基于梯度提升树的茶叶发酵渥堆工艺控制方法技术

发明专利技术涉及茶叶渥堆工艺技术领域，尤其涉及基于梯度提升树的茶叶发酵渥堆工艺控制方法，包括有如下步骤：S1)收集数据：收集一批已知优质黑茶在渥堆工艺过程中的生产数据进行处理；并将数据库划分为训练集和测试集；通过机器学习模型的预测能力，能够有效地保持发酵程度的稳定性和品质的一致性，从而显著提升了实际生产中诸多因素造成渥堆工艺参数的变化下，黑茶发酵程度的稳定性及品质一致性。发酵程度的稳定性及品质一致性。发酵程度的稳定性及品质一致性。

【技术实现步骤摘要】
基于梯度提升树的茶叶发酵渥堆工艺控制方法


[0001]本专利技术涉及茶叶渥堆工艺
，尤其涉及基于梯度提升树的茶叶发酵渥堆工艺控制方法。

技术介绍

[0002]渥堆工艺是黑茶、包括普洱茶等在发酵制作过程中的关键环节，是形成茶色香味的关键工序，在各类茶叶种植与生产地区，这一工序依然完全依靠着人工来完成，普遍是将揉捻后的茶叶，直接堆放在地面或洁净的发酵槽中。有经验的生产师傅根据茶堆的温度和湿度、茶叶的颜色以及发酵产生的气味来分辨和掌握发酵的程度和效果。
[0003]该过程难免会受到主观因素的影响，容易出现发酵不均匀、发酵不充分或者发酵过度的现象发生。此外，发酵过程是一个化学性转变的过程，茶堆内部很多关键性因素、如相对湿度、温度，时间等因素，凭人工经验很难做到精准的控制，所以也很难保证黑茶品质的一致性。另一方面，黑茶发酵的渥堆工艺时间跨度较长，目前实际存在的不可控或突变因素就包括极端天气、电器设备故障等造成某一次渥堆工序的工艺参数变动，翻堆提前，翻堆滞后；使得整体发酵程度及品质得不到有效、有力的掌控，成为品牌在保证黑茶品质一致性的要求中的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于梯度提升树的茶叶发酵渥堆工艺控制方法，其特征在于，包括如下步骤：S1)收集数据：收集一批已知优质茶叶在渥堆工艺过程中的生产数据进行处理；并将数据库划分为训练集和测试集；S2)数据预处理：建立渥堆工艺参数与发酵程度的梯度提升树回归模型；将渥堆的工艺参数作为自变量X，发酵程度作为因变量Y；将渥堆次数作为叶节点之一，并划分为J个互不相交的区域，记为R1，R2，
…
，R
J
，J＞渥堆次数，且在每个区域上确定的常量记为C1，C2，
…
，C
J
；S3)模型训练：使用机器学习软件，导入训练集的数据至梯度提升树回归模型中，进行参数设置，机器学习软件自动开始分析并输出结果；S4)模型评估:使用测试集的数据评估已训练的模型的性能，包括如下参数：MSE：预测值与实际值之差平方的期望值；取值越小，模型准确度越高；RMSE：RMSE为MSE的平方根，取值越小，模型准确度越高；MAE：绝对误差的平均值，能反映预测值误差的实际情况；取值越小，模型准确度越高；MAPE：MAPE是MAE的变形，它是一个百分比值；取值越小，模型准确度越高；R2：将预测值与只使用均值的情况下相比，R2值越靠近1，模型准确度越高；S5)模型应用：将模型应用于渥堆工艺的控制中，流程如下：S501)渥堆预备：将茶叶输送至可控温控湿的发酵床内，通过控制器将渥堆工艺中的温度和相对湿度维持在恒定范围；根据已训练出的模型，设定茶叶发酵程度的目标值；S502)一次渥堆：在已训练模型中自变量的范围内，设置各工艺参数，包括温度、相对湿度、发酵时间；发酵时间结束后进行充分翻堆解块；S503)一次模型预测及运算：将步骤S502中设置的各工艺参数作为新的自变量输入，自变量为确定的数值，机器学习软件自动输出因变量的预测值；将该预测值与目标值进行对比，若预测值小于目标值，则进入下一次渥堆；S504)：重复上述步骤S502和S503，并在下一次模型预测及运算中将前几次各工艺参数的连续数据作为新的自变量输入；机器学习软件自动输出因变量的预测值；将该预测值与目标值进行对比，若预测值小于目标值，则进入下一次渥堆；若预测值大于或等于目标值，表示完成茶叶发酵程度的目标值，则结束渥堆工艺。2.根据权利要求1所述的基于梯度提升树的茶叶发酵渥堆工艺控制方法，其特征在于，所述训练集占数据库的70
...

【专利技术属性】
技术研发人员：周红英，雷雯雯，杨健，詹志斌，
申请(专利权)人：江西赣都生态农业有限公司，
类型：发明
国别省市：