一种具有智能预测补偿器的粮食发酵过程温度场自动控制系统与方法技术方案

一种具有智能预测补偿器的粮食发酵过程温度场自动控制系统与方法，包括基于RNN模型的温度智能补偿器，在发酵罐温度控制系统中，向所述智能预测补偿器输入发酵罐体的实测温度数据，所述智能预测补偿器输出控制信号给后端加温或冷控制阀门，所述智能预测补偿器采用深度学习算法实现在人工控制经验的基础上不断优化发酵罐的温度控制策略，累积一定控制数据后，本发明专利技术的智能温度补偿器能够稳定控制罐体温度，消除了传统控制技术中滞后、超调等失稳现象，控制稳定性高。

An automatic control system and method of temperature field in grain fermentation process with intelligent predictive compensator

【技术实现步骤摘要】
一种具有智能预测补偿器的粮食发酵过程温度场自动控制系统与方法
本专利技术涉及一种具有智能预测补偿器的粮食发酵过程中的温度场的自动控制，是一种生物发酵罐的控制技术。
技术介绍
生物发酵是调味品生产的关键工艺，微生物群的新陈代谢活动，将不同的物质进行分解、转化、合成，生成人们所需要的代谢产物。发酵过程是一个非常复杂的生化反应过程，其中的关键细节尚不为人所知，根据已有的知识和经验，发酵温度的变化对发酵工艺的影响至关重要。发酵过程的温度变化伴随着发酵生化反应本身的吸热与放热反应以及发酵罐周边温湿度、风场、光场、气压的综合作用而变化。罐体的温度反应的是上述综合作用的结果，滞后于发酵生化反应，更无法准确反应罐体中心部位的温度情况，因此，基于现有测量手段的局限性，所获得的温度数据与发酵生化反应的实时温度相比不仅是滞后的也是多因素综合后的宏观反映。这种事实，迫使发酵罐的温度控制依然比较依赖人工经验。传统的自动化控制，特别是根据既定程序的控制不易适应发酵过程的变化，实施的温控总是滞后于发酵生化反应，实际应用的结果表明，使用传统既定程序策略的控制只能减少人工操作的体力，难以提高发酵品质，达不到令人满意的控制效果，经常会出现系统性的响应滞后或超调，不能迅速地达到平稳状态，甚至出现反复振荡的现象。
技术实现思路
本专利技术的目的在于提供一种具有智能预测补偿器的粮食发酵过程温度场自动控制系统与方法，作为对传统方法的改进，实现了发酵罐内整个发酵过程的实时自适应在线控制，能够根据环境工况的变化结合已有经验，对罐体未来的温度控制做出预判，以达到控制温度满足发酵生化反应实时所需温度的要求。为了达成本专利技术的上述目的，本专利技术的方法如下。一种具有智能预测补偿器的粮食发酵过程温度场自动控制方法，包括基于RNN模型的温度智能补偿器，在发酵罐温度控制系统中，向所述智能预测补偿器输入发酵罐体的实测温度数据，所述智能预测补偿器输出控制信号给后端加温或冷控制阀门，所述智能预测补偿器的深度学习模型按以下步骤实施：a.建立深度学习时间序列RNN网络，该结构网络数学模型在t时刻的最终输出如以下公式，ht＝Uxt+Wst-1st＝f(ht)ot＝g(Vst)其中W、U、V分别为网络要优化的权重系数；b.基于反向传播的网路权重系数的优化，通过误差总和，利用梯度下降法进行优化；c.利用已经测量获得温度场的发酵测量温度s与温度调节控制阀门的行为输入x，实现对网路的学习与优化；所述智能预测补偿器的对控制行为的预测按如下步骤实施：d.建立强化学习模型；利用强化学习模型实现发酵罐温度调节阀门的优化控制；强化学习模型的几个关键要素分别是Agent，Environment，Reword简称r,Action简称a,State简称s.e.建立Q-table，Q-table的行和列分别表示state(s)和action(a)的值，Q-table的值Q(s,a)，Q(s,a)衡量当前state(s)采取action(a)到底有多好；Q(s,a)的值由上一步中基于RNN网路学习的智能预测器的预测结果来判断和决定；f.在训练的过程中，采用BellmanEquation去更新Q-table，为折扣系数；不断循环更新Q-table，直到Q-table的值的变化小于给定的临界值为止；g.根据最优的Q-table值，选择最优调节温度场阀门的控制策略，实现对发酵罐温度的准确调控。本专利技术的系统如下。一种具有智能预测补偿器的粮食发酵过程温度场自动控制系统，由智能预测补偿器，阀门执行机构，流量调节阀，发酵罐组成，还具有角位移传感器检测流量调节阀的角位移并将检测结果反馈给所述执行机构，还具有温度传感器检测所述发酵罐的温度并将检测结果反馈给所述智能预测补偿器；所述智能预测补偿器是根据本专利技术方法配置的具有RNN深度学习模型德智能预测补偿器。本专利技术采用具有RNN深度学习的智能温度补偿器，可以导入人工控制温度的经验数据，通过实施监测发酵罐的温度，在人工控制经验的基础上不断优化发酵罐的温度控制策略，累积一定控制数据后，本专利技术的智能温度补偿器能够稳定控制罐体温度，消除了传统控制技术中滞后、超调等失稳现象，控制稳定性高。附图说明图1是本专利技术实施例发酵罐温度测量控制布局图；图2是本专利技术实施例的控制系统图；图3是本专利技术实施例的RNN结构图；图4是本专利技术实施例的隐藏层展开图。具体实施方式如图1所示，搭建本实施例的发酵罐温度测量控制布局，在发酵罐上设置三个测温点，对应设置三个冷却模块，所述冷却模块包括冷却套和流量阀以及安装在流量阀上的阀门执行机构，所述冷却模块采用的冷媒为25℃以下的水。如图2所示建立本实施例控制系统。如图3所示，建立深度学习时间序列RNN网络。其中隐藏层的层级展开图结构如图4所示，该结构网络数学模型在t时刻的最终输出如以下公式，ht＝Uxt+Wst-1st＝f(ht)ot＝g(Vst)其中W、U、V分别为网络要优化的权重系数；基于反向传播的网路权重系数的优化，通过误差总和，利用梯度下降法进行优化；利用已经测量获得温度场的发酵测量温度s与温度调节控制阀门的行为输入x，实现对网路的学习与优化。智能预测补偿器的对控制行为的预测按如下步骤实施：建立强化学习模型；利用强化学习模型实现发酵罐温度调节阀门的优化控制；强化学习模型的几个关键要素分别是Agent，Environment，Reword简称r,Action简称a,State简称s。建立Q-table，Q-table的行和列分别表示state(s)和action(a)的值，Q-table的值Q(s,a)，Q(s,a)衡量当前state(s)采取action(a)到底有多好；Q(s,a)的值由上一步中基于RNN网路学习的智能预测器的预测结果来判断和决定。在训练的过程中，采用BellmanEquation去更新Q-table，为折扣系数。不断循环更新Q-table，直到Q-table的值的变化小于给定的临界值为止。g.根据最优的Q-table值，选择最优调节温度场阀门的控制策略，实现对发酵罐温度的准确调控。通过本实施例的以上系统和方法，在生产过程中常态化执行，能够实现发酵系统的实际测量温度达到与发酵要求的工艺目标温度的一致性，除了传统控制技术中滞后、超调等失稳现象，控制稳定性高。本文档来自技高网...

【技术保护点】
1.一种具有智能预测补偿器的粮食发酵过程温度场自动控制方法，包括基于RNN模型的温度智能补偿器，在发酵罐温度控制系统中，向所述智能预测补偿器输入发酵罐体的实测温度数据，所述智能预测补偿器输出控制信号给后端加温或冷控制阀门，其特征在于，所述智能预测补偿器的深度学习模型按以下步骤实施：/na.建立深度学习时间序列RNN网络，该结构网络数学模型在t时刻的最终输出如以下公式，/nh

【技术特征摘要】
1.一种具有智能预测补偿器的粮食发酵过程温度场自动控制方法，包括基于RNN模型的温度智能补偿器，在发酵罐温度控制系统中，向所述智能预测补偿器输入发酵罐体的实测温度数据，所述智能预测补偿器输出控制信号给后端加温或冷控制阀门，其特征在于，所述智能预测补偿器的深度学习模型按以下步骤实施：
a.建立深度学习时间序列RNN网络，该结构网络数学模型在t时刻的最终输出如以下公式，
ht＝Uxt+Wst-1
st＝f(ht)
ot＝g(Vst)
其中W、U、V分别为网络要优化的权重系数；
b.基于反向传播的网路权重系数的优化，通过误差总和，利用梯度下降法进行优化；
c.利用已经测量获得温度场的发酵测量温度s与温度调节控制阀门的行为输入x，实现对网路的学习与优化；
所述智能预测补偿器的对控制行为的预测按如下步骤实施：
d.建立强化学习模型；利用强化学习模型实现发酵罐温度调节阀门的优化控制；强化学习模型的几个关键要素分别是Agent，Environment，Reword简称r,Action简称a,Sta...

【专利技术属性】
技术研发人员：毕德学，李亚，丁彦玉，吕文，石磊，程鹏，
申请(专利权)人：天津科技大学，天津市利民调料有限公司，
类型：发明
国别省市：天津;12