基于神经网络参数优化的食品工业数据建模系统技术方案

本发明专利技术的实施方式提供一种基于神经网络参数优化的食品工业数据建模系统，包括：数据采集模块，用于获取食品工业过程的多个位点的现场生产数据，以及受所述多个位点的现场生产数据所影响的过程终点的生产结果数据；神经网络建模模块，用于构建以所述多个位点为输入参数，所述过程终点为输出参数的神经网络模型，以所述多个位点的现场生产数据及其对应的生产结果数据为训练样本，对所述神经网络模型进行训练；以及位点筛选模块，用于从训练好的神经网络模型中获取所述多个位点对应的权重系数，根据所述权重系数从所述多个位点中选择关键位点建立所述食品工业过程的模型。本发明专利技术提供的实施方式应用于食品工业数据建模中。供的实施方式应用于食品工业数据建模中。供的实施方式应用于食品工业数据建模中。

【技术实现步骤摘要】
基于神经网络参数优化的食品工业数据建模系统


[0001]本专利技术涉及大数据技术和智能工厂
，具体涉及一种基于神经网络参数优化的食品工业数据建模系统。

技术介绍

[0002]玉米是世界三大粮食作物之一，通过对玉米进行深加工可以获取淀粉、蛋白、纤维、脂肪等一系列有价值的产品。其中的淀粉产品经过进一步酶解异构，分离纯化后可以得到果葡糖浆、葡萄糖浆等淀粉糖产品，广泛应用于食品添加剂行业。
[0003]目前，湿磨法是加工玉米获得淀粉及其他副产品的主要生产方法，指在湿态下将玉米成分进行分离，利用多种物化工程加工的方法，分离各种非淀粉组分而提出淀粉的工艺过程。异构酶解法加工淀粉是生产果葡糖浆的主要方法，其原理是利用淀粉酶将淀粉水解成葡萄糖后，加入异构酶将葡萄糖转化为果糖，在经由一系列的物化工艺纯化分离，得到含有不同比例果糖和葡萄糖的糖浆。
[0004]从玉米到淀粉，再到淀粉糖的整个加工体系因其涉及较长的工艺路线，复杂的流程控制，导致产品质量不稳定、工艺成本波动、生产工况变动频繁、原料利用率偏低等一系列问题。从原料进厂开始，国内玉米经过生长发育、收货、加工、运输等环节，就会形成较大品质差异，加工厂收购玉米原料开展加工过程中，各个环节的各个工艺控制参数条件波动进一步影响产品的生产质量和运维成本。因此，有必要针对从原料到工业生产过程控制中的多种参数信息进行大数据规模的整合优化分析，从全周期的视角调整淀粉、淀粉糖的加工工艺，才能最大化提高淀粉的质量品质，实现淀粉、淀粉糖产业提质增效。
[0005]智慧工厂是现代工厂信息化发展的新阶段。在工厂普遍实现数字化监控和记录的基础上，充分挖掘数据本身包含的大量有用信息，开发利用隐藏在数据背后的潜在价值，通过建立基于大数据分析的生产管理模拟系统，帮助生产管理部门提前预测原料来源、产品需求等外界因素的变化对生产结果的影响，形成“以数据驱动决策”的全新信息化决策机制，并为下一步通过优化生产工艺实现降本增效奠定基础。
[0006]智慧工厂目的是实现“数字孪生”，通过数据和模型层面的架构反映工厂实际生产过程的信息，并根据模型层面的运算结果指导实际生产。其中模型的建立需要依赖于历史数据，运用大数据技术提取历史数据中的信息，构建数学模型。实现“数字孪生”大体可以分成以下四个步骤：
[0007]1.历史数据采集：对企业系统数据、工厂设备数据、传感器数据、手动记录数据、厂区管理数据等多方工业企业数据进行采集。
[0008]2.数据预处理：包括过滤脏数据与噪音、解决数据的多源异构、找回丢失的数据以及修正错误的数据等。同时，还要根据用途，对数据进行分割、分解、分类，为下一步的算法建模做好准备。
[0009]3、算法建模：通过智能算法对所收集并预处理完成的历史数据进行快速建模，该模型可以是描述模型、预测模型或优化模型。
[0010]4、模型应用：将已经建立的算法模型，打包成可以直接运行的软件包，并集成到生产系统中，进行实时数据的预测，完成数据智能应用的闭环。
[0011]传统的BP神经网络模型采用梯度下降法更新神经元的权值，梯度下降法对权值选取的要求较高，设置不良的话有可能使得算法陷入局部最优，无法达到更好的训练效果。

技术实现思路

[0012]本专利技术的目的是提供基于神经网络参数优化的食品工业数据建模方法及系统，其可针对多种复杂的食品工业过程，充分挖掘数据本身包含的大量有用信息，开发利用隐藏在数据背后的潜在价值，优化生产、管理和服务的食品工业基础及环境。
[0013]为了实现上述目的，本专利技术第一方面提供了一种基于神经网络参数优化的食品工业数据建模方法，包括：
[0014]获取食品工业过程的多个位点的现场生产数据，以及受所述多个位点的现场生产数据所影响的过程终点的生产结果数据；构建以所述多个位点为输入参数，所述过程终点为输出参数的神经网络模型，以所述现场生产数据及其对应的生产结果数据为训练样本，对所述神经网络模型进行训练；从训练好的神经网络模型中获取所述多个位点对应的权重系数，根据所述权重系数从所述多个位点中选择关键位点建立所述食品工业过程的模型。
[0015]优选的，在获取食品工业过程的多个位点的现场生产数据之后，所述食品工业数据建模方法还包括：对所述现场生产数据进行数据清洗；对数据清洗后的现场生产数据进行数据预处理；以及对预处理后的现场生产数据进行特征提取，特征提取后的现场生产数据用于输入至所述神经网络模型。
[0016]优选的，所述对所述现场生产数据进行数据清洗，包括：剔除所述现场生产数据中的文字描述类信息；以及将所述现场生产数据的时间间隔进行统一。
[0017]优选的，所述对数据清洗后的现场生产数据进行数据预处理，包括：筛选出数据清洗后的现场生产数据中的缺失值或异常值，对所述缺失值进行插补，对所述异常值进行删除或用插补法进行补充；以及并对所述数据清洗后的现场生产数据进行降噪处理。
[0018]优选的，所述对预处理后的现场生产数据进行特征提取，包括：采用Lasso回归法对所述预处理后的现场生产数据进行处理，得到对应的特征向量。
[0019]优选的，所述神经网络模型的权重系数的初始值通过遗传算法进行确定。
[0020]优选的，从所述训练好的神经网络模型中获取所述多个位点对应的权重系数，包括：对所述训练好的神经网络模型中的每层神经元到下一层神经元对应的权值进行归一化处理；利用Olden权值连接法将对应神经元的权值相乘并求和；进而计算出作为输入参数的多个位点相对于所述过程终点的权重系数。
[0021]在本专利技术的第二方面，还提供了一种基于神经网络参数优化的食品工业数据建模系统，包括：数据采集模块，用于获取食品工业过程的多个位点的现场生产数据，以及受所述多个位点的现场生产数据所影响的过程终点的生产结果数据；神经网络建模模块，用于构建以所述多个位点为输入参数，所述过程终点为输出参数的神经网络模型，以所述现场生产数据及其对应的生产结果数据为训练样本，对所述神经网络模型进行训练；以及位点筛选模块，用于从所述训练好的神经网络模型中获取所述多个位点对应的权重系数，根据所述权重系数从所述多个位点中选择关键位点建立所述食品工业过程的模型。
[0022]优选的，在所述数据采集模块和神经网络建模模块之间，还包括：数据清洗模块，用于对所述现场生产数据进行数据清洗；数据预处理模块，用于对数据清洗后的现场生产数据进行数据预处理；以及特征工程模块；对预处理后的现场生产数据进行特征提取，特征提取后的现场生产数据用于输入至所述神经网络建模模块。
[0023]优选的，所述对所述现场生产数据进行数据清洗，包括：剔除所述现场生产数据中的文字描述类信息；以及将所述现场生产数据的时间间隔进行统一。
[0024]优选的，所述对数据清洗后的现场生产数据进行数据预处理，包括：筛选出数据清洗后的现场生产数据中的缺失值或异常值，对所述缺失值进行插补，对所述异常值进行删除或用插补法进行补充；以及并对所述数据清洗后的现场生产数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络参数优化的食品工业数据建模系统，其特征在于，包括：数据采集模块，用于获取食品工业过程的多个位点的现场生产数据，以及受所述多个位点的现场生产数据所影响的过程终点的生产结果数据；神经网络建模模块，用于构建以所述多个位点为输入参数，所述过程终点为输出参数的神经网络模型，以所述多个位点的现场生产数据及其对应的生产结果数据为训练样本，对所述神经网络模型进行训练；以及位点筛选模块，用于从训练好的神经网络模型中获取所述多个位点对应的权重系数，根据所述权重系数从所述多个位点中选择关键位点建立所述食品工业过程的模型。2.根据权利要求1所述的系统，其特征在于，该系统还包括：数据清洗模块，用于对所述数据采集模块获取的现场生产数据进行数据清洗；数据预处理模块，用于对数据清洗后的现场生产数据进行数据预处理；以及特征工程模块，用于对预处理后的现场生产数据进行特征提取，特征提取后的现场生产数据用于输入至所述神经网络建模模块。3.根据权利要求2所述的系统，其特征在于，对现场生产数据进行数据清洗，包括：剔除所述现场生产数据中的文字描述类信息；以及将所述现场生产数据的时间间隔进行统一。4.根据权利要求2所述的系统，其特征在于，所述对数据清洗后的现场生产数据进行数据预处理，包括：筛选出数据清洗后的现场生产数据中的缺失值或异常值，对所述缺失值进行插补，对...

【专利技术属性】
技术研发人员：佟毅，李义，叔谋，刘颖慰，赵优，徐扬，赵国兴，都健，张磊，刘琳琳，董亚超，陶然，周聪聪，李明鑫，
申请(专利权)人：中粮生物科技股份有限公司大连理工大学中粮营养健康研究院有限公司，
类型：发明
国别省市：