预测酒糟成分的方法与流程

1.本发明涉及酒糟成分检测技术领域，特别涉及预测酒糟成分的方法。


背景技术：

2.酒糟是酿酒环节的必要产物，酒糟类物质主要是由谷物发酵而成，成分含有大量含氢基团，包含c
‑
h、s
‑
h、o
‑
h和n
‑
h等，在酒糟的发酵过程中，酒糟中水分、淀粉、酸度和糖等物质成分的含量将直接影响酒品质量，是衡量酒糟是否适宜及酒糟发酵过程是否正常的主要依据。然而酒糟是一种固液混合物，颗粒大小不一，组分分布不均，挥发十分严重，给成分分析造成了极大的困扰。
3.近年来，酒厂开始使用近红外光谱仪检测酒糟主要成分，近红外光谱仪受光源、检测器、使用方法、环境条件等影响，精度、灵敏度、稳定性、重现性、波长范围、分辨率等指标都有明显的性能降低，进而造成酒糟组分含量预测准确率低，严重的阻碍了近红外光谱检测技术在酒糟分析行业的发展。


技术实现要素：

4.本发明所解决的技术问题：提供预测酒糟成分的方法解决酒厂采用近红外光谱仪对酒糟成分检测时因红外光谱仪性能导致检测结果准确率低的问题。
5.本发明解决上述技术问题采用的技术方案：预测酒糟成分的方法包括以下步骤：
6.s01、采集酒糟样品光谱数据；
7.s02、利用模型m对光谱数据进行训练，得到水分含量；
8.s03、将所述光谱数据和水分含量组成新的数据，利用模型m1进行训练，所述模型m1用于计算淀粉含量，获得预测淀粉含量；
9.s04、将所述光谱数据和预测淀粉含量组成新的数据，利用模型m2进行训练，获得预测水分含量。
10.进一步的，模型m的建立方法包括以下步骤：
11.s201、采集多个酒糟样品光谱数据，并分别使用化学分析方法得到训练集酒糟样品的水分含量和淀粉含量；
12.s202、将水分含量作为标定值，光谱数据作为响应数据，利用步骤s201中的酒糟样品光谱数据、水分含量和淀粉含量进行数学建模，得到光谱模型m。
13.进一步的，步骤s03中所述的模型m1和步骤s04中所述的模型m2的建立方法包括以下步骤：
14.s301、采集多个酒糟样品光谱数据，并分别使用化学分析方法得到训练集酒糟样品的水分含量和淀粉含量；
15.s302、将酒糟样品的水分含量作为标定值，淀粉含量和光谱数据作为响应数据，进行数学建模，得到光谱模型m'；
16.s303、将酒糟样品的淀粉含量和光谱数据一一对应结合，组成新的数据，利用m'进
行训练，获得新的水分含量；
17.s304、将酒糟样品的淀粉含量作为标定值，新的水分含量和光谱数据作为响应数据，进行数学建模，得到光谱模型m11；
18.s305、将新的水分含量和光谱数据一一对应结合，组成新的数据，利用m11进行训练，得到新的淀粉含量；
19.s306、将水分含量作为标定值，新的淀粉含量和光谱数据作为响应数据，进行数学建模，得到光谱模型m21；
20.s307、将新的淀粉含量和光谱数据一一对应结合，组成新的数据，利用m21进行训练，获得新的水分含量；
21.s308、n次重复步骤s304至s307后，获得m1
n+1
和m2
n+1
；
22.s309、m1＝m1
n+1
，m2＝m2
n+1
。
23.进一步的，光谱数据是多个波长点上的光强数值。
24.本发明的有益效果：本发明预测酒糟成分的方法通过建立模型，计算预测值，再利用预测值与光谱数据结合建立模型，计算预测值，多次迭代，得到更加精准的数学模型，通过模型对光谱数据进行计算，获得酒糟样品水分含量和淀粉含量，降低了近红外光谱检测仪性能对预测结果的影响，解决了酒厂采用近红外光谱仪对酒糟成分检测时因红外光谱仪性能导致检测结果准确率低的问题。利用本发明，酒厂可以采用便携式近红外光谱仪对酒糟成分进行检测，其结果接近化学分析法的分析结果，本发明相比于现有技术精准度更高，成本更低。
附图说明
25.图1是本发明预测酒糟成分的方法过程示意图。
具体实施方式
26.本发明预测酒糟成分的方法通过建立模型，计算预测值，再利用预测值与光谱数据结合建立模型，计算预测值，多次迭代，得到更加精准的数学模型，降低了近红外光谱检测仪性能对预测结果的影响，包括以下步骤：
27.s01、采集酒糟样品光谱数据；
28.s02、利用模型m对光谱数据进行训练，得到水分含量；
29.s03、将所述光谱数据和水分含量组成新的数据，利用模型m1进行训练，所述模型m1用于计算淀粉含量，获得预测淀粉含量；
30.s04、将所述光谱数据和预测淀粉含量组成新的数据，利用模型m2进行训练，获得预测水分含量。
31.进一步的，模型m的建立方法包括以下步骤：
32.s201、采集多个酒糟样品光谱数据，并分别使用化学分析方法得到训练集酒糟样品的水分含量和淀粉含量；
33.s202、将水分含量作为标定值，光谱数据作为响应数据，利用步骤s201中的酒糟样品光谱数据、水分含量和淀粉含量进行数学建模，得到光谱模型m。
34.进一步的，步骤s03中所述的模型m1和步骤s04中所述的模型m2的建立方法包括以
下步骤：
35.s301、采集多个酒糟样品光谱数据，并分别使用化学分析方法得到训练集酒糟样品的水分含量和淀粉含量；
36.s302、将酒糟样品的水分含量作为标定值，淀粉含量和光谱数据作为响应数据，进行数学建模，得到光谱模型m'；
37.s303、将酒糟样品的淀粉含量和光谱数据一一对应结合，组成新的数据，利用m'进行训练，获得新的水分含量；
38.s304、将酒糟样品的淀粉含量作为标定值，新的水分含量和光谱数据作为响应数据，进行数学建模，得到光谱模型m11；
39.s305、将新的水分含量和光谱数据一一对应结合，组成新的数据，利用m11进行训练，得到新的淀粉含量；
40.s306、将水分含量作为标定值，新的淀粉含量和光谱数据作为响应数据，进行数学建模，得到光谱模型m21；
41.s307、将新的淀粉含量和光谱数据一一对应结合，组成新的数据，利用m21进行训练，获得新的水分含量；
42.s308、n次重复步骤s304至s307后，获得m1
n+1
和m2
n+1
；
43.s309、m1＝m1
n+1
，m2＝m2
n+1
。
44.进一步的，光谱数据是多个波长点上的光强数值。
45.本发明的一个实施例如下：
46.首先建立数学模型m、m1和m2，模型建立过程包括以下步骤：
47.第一步：采集k个酒糟样品光谱数据，并分别使用化学分析方法得到训练集酒糟样品的水分含量w
k
和淀粉含量s
k
；
48.具体的，将酒糟样品平整放入酒糟工装中并向下压实使得酒糟表面平整且厚度大于3厘米以便于保持测试样品拥有一定厚度并且测试面尽可能平整，进而减小样品本身给测试数据带来的误差，使用便携式近红外光谱仪对酒糟样品进行检测，多次测量取平均值作为光谱数据，因为便携式近红外光谱仪包含x个波长点，所以其近红外光谱数据实际表示为x个波长点上的光强，其检测到的光谱数据为p
k
＝{t
k1
，t
k2
，
……
t
kx
}，其中t
kx
表示第k个酒糟样品的第x个波长点上的光强。
49.第二歩：将酒糟样品的水分含量作为标定值，光谱数据作为响应数据，结合第一步中的酒糟样品光谱数据、水分含量和淀粉含量进行数学建模，得到光谱模型m；
50.具体的，模型m以光谱数据作为输入数据，水分含量作为预测数据。
51.第三歩：将酒糟样品的水分含量作为标定值，淀粉含量和光谱数据作为响应数据，进行数学建模，得到光谱模型m'；
52.具体的，模型m’以w
k
和sd
k
＝{s
k
，t
k1
，t
k2
，
…
，t
kx
}作为原始数据建立模型，其中k表示第k个酒糟样品，x表示第x个波长点上的光强，m’是以淀粉含量和光谱数据作为输入数据，其预测结果为水分含量。
53.第四步：将酒糟样品的淀粉含量s
k
和光谱数据p
k
一一对应结合，组成新的数据，利用m’进行训练，获得新的水分含量w
k1
；
54.具体的，将第k个酒糟样品的光谱数据p
k
＝{t
k1
，t
k2
，
……
t
kx
}和其通过化学分析法
得到的淀粉含量s
k
结合，组成新的数据sd
k
＝{s
k
，p
k
}＝{s
k
，t
k1
，t
k2
，
…
，t
kx
}，利用m’进行训练，获得新的水分含量w
k1
，得到所有酒糟样品的新的水分含量w
k1
，w
k1
表示第k个酒糟样品第1次预测的水分含量。
55.第五步：将酒糟样品的淀粉含量作为标定值，新的水分含量w
k1
和光谱数据p
k
作为响应数据，进行数学建模，得到光谱模型m11；
56.具体的，模型m11以s
k
和wd
k
＝{w
k
，t
k1
，t
k2
，
…
，t
kx
}作为原始数据建立模型，其中k表示第k个酒糟样品，x表示第x个波长点上的光强，m11是以水分含量和光谱数据作为输入数据，其预测结果为淀粉含量。
57.第六步：将新的水分含量w
k1
和光谱数据p
k
一一对应结合，组成新的数据，利用m11进行训练，得到新的淀粉含量s
k1
；
58.具体的，将第k个酒糟样品的光谱数据p
k
＝{t
k1
，t
k2
，
……
t
kx
}和其通过m'进行训练得到的水分含量w
k1
结合，组成新的数据wd
k
＝{w
k1
,p
k
}＝{w
k1
，t
k1
，t
k2
，
…
，t
kx
}，利用m11进行训练，获得新的淀粉含量s
k1
，s
k1
表示第k个酒糟样品第1次预测的淀粉含量。
59.第七步：将水分含量作为标定值，新的淀粉含量s
k1
和光谱数据p
k
作为响应数据，进行数学建模，得到光谱模型m21；
60.具体的，模型m21以w
k
和sd
k
＝{s
k
，t
k1
，t
k2
，
…
，t
kx
}作为原始数据建立模型，其中k表示第k个酒糟样品，x表示第x个波长点上的光强，m21是以淀粉含量和光谱数据作为输入数据，其预测结果为水分含量。
61.第八步：将新的淀粉含量s
k1
和光谱数据p
k
一一对应结合，组成新的数据，利用m21进行训练，获得新的水分含量w
k2
；
62.具体的，将第k个酒糟样品的光谱数据p
k
＝{t
k1
,t
k2
,
……
t
kx
}和其通过m11训练得到的淀粉含量s
k1
结合，组成新的数据sd
k
＝{s
k1
,p
k
}＝{s
k1
，t
k1
，t
k2
，
…
，t
kx
}，利用m21进行训练，获得新的水分含量w
k2
，w
k2
表示第k个酒糟样品第2次预测的水分含量。
63.第九歩：n次重复第五歩至第八步后，获得m1
n+1
和m2
n+1
；
64.具体的，第一次重复时，第五步中新的水分含量选用第八步中获得的w
k2
，第五歩至第八步中获得结果相应增加1。重复次数n越多，利用获得的模型m1
n+1
和m2
n+1
计算预测值准确度越高。
65.第十歩：m1＝m1
n+1
，m2＝m2
n+1
。
66.预测酒糟成分的方法，其过程如附图1所示，包括以下步骤：
67.s01、采集酒糟样品光谱数据；
68.具体的，光谱数据为p＝{t1,t2,
……
t
x
}。
69.s02、利用模型m对光谱数据进行训练，得到水分含量；
70.具体的，利用m获得的水分含量为w1。
71.s03、将所述光谱数据和水分含量组成新的数据，利用模型m1进行训练，所述模型m1用于计算淀粉含量，获得预测淀粉含量；
72.具体的，新的数据为wd＝{w1,p}＝{w1，t1，t2，
…
，t
x
}，利用m1进行训练，获得预测淀粉含量ps。
73.s04、将所述光谱数据和预测淀粉含量组成新的数据，利用模型m2进行训练，获得预测水分含量。
74.具体的，新的数据为sd＝{s1,p}＝{s1，t1，t2，
…
，t
x
}，利用m2进行训练，获得预测水分含量pw。
75.酒厂采用本发明预测酒糟成分的方法，只需要在建立模型时，通过红外光谱仪测试多个酒糟样品的光谱数据，通过化学分析法获得所有样品的水分含量和淀粉含量，模型建立完成后，只需要通过光谱数据就可以通过模型获得精准度高的水分含量和淀粉含量预测值。