参数信息还可以包括：糖化时间、糖化环节加水温度、配糟比例、母糟淀粉含量和入窖糟醅淀粉含量，所述建立用于糖化环节的rbf模型的方法包括：

将所述糖化时间、糖化环节加水温度、配糟比例和母糟淀粉含量作为rbf模型的输入，将所述入窖糟醅淀粉含量作为rbf模型的输出进行训练得到用于糖化环节的rbf模型。

对于rbf模型而言，还可以基于历史参数信息计算所述pbf模型的模型偏差，根据所述模型偏差建立修正模型，根据所述修正模型对rbf模型进行修正。进而减小参数优化误差，提高糖化环节的优化效果。

可以理解，所述历史参数信息还可以包括：糖化时间、糖化环节加水温度、发酵时间、出窖酒精浓度、丁酸丁酯浓度和乙醇浓度，所述建立用于发酵环节的ls-svm模型的方法包括：

将所述糖化时间、糖化环节加水温度和发酵时间作为ls-svm模型的输入，将所述出窖酒精浓度、丁酸丁酯浓度和乙醇浓度作为ls-svm模型的输出进行训练得到用于发酵环节的ls-svm模型。

用于发酵模型的ls-svm模型的具体建立步骤如下：

1、基于logistic方程建立动力学模型：

式中，x分别为出窖酒精浓度、丁酸丁酯浓度和乙醇浓度，s为淀粉浓度，u为生长速率，y为产率系数，umax为最大生长速率，ks为饱和系数，kip为产物抑制常数；

2、机理模型和ls-svm模型形成混合模型，混合模型最终输出为为机理模型输出，为ls-svm模型对实际值与机理模型输出的误差估计。选取为样本集，其中，xi＝x，ei表达式如下：

其中，表示上次ls-svm模型输出误差在预设范围内，表示上次ls-svm模型输出误差超过预设范围。

ls-svm模型优化问题的表达式为：

式中，ξi为偏差，r为惩罚因子，定义其拉格朗日函数如下：

式中，ai为拉格朗日乘子，由kkt条件可得：

消除变量w和ξi，可以得到下列等式：

式中，e＝[e1，e2，...，el]^t；z＝[1，1，...，1]；a＝[a1，a2，...，an]^t；

对于矩阵ω中的元素用高斯径向基核函数表示：

对于给定的r和δ可以求出ai和b的值，从而得到误差估计模型：

ls-svm模型中的惩罚因子r和核函数参数σ的选取特别重要，在实际使用中，对全样本预测误差平方和最小化为目标，基于梯度的优化算法对r和σ进行选取。

可以理解，所述历史参数信息还可以包括：蒸汽流量、蒸馏时间、二段酒产出率和三段酒产出率，所述建立用于蒸馏环节的bp神经网络模型的方法包括：

将所述蒸汽流量和蒸馏时间作为bp神经网络模型的输入，将所述二段酒产出率和三段酒产出率作为bp神经网络模型的输出进行训练得到用于蒸馏环节的bp神经网络模型。

步骤s3.获取酿酒工艺的实时参数信息，根据所述实时参数信息基于各个模型计算酿酒工艺各个环节的参数优化结果，根据所述参数优化结果对酿酒工艺的对应环节进行变量控制。

可以理解，当所有模型建立完成后，以原粮的利用率、高品质的比例(二段酒产出率和三段酒产出率)和能耗这3个综合性指标为目标，根据从dcs系统中获取的酿酒工艺的实时参数信息，并基于各个环节的模型得到各环节对应的参数优化结果，根据参数优化结果调节各环节对应的生产过程控制参数，以达到预期优化目标。

具体而言，在ls-svm模型建立完成后，可以通过遗传算法对所述ls-svm模型进行寻优，获得出窖酒精浓度、丁酸丁酯浓度和乙醇浓度最大时对应的糖化时间、糖化环节加水温度和发酵时间，并将对应的出窖酒精浓度、丁酸丁酯浓度和乙醇浓度最大时对应的糖化时间、糖化环节加水温度和发酵时间作为参数优化结果对发酵环节进行变量控制，以获得最大出窖酒精浓度、丁酸丁酯浓度和乙醇浓度。

在bp神经网络模型建立完成后，可以通过粒子群算法对所述bp神经网络模型进行寻优，获得二段酒产出率和三段酒产出率最大时对应的蒸汽流量和蒸馏时间，并将对应的蒸汽流量和蒸馏时间作为参数优化结果对蒸馏环节进行变量控制，以获得最大二段酒产出率和三段酒产出率。