CN105259827A - 一种固态发酵过程状况的实时监控系统与监控方法 - Google Patents

Abstract

本发明涉及一种固态发酵过程状况的实时监控系统与监控方法，属于生物工程检测技术领域；本发明所述系统包括固态发酵过程参数的采集模块、专家决策系统和反馈控制模块，其中固态发酵过程参数的采集模块用于采集发酵过程中的关键变量数据，并传递给专家决策系统；专家决策系统用于分析数据信息的可靠性和测量误差，判断发酵池中发酵状态是否正常，将判断结果信息传递到反馈控制模块；反馈控制模块根据判断结果产生控制信号，执行装置按控制信号信息调整发酵参数，最终实现固态发酵过程中的自动化监测；本发明即实现监测又实现反馈控制，以解决固态发酵产品质量不稳定、产品批次间差异较大等问题，保证固态发酵的质量。

Description

一种固态发酵过程状况的实时监控系统与监控方法

技术领域

本发明涉及一种固态发酵过程状况的实时监控系统与监控方法，属于生物工程检测技术领域。

背景技术

固态发酵是我国酿造行业的主要生产方式，如在白酒、食醋、酱油等领域占据重要的地位。然而，传统的固态发酵产品的生产在我国还处于传统的手工作坊式，生产工艺和过程参数的控制仍主要依靠人工经验和抽样理化指标的检测支撑，生产方式一般为开放式，比较粗狂，并且目前对于菌体、基质和产物浓度等关键参数的在线测量技术匮乏，很难使用合适的数学模型去描述复杂的生物反应过程，另外在固态发酵过程中主要微生物往往在生长环境适宜的局部环境繁殖、发酵活动活跃，并引起局部温度过高、基质板结或坏醅等发酵异常问题，温度、酒精度以及含氧量等是发酵过程中主要的影响影响因素。它们的不正常变化可使得我国固态发酵产品存在质量不稳定、产品质量一致性难以维持、主要指标批次间差异大等，使得难以有效保障发酵产品的品质，受到严峻的市场挑战。

现有技术中，尚无对固态发酵过程温度、含氧量、湿度等状态参数进行全面准确监测的系统。因此，开发一种实时监测固态发酵过程的在线监测系统，利用现代传感器技术实时监控固态发酵状况，及时发现发酵过程中局部温度过高、酒精度偏低、含氧量过低以及湿度过高或过低等问题，实时将结果反馈至控制系统，能在过程出错或超过设定的界限时发出警告，是维持固态发酵产品质量稳定、减少主要指标批次间差异大等问题的当务之急。然而目前的固态发酵监测装置(专利号201410572750.6)主要侧重于监测，没有反馈控制系统，还有主要是应用于发酵罐中的检测控制装置(专利号：201320022977.4、200910152732.1)，应用于食醋开放式固态发酵装置的尚未有报道。

因此，开发一种实时监测固态发酵过程的在线监测系统，利用现代传感器技术实时监控固态发酵状况，及时发现发酵过程中局部温度过高、酒精度偏低、含氧量过低以及湿度过高或过低等问题，实时将结果反馈至控制系统，能在过程出错或超过设定的界限时发出警告，是维持固态发酵产品质量稳定、减少主要指标批次间差异大等问题的当务之急。

发明内容

为了克服上述现有问题，本发明提供一种实时监测固态发酵过程的在线监控系统和反馈方法。本发明利用现代监测手段，实现对开放式固态发酵过程的自动化监测。

本发明所采用的技术方案为：

本发明首先提供一种固态发酵过程状况的实时监控系统，所述系统包括固态发酵过程参数的采集模块、专家决策系统和反馈控制模块，其中所述固态发酵过程参数的采集模块包括分布式在线传感器和数据采集控制模块，分布式在线传感器用于采集发酵过程中的关键变量数据，并将采集到的数据信息通过数据采集控制模块传递给专家决策系统；所述专家决策系统用于分析数据信息的可靠性和测量误差，判断发酵池中发酵状态是否正常，将判断结果信息传递到反馈控制模块；反馈控制模块根据判断结果产生控制信号，执行装置按控制信号信息调整发酵参数，最终实现固态发酵过程中的自动化监测。

其中所述多个分布式在线传感器构成分布式传感器网络，分布式传感器网络测量的当前监测区域的信息，通过n(n>1)级跳转，将采集得到的信息转换成电压信号，再经过A/D转换成数字信号由单片机读取信息传送到计算机。

所述的数据采集控制模块是以单片机为核心的控制模块，主要执行数据的采集和传输，数据的分析和处理则有计算机完成，单片机和计算机之间通过接线方式灵活、多点间通讯以及适用于远距离传输数据的RS485串行数据标准进行数据交换。

所述的反馈控制模块是一种综合智能控制技术模块，使用闭环反馈控制系统。

本发明还提供一种固态发酵过程状况的实时监控方法，所述方法是通过上述的监控系统实现的，具体监控方法如下：

S1.多个分布式在线传感器构成分布式传感器网络，分布式传感器网络将测量的当前监测区域的信息，通过n(n>1)级跳转，将采集得到的信息转换成电压信号，再经过A/D转换成数字信号由单片机读取信息传送到计算机，即它将采集到的关键变量数据，如发酵过程中的温度、湿度、氧含量、pH值以及酶活性等影响发酵的重要指标参数通过数据采集控制模块传送到计算机；

S2.利用数据采集控制模块将采集到的信号通过信号放大器进行放大，利用专家决策系统分析数据的可靠性和测量误差，通过数据采集控制模块中单片机读取发酵池的位置信息；

S3.将发酵池的发酵信息、位置信息以及时间信息等依据专家决策系统中知识库的存储数据判断其是否在正常发酵，若固态发酵是正常发酵，则反馈控制模块中的绿色警号灯亮起，若由于采集设备或其他硬件、软件发生错误时，则反馈控制模块中的黄灯亮起；若固态发酵出现异常，如发酵基质板结或者局部温度过高等，则反馈控制模块中红灯亮起提醒相关人员，并自动启动翻醅机等采取相应的措施，实现固态发酵过程中的自动化监测。

其中，步骤S1中所述的分布式在线传感器是由大量传感器以多跳和自组织的方式构成节点，这些节点分布在不同的区域，独立地完成传感器数据的采集和处理，形成自组网络，将采集的信息通过转换后传送到计算机。

其中，步骤S1中所述固态发酵过程参数的采集模块还包括软传感器，所述软传感器主要监测缺乏快速、可靠和准确在线测量装置的关键指标，用可测量的指标建立一定的关联去估算或推导不可测量的重要指标，如代谢产物生产速率R_i，prodn以及菌浓C_x等指标，从一般变量(如DO或CER)建立的数学模型来关联估算这些变量。

其中，步骤S2中所述的专家决策系统是由模糊逻辑控制和人工神经网络系统相结合形成的一个优势互补的系统；主要包括知识库、推理机制、人机接口、人工神经网络4个模块，所述知识库用于保存输入的专家知识，主要包括来自发酵现场或生产实际过程中获取的生产规则，按照一定算法，把规则集翻译为神经网络结构；所述推理机制是一个数值计算过程，它根据提供的发酵信息，有温度、孔隙率、氧含量以及投料比等指标给人工神经网络输入层进行赋值，将输出结果转换为便于理解的逻辑概念或者特定动作；所述人机接口主要是便于人机对话，该人机对话方式便于知识的添加、修改和维护，便于查询推理的历史和实时运行状态，准确显示专家系统的决策结果。其中所述的模糊逻辑控制是依据模糊逻辑推理对不确定信息进行有效推理控制，将发酵过程中熟练工人的经验和固态发酵领域专家总结的模糊控制规则，并以此为依据由计算机实施控制。

其中，步骤S3中所述人工神经网络是由神经网络和模糊逻辑串联形成3个模块、5个层次的人工神经网络结构；

其中所述3个模块分别为：前模块为模糊逻辑，实现输入模糊化；中间模块为BP神经网络模块，实现数据的分析和处理；后模块为反模糊逻辑，实现清晰化；其中一个计算单元就是一个典型的网络，连结上赋有权值，每个计算单元都具有一个输入函数f，负责把所有的输入信息组合起来作为该单元的一个总的输入：

$net\_input=f\left(u_1^k,u_2^k,\mathrm{...}{u}_p^k;w_1^k,w_2^k,\mathrm{...}{w}_p^k\right)$

其中k为层号，每个结点的第二个动作便是输出活性值：

output＝a(f)，其中a为活性函数，输入函数和输出活性函数的标准形式分别是：和a＝1/(1+e^-f)；

其层次结构为：

A.第1层为输入层，将固态发酵过程的不同阶段的重要理化指标作为输入层进入网络；

B.第2层为模糊输入层(BP输入层)，通过模糊集合将隶属函数确定为正态分布型，实现固态发酵状况转化为以此隶属度表示的模糊向量，那么每个结点的输出函数便是这个模糊集合的隶属函数，即

f＝-(u_i-m_ij)²/e_ij和a＝e^f

其中m_ij和e_ij分别是每个隶属函数的中心和宽度，其中固态发酵过程的隶属度函数是依据专家实际经验并结合神经网络给出模糊信息或相应权系数来确定的，它利用神经网络的学习能力，从采集的历史数据中通过学习自动产生隶属函数和规则。

C.第3层为BP隐含层，用于实现BP输入层到输出层的映射；

D.第4层为模糊输出层，输出模糊化的数值，任一节点代表一种发酵状况，其值代表发酵异常存在的可能性程度；

E.第5层为清晰化层，实现清晰化，相当于逆模糊化的作用，按照区域中心的逆模糊方法，则 $f={\mathrm{\Σ}}_{i=1}^R{w}_{\mathrm{ij}}{u}_i={\mathrm{\Σ}}_{i=1}^R\left(m_{\mathrm{ij}}{e}_{\mathrm{ij}}\right)u_i$ 和 $a=f{\mathrm{\Σ}}_{i=1}^R{e}_{\mathrm{ij}}{u}_i,$ 在从左至右传递模式中，该层节点的作用与第一层完全一样，则f＝y_i和a＝f，最后根据隶属度最终确定发酵状况。

本发明的有益效果是：

本发明利用现代分布式传感器和控制技术，实现固态发酵的智能化监测，通过固态发酵的各个环节进行实时监控，能及时掌握固态发酵状况，发出警告或作出相应反应，该监控系统的建立既实时监控固态发酵状况，并根据监测情况采取相应的措施，减少坏醅或臭醅的出现，又保留了传统的发酵操作工艺，而使固态发酵中微生物的正常活动不受影响。以解决固态发酵产品质量不稳定、产品批次间差异较大等问题，保证固态发酵的质量。

现有的发酵过程监控主要局限于监测系统和翻醅操作，没有相应的反馈控制系统。而本发明即实现监测又实现反馈控制，以解决固态发酵产品质量不稳定、产品批次间差异较大等问题，保证固态发酵的质量。

附图说明

图1为本发明固态发酵过程监控系统的结构示意图，图中：1：发酵池，2：分布式在线传感器，3：分布式在线传感器节点，4：专家决策系统，5：反馈控制模块，6：信号灯。

图2专家决策系统结构图。

图3为固态发酵过程中专家决策系统中人工神经网络系统拓扑结构。

具体实施方式

下面通过具体的实施实例对本发明进一步说明，对于本领域的普通技术人员来说，在不脱离本发明的前提下，还可以做出若干变型和改进，这些均属于该发明的保护范围。本发明通过对发酵前所采用的原料、醋醅种子的基础理化指标和生化指标的检测，将其作为输入量输入预测系统。

(1)在镇江香醋固态发酵过程进行发酵前，首先对接种所采用的醋醅及生料理化指标使用化学方法进行检测，获取稻糠、麸皮以及酒醪的投料比，检测孔隙率、酶活性等，所获取的理化指标的结果作为监控系统的输入量，用来预测醋醅的发酵状况。

(2)通过分布式在线传感器2在线实时检测固态发酵过程中温度、水分、酸度以及含氧量等重要理化指标，即将传感器多方位实时监控，从表层到中下层，在横向和纵向不断扩展传感器所在的区域，以期全方位实时掌控醋醅的发酵过程，然后将信息通过分布式传感器节点和采集控制模块汇聚到专家决策系统4进行数据分析，通过反馈控制模块5实时掌握醋醅的发酵状况。

(3)在反馈控制系统5收到专家决策系统4发出的信号后，产生控制信号，启动翻醅机等执行装置按控制信号调控信号灯6，当发酵正常时，绿灯亮起，当出现发酵异常时，红灯亮起，并启动受控对象智能翻醅机以及自动补给装置(补给水管、补给发酵醅料等)等调控固态发酵，反馈系统一直反馈信号，直到传感器监测到正常发酵的信息，绿灯亮起，发酵正常进行。

如图1所示的一种固态发酵过程监控系统，将其部署在镇江恒顺香醋固态发酵过程中，用来监控镇江香醋的固态发酵过程。主要包括固态发酵过程参数的采集模块、专家决策系统和反馈控制模块等3部分组成。

固态发酵过程参数的采集模块包括分布式在线传感器2和数据采集控制模块，其中分布式在线传感器2采用了无线通信方式多跳自组织网络，一般分为节点部分和网络部分，图1分布式在线传感器节点3，节点部分作用主要是将相应的传感器测量的信号经汇聚并将信息转换成电压信号，再经过A/D转换成数字信号由单片机读取信息后发送至网络，为了保证连续性，节点要有持续的能量供给。它具有较强的信息采集、数据处理和无线通信能力。网络部分是集成信息传送、监测、控制以及网线通信网络系统，它将节点部分的数据汇聚，并传送给专家决策系统4。即节点主要由温度、湿度、pH值、总酸以及不挥发酸等理化指标的相应传感器监测组成，将采集的信息经过电压信号和A/D转换后传到单片机中，单片机将处理后的数据发送出去，这样就构成了无线传感器在固态发酵过程中一个监测节点。多个节点按照一定的网络协议组建相应的网络，从而使不同地方的环境监测的数值经过多跳自组织后传到汇聚节点，并最终到达终端进行监控。

如图2是专家决策系统，它是由模糊逻辑控制与人工神经网络技术、专家系统等相结合形成的一种具有很强学习能力的智能控制系统，即构建基于人工神经网络的诊断发酵状况专家决策系统，它包括人机接口、知识库、推理机制、人工神经网络4个模块。其中模糊逻辑是通过模仿人的思维方式来表示和分析不确定、不精确信息的方法和工具。它是用来表达界限不清晰的定性知识与经验，它本身并不是“模糊”的逻辑，它借助于隶属度函数概念，区分模糊集合，处理模糊关系，模拟实时规则型推理，解决种种不确定问题。其中隶属度函数是对研究范围的隶属度区分，它实质反映的是事物的渐变性。即若对研究范围U中的任一元素x，都有一个数A(x)∈[0,1]与之对应，则称A为U上的模糊集，A(x)称为x对A的隶属度。当x在中变动时，A(x)就是一个函数，称为A的隶属函数。隶属度A(x)越接近1，表示x属于A的程度越高，反之则越低。人机接口是固态发酵领域专家或有经验的一线工人等进行交互的平台；知识库用于存放固态发酵过程中专家知识与发酵历史状况等有关的信息；推理机制利用知识库中的知识进行推理诊断，从而给出诊断结果；

如图3是人工神经网络的拓扑结构，人工神经网络是由神经网络和模糊逻辑串联形成了3个模块、5个层次的人工神经网络结构。其中3个模块分别为：前模块为模糊逻辑，实现输入模糊化；中间模块为BP神经网络模块，实现数据的分析和处理；后模块为反模糊逻辑，实现清晰化。一个计算单元就是一个典型的网络，连结上赋有权值，每个计算单元都具有一个输入函数f，负责把所有的输入信息组合起来作为该单元的一个总的输入：

$net\_input=f\left(u_1^k,u_2^k,\mathrm{...}{u}_p^k;w_1^k,w_2^k,\mathrm{...}{w}_p^k\right)$

其中k为层号，每个结点的第二个动作便是输出活性值：

output＝a(f)，其中a为活性函数，输入函数和输出活性函数的标准形式分别是：和a＝1/(1+e^-f)；

其层次结构为：

(1)第1层为输入层，以镇江香醋固态发酵为例，将其固态发酵过程的3个阶段，即提热、过杓、露底阶段的温度、酒精度、酶活以及投料比等重要理化指标作为输入层进入网络。

(2)第2层为模糊输入层(BP输入层)，通过模糊集合将隶属函数确定为正态分布型，实现固态发酵状况转化为以此隶属度表示的模糊向量，那么每个结点的输出函数便是这个模糊集合的隶属函数，即

f＝-(u_i-m_ij)²/e_ij和a＝e^f

其中m_ij和e_ij分别是每个隶属函数的中心和宽度。其中固态发酵过程的隶属度函数是依据专家实际经验并结合神经网络给出模糊信息或相应权系数来确定的。它利用神经网络的学习能力，从采集的历史数据中通过学习自动产生隶属函数和规则。

(3)第3层为BP隐含层，用于实现BP输入层到输出层的映射；

(4)第4层为模糊输出层，输出模糊化的数值，任一节点代表一种发酵状况，其值代表发酵异常存在的可能性程度；

(5)第5层为清晰化层，实现清晰化，相当于逆模糊化的作用，按照区域中心的逆模糊方法，则 $f={\mathrm{\Σ}}_{i=1}^R{w}_{\mathrm{ij}}{u}_i={\mathrm{\Σ}}_{i=1}^R\left(m_{\mathrm{ij}}{e}_{\mathrm{ij}}\right)u_i$ 和 $a=f{\mathrm{\Σ}}_{i=1}^R{e}_{\mathrm{ij}}{u}_i,$ 在从左至右传递模式中，该层节点的作用与第一层完全一样，则f＝y_i和a＝f。

在图3中，X₁…X_n为投料比、孔隙率以及种子酶活性等作为输入量，在模糊层中的U₁(x₁)…U_m(x₁)为依据发酵过程中的温度、氧含量、酒精度、pH值以及酶活性等参数建立的函数实现固态发酵状况转化为以此隶属度表示的模糊向量；然后通过3层和4层的模糊推理，输出模糊化数值，在神经网络结构中，任一节点代表一种发酵状况，在第5层，将模糊化数值清晰化，以总酸、不挥发酸以及卤水酸度等重要输出量y₁…y_k根据隶属度最终确定发酵状况。

以检测固态发酵过程中温度为例，首先在控制系统中将工艺要求的温度值设为t_d，实测温度值为t，当发酵池中的温度不断变化时，温度传感器信号也不断改变，由此测量值和工艺温度设定值相比较，得出其温度偏差E(e＝t-t_d)，偏差变化率EC(△e/△t)，经采样和A/D转换，送入专家决策系统进行分析判断，当实测温度值大于设定值时，即E>0时，系统将信息传递给反馈控制系统，反馈控制系统中红灯将亮起，发出警告，并自启动翻醅机进行翻醅降温，使实际温度值控制在工艺温度允许范围内。当温度传感器故障或计算机系统不能正常工作等情况是，系统将不能正常采集温度信息，经系统分析判断，反馈控制系统中的黄灯将亮起，提醒相关人员进行检修，排除故障，使系统恢复正常。若香醋固态发酵过程正常发酵，没有异常出现时，反馈控制系统中的绿灯亮起。

Claims (10)

1.一种固态发酵过程状况的实时监控系统，其特征在于，所述系统包括固态发酵过程参数的采集模块、专家决策系统和反馈控制模块，其中所述固态发酵过程参数的采集模块包括分布式在线传感器(2)和数据采集控制模块，分布式在线传感器(2)用于采集发酵过程中的关键变量数据，并将采集到的数据信息通过数据采集控制模块传递给专家决策系统(4)；所述专家决策系统(4)用于分析数据信息的可靠性和测量误差，判断发酵池(1)中发酵状态是否正常，将判断结果信息传递到反馈控制模块(5)；反馈控制模块(5)根据判断结果产生控制信号，执行装置按控制信号信息调整发酵参数，最终实现固态发酵过程中的自动化监测。

2.根据权利要求1所述的一种固态发酵过程状况的实时监控系统，其特征在于，所述多个分布式在线传感器构成分布式传感器网络，分布式传感器网络测量的当前监测区域的信息，通过n(n>1)级跳转，将采集得到的信息转换成电压信号，再经过A/D转换成数字信号由单片机读取信息传送到计算机。

3.根据权利要求1所述的一种固态发酵过程状况的实时监控系统，其特征在于，所述的数据采集控制模块是以单片机为核心的控制模块，主要执行数据的采集和传输，数据的分析和处理则有计算机完成，单片机和计算机之间通过接线方式灵活、多点间通讯以及适用于远距离传输数据的RS485串行数据标准进行数据交换。

4.根据权利要求1所述的一种固态发酵过程状况的实时监控系统，其特征在于，所述的反馈控制模块是一种综合智能控制技术模块，使用闭环反馈控制系统。

5.一种固态发酵过程状况的实时监控方法，其特征在于，所述方法是通过权利要求1所述的监控系统实现的，具体监控方法如下：

S1.多个分布式在线传感器构成分布式传感器网络，分布式传感器网络将测量的当前监测区域的信息，通过n(n>1)级跳转，将采集得到的信息转换成电压信号，再经过A/D转换成数字信号由单片机读取信息传送到计算机，即它将采集到的关键变量数据，如发酵过程中的温度、湿度、氧含量、pH值以及酶活性等影响发酵的重要指标参数通过数据采集控制模块传送到计算机；

S2.利用数据采集控制模块将采集到的信号通过信号放大器进行放大，利用专家决策系统分析数据的可靠性和测量误差，通过数据采集控制模块中单片机读取发酵池的位置信息；

S3.将发酵池的发酵信息、位置信息以及时间信息等依据专家决策系统中知识库的存储数据判断其是否在正常发酵，若固态发酵是正常发酵，则反馈控制模块中的绿色警号灯亮起，若由于采集设备或其他硬件、软件发生错误时，则反馈控制模块中的黄灯亮起；若固态发酵出现异常，如发酵基质板结或者局部温度过高等，则反馈控制模块中红灯亮起提醒相关人员，并自动启动翻醅机等采取相应的措施，实现固态发酵过程中的自动化监测。

6.根据权利要求5所述的一种固态发酵过程状况的实时监控方法，其特征在于，步骤S1中所述的分布式在线传感器是由大量传感器以多跳和自组织的方式构成节点，这些节点分布在不同的区域，独立地完成传感器数据的采集和处理，形成自组网络，将采集的信息通过转换后传送到计算机。

7.根据权利要求5所述的一种固态发酵过程状况的实时监控方法，其特征在于，步骤S1中所述固态发酵过程参数的采集模块还包括软传感器，所述软传感器主要监测缺乏快速、可靠和准确在线测量装置的关键指标，用可测量的指标建立一定的关联去估算或推导不可测量的重要指标，如代谢产物生产速率R_i，prodn以及菌浓C_x等指标，从一般变量(如DO或CER)建立的数学模型来关联估算这些变量。

8.根据权利要求5所述的一种固态发酵过程状况的实时监控方法，其特征在于，步骤S2中所述的专家决策系统是由模糊逻辑控制和人工神经网络系统相结合形成的一个优势互补的系统；主要包括知识库、推理机制、人机接口、人工神经网络4个模块，其中所述人工神经网络是核心，包含推理机制、知识库功能；所述知识库用于保存输入的专家知识，主要包括来自发酵现场或生产实际过程中获取的生产规则，按照一定算法，把规则集翻译为神经网络结构；所述推理机制是一个数值计算过程，它根据提供的发酵信息，有温度、孔隙率、氧含量以及投料比等指标给人工神经网络输入层进行赋值，将输出结果转换为便于理解的逻辑概念或者特定动作；所述人机接口主要是便于人机对话，该人机对话方式便于知识的添加、修改和维护，便于查询推理的历史和实时运行状态，准确显示专家系统的决策结果。

9.根据权利要求8所述的一种固态发酵过程状况的实时监控方法，其特征在于，所述的模糊逻辑控制是依据模糊逻辑推理对不确定信息进行有效推理控制，将发酵过程中熟练工人的经验和固态发酵领域专家总结的模糊控制规则，并以此为依据由计算机实施控制。

10.根据权利要求5所述的一种固态发酵过程状况的实时监控方法，其特征在于，步骤S3中所述人工神经网络是由神经网络和模糊逻辑串联形成3个模块、5个层次的人工神经网络结构；

其中所述3个模块分别为：前模块为模糊逻辑机制，实现输入模糊化；中间模块为BP神经网络模块，实现数据的分析和处理；后模块为反模糊逻辑，实现清晰化；其中一个计算单元就是一个典型的网络，连结上赋有权值，每个计算单元都具有一个输入函数f，负责把所有的输入信息组合起来作为该单元的一个总的输入：

$net\_input=f\left(u_1^k,u_2^k,...u_p^k;w_1^k,w_2^k,...w_p^k\right)$

其中k为层号，每个结点的第二个动作便是输出活性值：

output＝a(f)，其中a为活性函数，输入函数和输出活性函数的标准形式分别是： $f={\mathrm{\Σ}}_{i=1}^R{w}_1^k{u}_1^k$ 和a＝1/(1+e^-f)；

其层次结构为：

A.第1层为输入层，将固态发酵过程的不同阶段的重要理化指标作为输入层进入网络；

B.第2层为模糊输入层(BP输入层)，通过模糊集合将隶属函数确定为正态分布型，实现固态发酵状况转化为以此隶属度表示的模糊向量，那么每个结点的输出函数便是这个模糊集合的隶属函数，即

f＝-(u_i-m_ij)²/e_ij和a＝e^f

其中m_ij和e_ij分别是每个隶属函数的中心和宽度，其中固态发酵过程的隶属度函数是依据专家实际经验并结合神经网络给出模糊信息或相应权系数来确定的，它利用神经网络的学习能力，从采集的历史数据中通过学习自动产生隶属函数和规则；

C.第3层为BP隐含层，用于实现BP输入层到输出层的映射；

D.第4层为模糊输出层，输出模糊化的数值，任一节点代表一种发酵状况，其值代表发酵异常存在的可能性程度；

E.第5层为清晰化层，实现清晰化，相当于逆模糊化的作用，按照区域中心的逆模糊方法，则 $f={\Σ}_{i=1}^R{w}_{ij}{u}_i={\Σ}_{i=1}^R\left(m_{ij}{e}_{ij}\right)u_i$ 和 $a=f{\Σ}_{i=1}^R{e}_{ij}{u}_i,$ 在从左至右传递模式中，该层节点的作用与第一层完全一样，则f＝y_i和a＝f，最后根据隶属度最终确定发酵状况。