CN110609523B - 一种茶叶初制过程各单元协同控制方法 - Google Patents

Abstract

本发明公开了一种茶叶初制过程中各单元协同控制方法，包括如下步骤：步骤一：对在茶叶初制过程中积累的生产数据进行处理，建立茶叶初制各单元关键工艺参数与各单元运行指标的数据库；步骤二：找出各加工单元后茶叶品质评价与其色差、形态、内部理化成分之间的关系；步骤三：设定茶叶初制最终质量评价指标范围，并根据以下步骤进行数学建模、误差反馈和建立设计空间；本发明与传统的人工控制方法相比，充分利用了茶叶初制过程中积累的生产数据，减少了茶叶初制中的主观性调整，找出了茶叶品质评价与其外部特征和内部理化成分之间的关系，建立了茶叶初制质量设计空间，提高了茶叶初制生产过程的良品率，并对加快茶叶初制自动化进程有着重要的意义。

Description

一种茶叶初制过程各单元协同控制方法

技术领域

本发明涉及茶叶初制过程茶叶质量控制技术领域，更具体的说，尤其涉及一种茶叶初制过程中各单元协同控制方法。

背景技术

茶叶从鲜叶到能进行销售的商品茶，要经过初制和精制两个阶段。初制是以茶树的嫩叶为原料，经杀青、揉捻、干燥等工艺制成毛茶的过程。其中绿茶加工一般工艺流程为鲜叶-摊青-杀青-杀青后回潮-揉捻-初烘-初烘后回潮-复烘-复烘后回潮-提香等加工单元。这些加工单元在结构上密不可分，在功能上相互协调影响，一个单元的输出是与之相连的单元的输入，下游单元受上游单元的影响，最终产品则是各单元累计作用的结果。

茶叶初制的好坏直接影响着茶叶最终的品质，但由于茶叶生产分散，采摘老嫩不一，造成茶鲜叶批次间的波动，再加上茶叶初制过程很容易受到干扰，比如电磁滚筒杀青时电压波动造成杀青温度的波动，揉捻时力度不均匀等，更容易导致茶叶最终品质参差不齐。在干扰存在或上游工序出现失误时，传统生产线需要依赖工人的经验进行关键工艺调整，这样有很大的主观性且不利于茶叶初制生产线自动化的发展。而茶叶初制过程存在关系变量众多、过程不确定因素复杂、过程关联耦合严重、部分过程可知信息有限等特点，因此难以建立确切的机理模型对茶叶初制过程进行指导。

发明内容

本发明的目的在于解决现有的茶叶初制过程存在关系变量众多、过程不确定因素复杂、过程关联耦合严重、部分过程可知信息有限等特点，因此难以建立确切的机理模型对茶叶初制过程进行指导的问题，提出了一种茶叶初制过程中各单元协同控制方法，当存在干扰或者上游工序出现失误时，通过对下游工序的调整，使茶叶初制的最终质量仍保持在一个较好的范围。

本发明通过以下技术方案来实现上述目的：一种茶叶初制过程中各单元协同控制方法，包括如下步骤：

步骤一：对在茶叶初制过程中积累的生产数据进行处理，建立茶叶初制各单元关键工艺参数与各单元运行指标的数据库；

步骤二：找出各加工单元后茶叶品质评价与其色差、形态、内部理化成分之间的关系；

步骤三：设定茶叶初制最终质量评价指标范围，并根据以下步骤进行数学建模、误差反馈和建立设计空间，具体步骤如下：

S1：针对茶叶初制过程中需要经历的摊青、杀青、回潮、揉捻、初烘、复烘这几个单元，建立各单元关键工艺参数与各单元运行指标之间的数学模型，各单元模型采用数据驱动的黑箱模型，黑箱模型指的是从非线性回归模型、径向基神经网络模型、最小二乘支持向量机模型中选择适合该单元数据特征的模型；这三个模型的公式分别如下：

(1)非线性回归模型：

[y₁，y₂]＝[b₀，b₁，b₂，…，b_n，b_n+1，b_n+2]'[1，x₁，x₂，·..，x_n，y’₁，y’₂]

其中，y₁、y₂为本单元茶叶含水率和茶叶品质，b_i，i＝0,1,…,n+2为回归模型系数，x_i，i＝1,2,…,n为各单元关键工艺参数，y′₁、y′₂为上单元茶叶含水率和茶叶品质；

(2)径向基神经网络模型：

其中，

为第j个输出节点的输出估计值，k为隐含层基函数个数，ω_ij为第i，1≤i≤k个隐含层基函数到第j个输出节点的连接权值，x为输入节点，R(x)为径向基函数：

上式中，C为径向基函数的中心，σ为径向基函数的敏感域，决定了径向基函数的宽度，||x-c||表示输入节点和径向基函数的中心的距离；

(3)最小二乘支持向量机模型：

其中，ψ(x)表示从样本空间到高维特征空间的映射，ω为权重向量，ω^T为ω的转置向量，b为偏差；上式的求解可转化为如下优化问题：

s.t.y_i-ω^Tx_i-b＝e_i；

式中γ为正则化参数，n为训练集样本数目，e_i，i＝1,2,…,n为每个样本的训练误差，y_i，i＝1,2,…,n为训练集样本输出值，x_i，i＝1,2,…,n为训练集样本输入值，b为偏差；采用拉格朗日法将优化问题转化为求解线性方程组问题，最后可得最小二乘支持向量机模型为：

式中

为训练集样本预测值，α为拉格朗日乘子，b为偏差，K(x，x’)为高斯径向基核函数：

其中x为训练集样本输入值，x′为高斯径向基核函数的中心，σ为径向基核函数的敏感域。

最优模型筛选以均方根误差RMSE为建模目标，同时对最大相对误差MRE、平均相对误差ARE和决定系数R²进行观测，其中：

式中，y_i为实测值，

为模型预测值；

S2：以各单元运行指标为输入，茶叶初制最终质量为输出建立总体模型；总体模型采用线性主模型和非线性误差补偿模型组成的混合建模策略，可以得到线性主模型为：

线性主模型得到的预测值与实际综合生产指标之间的误差为

非线性误差补偿模型采用最小二乘支持向量机模型：

式中α_i代表拉格朗日乘子，n为训练集样本个数，c为径向基函数的中心，b为偏置项，K(y，c)为高斯径向基核函数：

其中y为训练集样本输入值，c为高斯径向基核函数的中心，σ为径向基核函数的敏感域。

则最终各单元生产指标与综合生产指标之间的混合模型为：

S3：在实际生产数据中可以得到茶叶初制最终质量的目标值范围，由单元模型和总体模型得到茶叶初制最终质量的预测值，根据一定的规则将目标值与预测值的误差合理的反馈给各单元的运行指标，得到各单元运行指标的目标值范围，再根据单元模型可以得到关键工艺参数的目标值范围；这里规则的挖掘采用粗糙集规则挖掘概念，建立误差反馈决策信息表，误差反馈决策信息表以最终含水率目标值、最终品质目标值、最终含水率差值，最终品质差值、运行指标的预测值为条件属性，以运行指标的补偿值为决策属性，对误差反馈决策信息表进行离散化和约简处理，得到误差反馈规则；

S4：将各单元运行指标和关键工艺参数的目标值范围均分为若干等分，产生大量关键工艺参数数据组合，将每个组合代入单元模型与总体模型中，如果得到的最终质量的预测值在目标范围之内，则保留该组数据，如果得到的最终质量的预测值不在目标范围之内，则舍弃该组数据，所有保存下来的数据共同组成茶叶最终质量设计空间。

本发明的有益效果在于：本发明在当出现干扰或者上游工序出现操作失误时，只要该工序的运行指标还在设计空间的范围内，则可以根据设计空间对下游工序关键工艺参数进行调整使茶叶最终质量仍保持良好。本发明与传统的人工控制方法相比，充分利用了茶叶初制过程中积累的生产数据，减少了茶叶初制中的主观性调整，找出了茶叶品质评价与其外部特征和内部理化成分之间的关系，建立了茶叶初制质量设计空间，提高了茶叶初制生产过程的良品率，并对加快茶叶初制自动化进程有着重要的意义。

附图说明

图1是本发明实施例一的绿茶生产过程流程图。

图2是本发明一种茶叶初制过程中各单元协同控制方法在运用到绿茶生产过程时的整体流程框架图。

图3是本发明茶叶初制质量设计空间的一组保留数据。

具体实施方式

下面结合附图对本发明作进一步说明：

如图1～3所示，以一种绿茶初制过程为例，本实施例的实践过程如下：

采用非线性回归模型建立各单元茶叶品质与其外部特征和内部特征之间的关系模型。

摊青叶品质y₁₂＝b₀+b₁x₁+b₂x₂，其中x₁为摊青叶色差，x₂为摊青叶形态；

杀青叶品质y₂₂＝b₀+b₁x₁+b₂x₂+b₃x₃+b₄x₄+b₅x₅，其中x₁为杀青叶色差，x₂为杀青叶形态，x₃为杀青叶总氨基酸，x₄为杀青叶总茶多酚，x₅为杀青叶总可溶性糖；

回潮叶品质y₃＝b₀+b₁x₁+b₂x₂，其中x₁为回潮叶色差，x₂为回潮叶形态；

揉捻叶品质y₄＝b₀+b₁x₁+b₂x₂，其中x₁为揉捻叶色差，x₂为揉捻叶形态；

初烘叶品质y₅₂＝b₀+b₁x₁+b₂x₂+b₃x₃+b₄x₄+b₅x₅，其中x₁为初烘叶色差，x₂为初烘叶形态，x₃为初烘叶总氨基酸，x₄为初烘叶总茶多酚，x₅为初烘叶总可溶性糖；

初烘叶品质y₆₂＝b₀+b₁x₁+b₂x₂+b₃x₃+b₄x₄+b₅x₅，其中x₁为复烘叶色差，x₂为复烘叶形态，x₃为复烘叶总氨基酸，x₄为复烘叶总茶多酚，x₅为复烘叶总可溶性糖。

步骤二：建立各单元关键工艺参数与各单元运行指标之间的数学模型。

杀青单元非线性回归模型：

[y₂₁，y₂₂]＝b₀+b₁x₂₁+b₂x₂₂+b₃y₁₁+b₄y₁₂；

其中，y₂₁和y₂₂为杀青叶含水率和杀青叶品质，x₂₁和x₂₂为杀青温度和滚筒转速，y₁₁和y₁₂为摊青叶含水率和摊青叶品质。

杀青单元径向基神经网络模型：

其中，Y＝[y₂₁，y₂₂]，y₂₁和y₂₂为杀青叶含水率和杀青叶品质，x＝[x₂₁，x₂₂，y₁₁，y₁₂]，x₂₁和x₂₂为杀青温度和滚筒转速，y₁₁和y₁₂为摊青叶含水率和摊青叶品质。

杀青单元最小二乘支持向量机模型：

其中，Y＝[y₂₁，y₂₂]，y₂₁和y₂₂为杀青叶含水率和杀青叶品质，x＝[x₂₁，x₂₂，y₁₁，y₁₂]，x₂₁和x₂₂为杀青温度和滚筒转速，y₁₁和y₁₂为摊青叶含水率和摊青叶品质。

以均方根误差RMSE为建模目标，同时对最大相对误差MRE、平均相对误差ARE和决定系数R²进行观测，筛选出最符合杀青单元数据特征的数学模型。其余回潮、揉捻、初烘、复烘按照杀青单元的方法依次筛选出最优模型。

步骤三：以各单元的运行指标摊青叶含水率y₁₁、摊青叶品质y₁₂、杀青叶含水率y₂₁、杀青叶品质y₂₂、回潮叶品质y₃、揉捻叶品质y₄、初烘叶含水率y₅₁、初烘叶品质y₅₂、复烘叶含水率y₆₁、复烘叶品质y₆₂为输入，以综合生产指标绿茶初制最终含水率z₁和最终品质z₂为输出建立总体模型。总体模型采用线性主模型和非线性误差补偿模型组成的混合建模策略，可以得到线性主模型为：

线性主模型得到的预测值与实际综合生产指标之间的误差为

非线性误差补偿模型采用最小二乘支持向量机建模策略，以各单元的运行指标y_ij为输入，以线性主模型得到的预测值与实际综合生产指标之间的误差e_L为输出，最后可得最小二乘支持向量机(LS-SVM)模型为：

式中α_i代表拉格朗日乘子，n为训练集样本个数，c为径向基函数的中心，b为偏置项，K(y，c)为高斯径向基核函数：

其中y为训练集样本输入值，c为高斯径向基核函数的中心，σ为径向基核函数的敏感域。

则最终各单元生产指标与综合生产指标之间的混合模型为：

步骤4：以各工序运行指标为条件属性，综合生产指标为决策属性建立决策信息表。计算出每个属性的重要度，找出重要度超过设定阈值的条件属性y_ij(i∈1，2，3，4，56；j∈1，2)。

表1为运行指标决策信息表。

表1运行指标决策信息表

然后以综合生产指标的目标值Z′、综合生产指标目标值与预测值的差值E、重要运行指标的预测值

为条件属性，以重要运行指标预测值与目标值的差值，即重要运行指标的补偿值Δy_ij为决策属性建立误差反馈规则的决策信息表。表2为误差反馈决策信息表。

表2误差反馈决策信息表

对误差反馈决策信息表进行离散化处理，属性和属性值约简，得到约简后的决策表，从而得到误差反馈规则。

步骤5：根据误差反馈规则将综合生产指标目标值与预测值的误差反馈给各单元运行指标，得到各单元运行指标的目标值范围，再根据单元模型得到关键工艺参数的目标值范围。

步骤6：通过蒙特卡洛仿真实验建立茶叶初制质量设计空间，假定各单元关键工艺参数服从均匀分布，将各单元运行指标和关键工艺参数的目标值范围均分为若干等分，产生大量关键工艺参数数据组合，将每个数据组合代入单元模型与总体模型中，如果得到的最终质量的预测值在目标范围之内，则保留该组数据，如果得到的最终质量的预测值不在目标范围之内，则舍弃该组数据，将所有保留下来的数据进行整理即可得到茶叶初制质量的设计空间。图3为以一组数据为例的茶叶初制质量设计空间。

当出现干扰或者上游工序出现操作失误时，只要该工序的运行指标还在设计空间的范围内，则可以根据设计空间对下游工序关键工艺参数进行调整使最终结果仍保持良好。如果该工序的运行指标不在设计空间的范围内，则认为无论怎样对下游工序进行调整都不能可能使最终质量为良好。

上述实施例只是本发明的较佳实施例，并不是对本发明技术方案的限制，只要是不经过创造性劳动即可在上述实施例的基础上实现的技术方案，均应视为落入本发明专利的权利保护范围内。

Claims (1)

1.一种茶叶初制过程中各单元协同控制方法，其特征在于：包括如下步骤：

步骤一：对在茶叶初制过程中积累的生产数据进行处理，建立茶叶初制各单元关键工艺参数与各单元运行指标的数据库；

步骤二：找出各加工单元后茶叶品质评价与其色差、形态、内部理化成分之间的关系；

步骤三：设定茶叶初制最终质量评价指标范围，并根据以下步骤进行数学建模、误差反馈和建立设计空间，具体步骤如下：

S1：针对茶叶初制过程中需要经历的摊青、杀青、回潮、揉捻、初烘、复烘这几个单元，建立各单元关键工艺参数与各单元运行指标之间的数学模型，各单元模型采用数据驱动的黑箱模型，黑箱模型指的是从非线性回归模型、径向基神经网络模型、最小二乘支持向量机模型中选择适合该单元数据特征的模型；这三个模型的公式分别如下：

(1)非线性回归模型：

[y₁，y₂]＝[b₀，b₁，b₂，...，b_n，b_n+1，b_n+2]′[1，x₁，x₂，...，x_n，y′₁，y′₂]

其中，y₁、y₂为本单元茶叶含水率和茶叶品质，b_i，i＝0,1,…,n+2为回归模型系数，x_i，i＝1,2,…,n为各单元关键工艺参数，y′₁、y′₂为上单元茶叶含水率和茶叶品质；

(2)径向基神经网络模型：

其中，

为第j个输出节点的输出估计值，k为隐含层基函数个数，ω_ij为第i，1≤i≤k个隐含层基函数到第j个输出节点的连接权值，x为输入节点，R(x)为径向基函数：

上式中，c为径向基函数的中心，σ为径向基函数的敏感域，决定了径向基函数的宽度，||x-c||表示输入节点和径向基函数的中心的距离；

(3)最小二乘支持向量机模型：

其中，ψ(x)表示从样本空间到高维特征空间的映射，ω为权重向量，ω^T为ω的转置向量，b为偏差；上式的求解可转化为如下优化问题：

s.t.y_i-ω^Tx_i-b＝e_i；

式中γ为正则化参数，n为训练集样本数目，e_i，i＝1,2,…,n为每个样本的训练误差，y_i，i＝1,2,…,n为训练集样本输出值，x_i，i＝1,2,…,n为训练集样本输入值，b为偏差；采用拉格朗日法将优化问题转化为求解线性方程组问题，最后可得最小二乘支持向量机模型为：

式中

为训练集样本预测值，α为拉格朗日乘子，b为偏差，K(x，x’)为高斯径向基核函数：

其中x为训练集样本输入值，x′为高斯径向基核函数的中心，σ为径向基核函数的敏感域；

最优模型筛选以均方根误差RMSE为建模目标，同时对最大相对误差MRE、平均相对误差ARE和决定系数R²进行观测，其中：

式中，y_i为实测值，

为模型预测值；

S2：以各单元运行指标为输入，茶叶初制最终质量为输出建立总体模型；总体模型采用线性主模型和非线性误差补偿模型组成的混合建模策略，可以得到线性主模型为：

线性主模型得到的预测值与实际综合生产指标之间的误差为

非线性误差补偿模型采用最小二乘支持向量机模型：

式中α_i代表拉格朗日乘子，n为训练集样本个数，c为径向基函数的中心，b为偏置项，K(y，c)为高斯径向基核函数：

其中y为训练集样本输入值，c为高斯径向基核函数的中心，σ为径向基核函数的敏感域；

则最终各单元生产指标与综合生产指标之间的混合模型为：

S3：在实际生产数据中可以得到茶叶初制最终质量的目标值范围，由单元模型和总体模型得到茶叶初制最终质量的预测值，根据一定的规则将目标值与预测值的误差合理的反馈给各单元的运行指标，得到各单元运行指标的目标值范围，再根据单元模型可以得到关键工艺参数的目标值范围；这里规则的挖掘采用粗糙集规则挖掘概念，建立误差反馈决策信息表，误差反馈决策信息表以最终含水率目标值、最终品质目标值、最终含水率差值、最终品质差值、运行指标的预测值为条件属性，以运行指标的补偿值为决策属性，对误差反馈决策信息表进行离散化和约简处理，得到误差反馈规则；

S4：将各单元运行指标和关键工艺参数的目标值范围均分为若干等分，产生大量关键工艺参数数据组合，将每个组合代入单元模型与总体模型中，如果得到的最终质量的预测值在目标范围之内，则保留该组数据，如果得到的最终质量的预测值不在目标范围之内，则舍弃该组数据，所有保存下来的数据共同组成茶叶最终质量设计空间。

Images