本申请涉及酿酒蒸馏技术领域，具体涉及一种自动装甑的智能探汽方法。
背景技术：
装甑是指在酿酒蒸馏过程中，将酒醅装入甑桶的过程。传统上甑方法采用“探汽上甑”，即在蒸馏过程中，当酿酒师看到甑桶顶层酒醅中有酒蒸汽(白雾)即将冒出，则用撮箕在冒气处撒上一层酒醅，酒醅的铺撒要同时满足“轻、松、薄、准、匀、平”的工艺要求。通过该工艺操作，层层将甑桶铺满。
随着机械自动化在白酒酿造的方面的发展应用，利用红外探温的间接“探汽”方法取代了人工探汽，并用铺料机器人取代了人工铺料。在装甑之前，人工设定一个温度阈值，当红外探测到酒醅表面温度等于或大于预设温度阈值，则对该处酒醅执行铺料操作。
由于酒醅物料的物性、装甑工艺等存在差异，该温度阈值是动态变化的，固定的温度阈值必然不能准确反应所有上甑过程中酒蒸汽的运动状态，因此，造成了探汽不准确，进而造成跑汽或压汽现象，影响酒的产质量。
技术实现要素：
为了解决现有技术中的问题，本申请提出了一种自动装甑的智能探汽方法，能够提高探汽的准确性，准确评价酒蒸汽的运动状态，从而实现探汽的目的。
为了实现以上目的，本申请所采用的技术方案为：包括以下步骤：
1)在甑桶内侧壁沿竖直向设置若干列温度传感器，在甑桶顶部设置热成像仪和测距仪；温度传感器测量酒醅侧面温度，热成像仪测量酒醅上表面温度，测距仪测量上甑过程中甑桶中酒醅高度；
2)将酒醅表面划分为若干个表面测温区，再根据甑桶内酒醅高度，将酒醅划分为若干层，每层包括若干个温度区块；
3)利用甑桶侧壁的若干列温度传感器监测温度数据，建立酒醅侧面温度数据集；利用热成像仪监测酒醅表面温度，建立酒醅表面测温数据集；利用测距仪监测酒醅高度；并假设甑桶的各个温度区块的温度均匀分布，建立温度区块的温度数据集，根据酒醅侧面温度数据集、酒醅表面测温数据集、酒醅高度和温度区块的温度数据集建立甑桶酒醅立体温度场模型；
4)在所述甑桶酒醅立体温度场模型中，以酒醅侧面温度数据集、酒醅表面测温数据集和酒醅高度为输入变量集，温度区块的温度数据集为输出变量集；
5)建立酒醅中蒸汽-冷凝-汽化的流体模型，模拟酒醅内蒸汽运动传热过程，在所述流体模型中输入酒醅高度和温度区块的温度数据，即得到蒸汽前锋在温度区块中的分布，确定蒸汽前锋的位置。
所述甑桶内侧壁沿竖直向均布有四列温度传感器阵列，每列均布有五个温度传感器，监测温度数据集表示为：t1{t1，t2，…，t5}、t2{t1，t2，…，t5}、t3{t1，t2，…，t5}和t4{t1，t2，…，t5}。
所述方法中酒醅表面划分为n×n个测温区，酒醅表面测温数据集表示为t5{t1，t2，…，tn*n}。
所述方法中甑桶划分为n×n×i个温度区块，i为甑桶纵向划分的层数，温度区块的温度数据集表示为t6{t1，t2，…，ti*(n*n)}。
所述方法中采用机器学习算法，以酒醅侧面测温数据集、酒醅表面测温数据集和酒醅高度为输入量，以温度区块的温度数据集为输出量，建立甑桶立体温度场模型。
所述方法中采用fluent建立酒醅中蒸汽-冷凝-汽化的流体模型。
所述方法中流体模型以酒醅高度和温度区块的温度数据集为输入量，以蒸汽前锋在温度区块中的分布y{xi1，xi2,……，xij}为输出量，xij为蒸汽前锋所在温度区块中的坐标位置，i反映的是温度区块的所在层，j反映的是所在层的测温区编号，其中，j∈[1，n*n]。
所述热成像仪为红外热成像仪。
所述测距仪为超声波测距仪。
与现有技术相比，本申请在甑桶内侧壁沿竖直向设置若干列温度传感器，在甑桶顶部设置热成像仪和测距仪，温度传感器测量酒醅侧面温度，热成像仪测量酒醅上表面温度，测距仪测量上甑过程中甑桶中酒醅高度，并将酒醅表面划分为若干个测温区，再根据酒醅高度，将甑桶内酒醅划分为若干层，每层包括若干个温度区块，利用若干列温度传感器监测的酒醅侧面测温数据集、热成像仪监测的酒醅表面测温数据集、测距仪监测的酒醅高度和温度区块的温度数据集样本建立甑桶立体温度场模型。利用甑桶立体温度场模型得到温度区块的温度数据集，建立酒醅中蒸汽-冷凝-汽化的流体模型，模拟酒醅内蒸汽运动传热过程，在所述流体模型中输入酒醅高度和温度区块的温度数据，即得到蒸汽前锋在温度区块中的分布，确定蒸汽前锋的位置。本申请对甑桶进行了信息化改造，建立了甑桶立体温度场模型，能够通过酒醅侧面温度和表面温度得到深层次的立体温度场，并通过酒醅中蒸汽-冷凝-汽化的流体模型，根据温度场的变化，预测蒸汽的运动状态，相比于目前采用的表面酒醅温度来探汽，提高了探汽的准确性，准确评价了酒蒸汽的运动状态，从而实现探汽的目的，为装甑机器人提供准确的操作信息，提高了白酒生产的质量。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为甑桶边界酒醅温度测量结构示意图；
图2为酒醅表面测温区划分示意图；
图3为甑桶温度区块划分示意图；
图4为本申请的方法流程图；
其中，1-甑桶、2-温度传感器、3-热成像仪、4-测距仪、5-表面测温区、6-温度区块。
具体实施方式
下面结合具体的实施例和说明书附图对本申请作进一步的解释说明。
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
本申请的目的意在提高探汽的准确性，评价酒蒸汽的运动状态，参见图4，包括以下步骤：
1)参见图1，在甑桶1内侧壁沿竖直向设置若干列温度传感器2，在甑桶1顶部设置热成像仪3和测距仪4；温度传感器2测量酒醅侧面温度，热成像仪3测量酒醅上表面温度，测距仪4测量上甑过程中甑桶中酒醅高度；
2)参见图2，将酒醅表面划分为若干个表面测温区5，参见图3，再根据甑桶内酒醅高度，将甑桶划分为若干层，每层包括若干个温度区块6；
3)利用甑桶侧壁的若干列温度传感器2监测酒醅侧面温度，建立酒醅侧面温度数据集；利用热成像仪3监测酒醅表面温度，建立酒醅表面测温数据集；利用测距仪4监测酒醅高度h；并假设甑桶的各个温度区块的温度均匀分布，测量建立温度区块的温度数据集，根据酒醅侧面数据集、酒醅表面测温数据集、酒醅高度和温度区块的温度数据集建立甑桶立体温度场模型；
4)在所述甑桶酒醅立体温度场模型中，酒醅侧面温度数据集、酒醅表面测温数据集和酒醅高度为输入变量集，温度区块的温度数据集为输出变量集；
5)建立酒醅中蒸汽-冷凝-汽化的流体模型，模拟酒醅内蒸汽运动传热过程，在所述流体模型中输入酒醅高度和温度区块的温度数据，即得到蒸汽前锋在温度区块中的分布，确定蒸汽前锋的位置。
所述甑桶内侧壁沿竖直向均布有四列温度传感器阵列，每列均布有五个温度传感器，监测温度数据集表示为：t1{t1，t2，…，t5}、t2{t1，t2，…，t5}、t3{t1，t2，…，t5}和t4{t1，t2，…，t5}。
所述方法中酒醅表面划分为n×n个测温区，酒醅表面测温数据集表示为t5{t1，t2，…，tn*n}。
所述方法中甑桶划分为n×n×i个温度区块，i为甑桶纵向划分的层数，温度区块的温度数据集表示为t6{t1，t2，…，ti*(n*n)}。
所述方法中采用机器学习算法，以监测温度数据集、酒醅表面测温数据集和酒醅高度为输入量，以温度区块的温度数据集为输出量，建立甑桶立体温度场模型。
所述方法中采用fluent建立酒醅中蒸汽-冷凝-汽化的流体模型。
甑桶中酒醅的蒸馏过程可理解为多孔介质的热传导模型，应用fluent建立蒸汽-冷凝-汽化的流体模型。fluent的多孔介质模型中所具有的阻力的经验公式被定义为“多孔”，由于介质的粘性导致动量损失，因此，多孔介质的动量方程具有两部分附加的动量源项，一部分是粘性损失项，另一个是内部损失项。对于酒醅多孔介质，通过推导fluent标准能量输运方程来预测蒸汽和酒醅间能量的传递，而该传热过程受有效传导率影响。有效传导率由流体的热传导率和固体的热传导率的体积平均值计算得到，同时，由于酒醅在加热过程粘性逐渐增大，因此，介质的多孔性系数又是动态变化的。
通过机器学习建立的甑桶立体温度场模型预测酒培上层温度区块的温度，获得酒醅立体温度场，结合fluent建立的流体传热模型来推导得到流体的运动，即酒醅内蒸汽前锋的运动状态。所述方法中流体模型以酒醅高度和温度区块的温度数据集为输入量，以蒸汽前锋在温度区块中的分布y{xi1，xi2,……，xij}为输出量，xij为蒸汽前锋所在温度区块中的坐标位置，i反映的是温度区块的所在层，j反映的是所在层的测温区编号，其中，j∈[1，n*n]。
所述热成像仪3为红外热成像仪。
所述测距仪4为超声波测距仪。
所述温度传感器2、热成像仪3和测距仪4连接至控制系统，能够将监测数据集反馈给上位机进行存储和处理。
本申请探汽方法通过甑桶立体温度场建模，推导甑桶内酒醅深层温度分布，再通过温度分布预测蒸汽前锋运动状态，从而实现探汽的目的。在温度监测过程中，仅对甑桶的边界温度进行测量：
参见图1，温度传感器2实现立体酒醅侧面温度的接触式测量；红外热成像仪实现立体酒醅上表面温度的非接触式测量，非接触式主要避免对上甑机器人动作的干扰,；超声波测距仪实现上甑过程中甑桶中酒醅高度变化的测量，令酒醅高度为h。
甑桶侧壁温度传感器数量可根据需要进行调整，假设甑桶平均分布4列传感器阵列，每列均匀分布5个传感器，监测温度数据集分别为t1{t1，t2，…，t5}、t2{t1，t2，…，t5}、t3{t1，t2，…，t5}和t4{t1，t2，…，t5}。
参见图2，酒醅表面划分为n×n个测温区5，酒醅表面测温数据集为t5{t1，t2，…，tn*n}，测温区5的尺寸为l×w；
参见图3，根据甑桶内酒醅的高度，将甑桶均匀划分为n×n×i个温度区块6，温度区块6体积为：l×w×h，假设各温度区块的温度均匀分布，温度区块的温度集为t6{t1，t2，…，ti*(n*n)}。
参见图4，甑桶立体温度场模型建立采用机器学习算法，t1、t2、t3、t4、t5和t6作为模型建立的样本集，其中t1、t2、t3、t4、t5和h为模型的输入量，t6为输出量。
通过实验采用以上方法建立甑桶立体温度场模型，在实际应用中，当温度传感器阵列、红外热成像仪和超声波测距仪测得t1、t2、t3、t4、t5和h，带入甑桶立体温度场模型即可得t6。
再利用fluent建立酒醅中“蒸汽-冷凝-汽化的流体模型”，模拟酒醅内蒸汽运动传热过程，从而确定蒸汽前锋的位置，达到探汽的目的，输入量为h和t6，输出量为蒸汽前锋在温度区块中的分布y{xi1，xi2,……，xi(n*n)}，其中，i为甑桶纵向的层数，层高为h，每层有n*n个温度区块，输出y集合中元素根据蒸汽前锋在醅层中的位置，i的取值不同，即y集合中，i反映的是蒸汽前锋所到温度区块的所在层。
目前的方法仅采用红外热成像仪测量酒醅表面温度，人工设定一个温度阈值，当红外热成像仪探测到酒醅表面温度等于或大于预设温度阈值，则对该处酒醅执行铺料操作，该方法准确度很低；
而本申请对传统甑桶进行了信息化改造，在甑桶内侧壁沿竖直向设置若干列温度传感器，在甑桶顶部设置热成像仪和测距仪，温度传感器测量酒醅侧面温度，热成像仪测量酒醅上表面温度，测距仪测量上甑过程中甑桶中酒醅高度，可测酒醅的立体温度场；
通过划分温度区块，将酒醅表面划分为若干个测温区，再根据甑桶内酒醅高度，将甑桶划分为若干层，每层包括若干个温度区块，利用若干列温度传感器监测的酒醅侧面温度数据集、热成像仪监测的酒醅表面测温数据集、测距仪监测的酒醅高度和温度区块的温度数据集建立甑桶立体温度场模型。再利用甑桶立体温度场模型预测温度区块的温度数据集，建立酒醅中蒸汽-冷凝-汽化的流体模型，模拟酒醅内蒸汽运动传热过程，通过甑桶立体温度场建模和酒醅中“蒸汽-冷凝-汽化的流体模型的建立，推导深层立体温度场；在所述流体模型中输入酒醅高度和温度区块的温度数据，即得到蒸汽前锋在温度区块中的分布，确定蒸汽前锋的位置，通过酒醅内温度场的变化，预测酒醅内蒸汽的运动状态。
根据获取的酒醅内蒸汽的运动状态信息，反馈给铺料机器人，铺料机器人根据蒸汽的运动状态信息进行判断，自动控制在甑桶内进行铺料操作，由于本申请能够准确的预测酒醅内蒸汽的运动状态，为铺料机器人提供了可靠的预测信息，有助于铺料机器人进行精准判断操作轨迹，实现了精准化的机械自动化操作水平，减少了人为干预，提高了酒产品的质量，同时解放人力，节省了生产成本。
本申请对甑桶进行了信息化改造，能够监测酒醅的立体温度场，并划分了温度区块，建立了甑桶立体温度场模型，能够得到深层次的立体温度场，并通过酒醅中蒸汽-冷凝-汽化的流体模型，根据温度场的变化，预测蒸汽的运动状态，相比于目前采用的表面酒醅温度来探汽，提高了探汽的准确性，准确评价了酒蒸汽的运动状态，从而实现探汽的目的，为装甑工艺提供准确的操作信息，提高了酒类生产的质量。
实施例中温度传感器阵列的排布不局限于四列、每列五个，还可以根据实际需要进行排布，数量和列数均不局限，测距仪和热成像仪也可以采用其他的能够实现测距和测温的元器件，不局限于实施例中描述的类型。
通过人工智能或机器学习的方法，建立甑桶的装甑探汽、蒸馏模型，在此基础上对监测参数的改变、模型建立方法的改变，如增加其他类型或物理量的传感器等，均属于本申请的保护范畴。
需要说明的是，以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的内容，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。