一种啤酒口味的软测量方法技术

本发明专利技术涉及一种啤酒口味的软测量方法。目前啤酒的口味指标需要通过品酒人员主观评价，给啤酒生产给生产控制带来很大的难度。本发明专利技术方法是利用模糊综合评判技术，将啤酒口味指标进行量化处理，再采用非线性部分最小二乘方法来建立原料组分以及生产条件与啤酒口味之间的软测量模型，利用该模型进行啤酒口味预估评判，为生产控制和优化提供操作指导。该模型还可以基于新的数据对模型进行更新。本发明专利技术方法能够对啤酒口味进行实时估计，作为生产控制的参考依据，有利于提高产品质量，为啤酒生产过程的控制和优化奠定基础。

【技术实现步骤摘要】

本专利技术属于信息与控制
，涉及。
技术介绍
啤酒生产过程是一个复杂的工业系统，对自动控制要求较高。目前我国纯生啤酒 生产的自动控制基本上还依赖于进口技术。因此，如何提高我国啤酒工业的综合实力，提高 生产过程的自动化水平，提高产品的质量，积极参与国际市场竞争是一个刻不容缓的任务。 啤酒质量是由啤酒口味、色泽、泡持性、酒体清亮无混浊等特性所共同体现。啤酒的泡沫、色 泽和浊度可以通过各种化学或物理方法来测定，然而啤酒的口味指标不能通过仪表直接测 定，仅有经过培训的品酒人员才能够评价这些参数。啤酒口味主要受到啤酒原料组分影响， 而口味的不可直接测量给生产控制带来很大的难度。到目前为止，还很少有这方面的数学 模型研究，啤酒口味的鉴定仍旧需要人工进行。因此，建立啤酒口味软测量模型，对啤酒口 味进行实时估计，作为生产控制的参考依据，将有利于提高产品质量，为啤酒生产过程的控 制和优化奠定基础。
技术实现思路
本专利技术的目的就是针对啤酒生产过程中无法在线获得口味指标，从而难以为控制 和优化提供指导的难题，提供。本专利技术方法是利用模糊综合评判技术，将啤酒口味指标进行量化处理，再采用非 线性部分最小二乘(NLPLS)方法来建立原料组分以及生产条件与啤酒口味之间的软测量 模型，利用该模型进行啤酒口味预估评判，为生产控制和优化提供操作指导。该模型还可以 基于新的数据对模型进行更新，从而适应生产过程的变化，提高模型的预测性能。本专利技术的具体步骤是步骤(1)基于啤酒生产过程数据库，采用非线性部分最小二乘(NLPLS)方法，建立 啤酒口味软测量模型。具体方法是I .通过数据采集装置采集过程运行数据，将采集的过程运行数据作为数据驱动 的样本集合，表示为lx(i)，y(i)}，其中x(i)表示第i组输入数据，为所有影响啤酒口味的 因素包括各原料组分的质量百分含量，以及生产操作条件，比如温度、压力、反应时间等。 y(i)表示第i组输出数据，为构成啤酒风味的指标包括苦味、酒花香味、口感以及杀口力。 将输入数据构成输入矩阵X、将输出数据构成输出矩阵Y ；II .基于输入输出数据建立NLPLS模型。步骤如下对矩阵X和Y进行归一化处理，使之均值为0，方差为1。然后将输入矩阵进行列 扩展，扩展项为径向基函数(RBF)神经网络的隐节点输出矩阵G和元素全为1的列向量1， 其中G的每一行对应一个输入向量作用下的隐节点的输出，隐节点的偏置项系数为1 ；对如 下增广输入矩阵和输出矩阵进行部分最小二乘(PLS)回归{，Y}，得到的NLPLS模型表示为4 式中Xe表示增广输入矩阵，A和H分别为对应原始输入向量和对应RBF网络隐节 点输出向量的权值系数矩阵，b为输出偏置向量，T表示转置。NLPLS模型中的未知参数为隐节点中心向量C、相应宽度向量σ、权值系数矩阵A 与H、模型偏置向量b，这些参数按如下步骤确定①用k-means聚类算法对输入数据进行聚类，得到隐节点中心c;该算法能确定最 优的聚类中心数，同时可使聚类中心合理地分布在数据空间中；②采用ρ近邻规则计算隐节点宽度其中N为隐节点中心的个数，Ci为距离第j个隐节点中心最近的ρ个隐节点中心。③采用PLS回归确定权值系数矩阵A、H和偏置向量b 根据得到的隐节点中心和宽度计算隐节点输出矩阵G，然后对输入矩阵进行扩展， 得到增广输入矩阵。对数据对{，Y}进行PLS回归，得到PLS模型参数 矩阵{T，W，P，B，Q}。为了在后面的模型更新中保留所有的信息，提取特征变量个数等于增 广输入矩阵的秩，而最终用于预测的模型所保留的特征向量个数a采用交叉校 验法确定，得到的参数矩阵记为{Ta，ffa, Pa, Ba, Qa}，由它们计算出PLS回归系数矩阵β， 从而得到Α，H和b。步骤(2)对于新的批次，应用已经建立的NLPLS模型对啤酒口味进行预估分析，为 生产操作提供指导将新批次的组分配比系数及生产条件参数传送给NLPLS模型，预估出 该批次的啤酒口味指标。步骤(3)当新的批次结束后，利用新数据结合原来的NLPLS模型，采用递推算法对 模型进行更新，从而使模型可以不断采纳新的信息，适应过程的变化。具体步骤如下a.记新得到的批次的输入输出数据分别为Xl和Yl (可以为一个批次的数据，也可 以为积累多个批次的数据)，且不含异常点。首先采用与步骤(1)中一样的方法对新数据进 行数据预处理。b.判断是否增加新的隐节点如果新数据Xl与现有的RBF网络隐节点中心的距离大于设定值，则加入新的隐节 点；记新的隐节点中心矩阵为Cgmw，相应的宽度向量为σ gMW，对原有的隐节点中心矩阵Cg、 相应的宽度向量Qg和负荷矩阵P进行如下扩展 如果Xl与现有的RBF网络隐节点中心的距离小于等于设定值，则不需要增加隐节 点，Cg、保持不变；c.将Xl扩展为XeI = ，其中Gl为隐节点对于Xl的输出矩阵， ，对数据对{XE，Y}进行PLS回归，得到新的NLPLS模型沐,,力一吣{!；\￥, ,；8,(3};然后按照步骤(1)中步骤③的方法计算权值系数矩阵A、H和 偏置向量b ；d.得到新的模型后，返回步骤(2)，将其用于新获得的批次的数据。本专利技术提出的基于递推非线性部分最小二乘的啤酒口味软测量方法，能够对啤酒 口味进行实时估计，作为生产控制的参考依据，有利于提高产品质量，为啤酒生产过程的控 制和优化奠定基础。具体实施例方式，具体步骤是步骤(1)基于啤酒生产过程数据库，采用非线性部分最小二乘(NLPLS)方法，建立 啤酒口味软测量模型。具体方法是I .通过数据采集装置采集过程运行数据，将采集的过程运行数据作为数据驱动 的样本集合，表示为lx(i)，y(i)}，其中x(i)表示第i组输入数据，为所有影响啤酒口味的 因素包括各原料组分的质量百分含量，以及生产操作条件，比如温度、压力、反应时间等。 y(i)表示第i组输出数据，为构成啤酒风味的指标包括苦味、酒花香味、口感以及杀口力。 将输入数据构成输入矩阵X、将输出数据构成输出矩阵Y ；II .基于输入输出数据建立NLPLS模型。步骤如下对矩阵X和Y进行归一化处理，使之均值为0，方差为1。然后将输入矩阵进行列 扩展，扩展项为径向基函数(RBF)神经网络的隐节点输出矩阵G和元素全为1的列向量1， 其中G的每一行对应一个输入向量作用下的隐节点的输出，隐节点的偏置项系数为1 ；对如 下增广输入矩阵和输出矩阵进行部分最小二乘(PLS)回归{，Y}，得到的NLPLS模型表示为 式中XE表示增广输入矩阵，A和H分别为对应原始输入向量和对应RBF网络隐节 点输出向量的权值系数矩阵，b为输出偏置向量，T表示转置。NLPLS模型中的未知参数为隐节点中心向量c、相应宽度向量o、权值系数矩阵A 与H、模型偏置向量b，这些参数按如下步骤确定 ①用k-means聚类算法对输入数据进行聚类，得到隐节点中心c。②采用P近邻规则计算隐节点宽度其中N为隐节点中心的个数，Ci为距离第j个隐节点中心最近的p个隐节点中心。 ③采用PLS回归确定权值系数矩阵A、H和偏置向量b :根据得到的隐节点中心和宽度计算隐节点输出矩阵G，然后对输入矩阵进行扩展，6得到增广输入矩阵。对数据对{，Y}进行PLS回归，得到PLS模型参 数矩阵{T，W，P，B，本文档来自技高网...

【技术保护点】
一种啤酒口味的软测量方法，其特征在于该方法的具体步骤是：步骤（１）基于啤酒生产过程数据库，采用非线性部分最小二乘方法，建立啤酒口味软测量模型，具体方法是：Ⅰ．通过数据采集装置采集过程运行数据，将采集的过程运行数据作为数据驱动的样本集合，表示为｛ｘ（ｉ），ｙ（ｉ）｝；其中ｘ（ｉ）表示第ｉ组输入数据，为所有影响啤酒口味的因素：包括各原料组分的质量百分含量，以及生产操作中的温度、压力、反应时间；ｙ（ｉ）表示第ｉ组输出数据，为构成啤酒风味的指标：包括苦味、酒花香味、口感和杀口力；将输新数据进行数据预处理；ｂ．判断是否增加新的隐节点：如果新数据Ｘ１与现有的径向基函数神经网络隐节点中心的距离大于设定值，则加入新的隐节点；记新的隐节点中心矩阵为Ｃ↓［ｇｎｅｗ］，相应的宽度向量为σ↓［ｇｎｅｗ］，对原有的隐节点中心矩阵Ｃ↓［ｇ］、相应的宽度向量σ↓［ｇ］和负荷矩阵Ｐ进行如下扩展：＊＊＊如果Ｘ１与现有的径向基函数神经网络隐节点中心的距离小于等于设定值，Ｃ↓［ｇ］、σ↓［ｇ］和Ｐ保持不变；ｃ．将Ｘ１扩展为Ｘ↓［Ｅ］１＝［１Ｘ１Ｇ１］，其中Ｇ１为隐节点对于Ｘ１的输出矩阵，令＊＊＊，对数据对｛Ｘ↓［Ｅ］，Ｙ｝进行部分最小二乘回归，得到新的非线性部分最小二乘模型：｛Ｘ↓［Ｅ］，Ｙ｝＊｛Ｔ，Ｗ，Ｐ，Ｂ，Ｑ｝；然后按照步骤（１）中步骤③的方法计算权值系数矩阵Ａ、Ｈ和偏置向量ｂ；ｄ．得到新的模型后，返回步骤（２），将其用于新获得的批次的数据。入数据构成输入矩阵Ｘ、将输出数据构成输出矩阵Ｙ；Ⅱ．基于输入输出数据建立非线性部分最小二乘模型；步骤如下：对矩阵Ｘ和Ｙ进行归一化处理，使之均值为０，方差为１；然后将输入矩阵进行列扩展，扩展项为径向基函数神经网络的隐节点输出矩阵Ｇ和元素全为１的列向量１，其中Ｇ的每一行对应一个输入向量作用下的隐节点的输出，隐节点的偏置项系数为１；对如下增广输入矩阵和输出矩阵进行部分最小二乘回归：｛［１ＸＧ］，Ｙ｝，得到的非线性部分最小二乘模型表示为：＊＝ＸＡ＋ＧＨ＋１ｂ↑［Ｔ］＝［１ＸＧ］［＊＊＊］＝Ｘ↓［Ｅ］β式中Ｘ↓［Ｅ］表示增广输入矩阵，Ａ和Ｈ分别为对应原始输入向量和对应径向基函数神经网络隐节点输出向量的权值系数矩阵，ｂ为输出偏置向量，Ｔ表示转置；非线性部分最小二乘模型中的未知参数为隐节点中心向量ｃ、相应宽度向量σ、权值系数矩阵Ａ与Ｈ、模型偏置向量ｂ，这些参数按如下步骤确定：①用ｋ－ｍｅａｎｓ聚类算法对输入数据进行聚类...

【技术特征摘要】

【专利技术属性】
技术研发人员：葛铭，李春富，郑小青，魏江，郑松，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：86[中国|杭州]