CN114672395A - 一种用于固态发酵的智能翻醅控制系统以及控制方法 - Google Patents
一种用于固态发酵的智能翻醅控制系统以及控制方法 Download PDFInfo
- Publication number
- CN114672395A CN114672395A CN202210385754.8A CN202210385754A CN114672395A CN 114672395 A CN114672395 A CN 114672395A CN 202210385754 A CN202210385754 A CN 202210385754A CN 114672395 A CN114672395 A CN 114672395A
- Authority
- CN
- China
- Prior art keywords
- data
- monitoring
- fermentation
- temperature
- oxygen content
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000855 fermentation Methods 0.000 title claims abstract description 111
- 230000004151 fermentation Effects 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000010563 solid-state fermentation Methods 0.000 title claims abstract description 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 110
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 104
- 239000001301 oxygen Substances 0.000 claims abstract description 104
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 103
- 239000000126 substance Substances 0.000 claims abstract description 38
- 238000003062 neural network model Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000007405 data analysis Methods 0.000 claims abstract description 5
- 239000011343 solid material Substances 0.000 claims abstract description 5
- 235000015096 spirit Nutrition 0.000 claims description 51
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 18
- 238000012806 monitoring device Methods 0.000 abstract description 4
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 238000011897 real-time detection Methods 0.000 abstract 1
- 239000000052 vinegar Substances 0.000 description 37
- 235000021419 vinegar Nutrition 0.000 description 37
- 239000000758 substrate Substances 0.000 description 18
- QTBSBXVTEAMEQO-UHFFFAOYSA-N Acetic acid Chemical compound CC(O)=O QTBSBXVTEAMEQO-UHFFFAOYSA-N 0.000 description 6
- 239000007787 solid Substances 0.000 description 5
- 239000002253 acid Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 150000007513 acids Chemical class 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000003205 fragrance Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 244000005700 microbiome Species 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 125000003118 aryl group Chemical group 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 229920006268 silicone film Polymers 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12J—VINEGAR; PREPARATION OR PURIFICATION THEREOF
- C12J1/00—Vinegar; Preparation or purification thereof
- C12J1/10—Apparatus
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12J—VINEGAR; PREPARATION OR PURIFICATION THEREOF
- C12J1/00—Vinegar; Preparation or purification thereof
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/20—Control of temperature characterised by the use of electric means with sensing elements having variation of electric or magnetic properties with change of temperature
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Organic Chemistry (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Genetics & Genomics (AREA)
- Zoology (AREA)
- Wood Science & Technology (AREA)
- Biochemistry (AREA)
- Food Science & Technology (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Automation & Control Theory (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
Abstract
本发明公开了一种用于固态发酵的智能翻醅控制系统以及控制方法,采集监测装置位于发酵容器固态物料中,用于采用微电极监测不同时刻不同深度监测区域中的氧含量数据和温度数据,并构成各个监测区域数据集,并传送至上位机;数据预处理模块,用于接收各个监控区域数据集,对各个监控区域数据集进行处理,得到时间序列数据集;预测模块,用于将时间序列数据集输入神经网络模型中,利用所述神经网络模型预测各个监控区域下一时刻的氧含量数据和温度数据;数据分析模块,用于判断是否达到翻醅操作的阈值,产生翻醅指令信号和翻醅深度值。本发明实现了智能化实时检测发酵容器内的温度和氧含量,并且实现了精准翻醅,为翻醅工艺提供更为科学的指导。
Description
技术领域
本发明涉及固态发酵监测技术领域,特别是涉及一种用于固态发酵的智能翻醅控制系统以及控制方法。
背景技术
食醋,白酒等固态发酵通常采用固态开放的发酵体系。来源复杂且多样的微生物以酿造原料为基质进行代谢和选择性增殖,形成剧烈的微生物群落结构演替,从而推动发酵的进程。比如,在醋酸发酵过程中会产生大量的生物热,消耗大量的氧气,而过高的温度会抑制微生物的生长,低氧的环境不利于微生物的繁殖产酸,对成品的品质造成影响。而传统的翻醅工艺则是工人们通过总结经验,用来解决这一问题的关键技艺。判断准确的翻醅时机,选择适当的翻醅深度,才能使发酵顺利进行。
当前,固态酿造仍以半机械化和手工为主,过程控制仍以操作工人的经验为主,在发酵装置内的温度和氧气含量变化是未知的,仅仅依靠工人简单采集的温度和工人经验进行翻醅,过程调控滞后性明显,导致发酵时间延长,还会影响成品的品质。
综上所述可以看出,如何通过智能系统实现精准的翻醅是目前有待解决的问题。
发明内容
本发明的目的是提供一种用于固态发酵的智能翻醅控制系统以及控制方法,解决现有技术仅依靠工人经验进行翻醅,过程调控具有滞后性,影响发酵时间和成品的品质。
为解决上述技术问题,本发明提供一种用于固态发酵的智能翻醅控制系统,包括:
采集装置,位于发酵容器固态物料中,监测并采集不同时刻不同深度监测区域中的氧含量数据和温度数据,生成各个监测区域数据集,传送至上位机;
所述上位机,包括:数据处理模块、预测模块和数据分析模块;
所述数据处理模块,用于接收所述各个监控区域数据集,对所述各个监控区域数据集进行处理,得到时间序列数据集;
所述预测模块,用于将所述时间序列数据集输入神经网络模型中,利用所述神经网络模型预测所述各个监控区域下一时刻的氧含量数据和温度数据;
所述数据分析模块,用于判断所述各个监控区域下一时刻的氧含量数据和温度数据是否达到翻醅操作的阈值,产生翻醅指令信号和翻醅深度值;
控制器,用于根据所述翻醅指令信号和翻醅深度值,控制翻醅机启动和调节所述翻醅机翻铲的深度。优选地,还包括:
存储器,用于存储所述各个监测区域数据集,以及所述翻醅机翻醅的时间和翻醅深度值;
显示器,用于显示所述各个监测区域中的氧含量数据和温度数据,以及所述翻醅机翻醅的时间和翻醅深度值。
优选地,所述采集装置包括:溶氧微电极和温度微电极。
优选地,所述溶氧微电极和温度微电极的数量至少与所述不同深度监测区域的个数相同。
优选地,所述溶氧微电极为Clark氧电极。
优选地,所述神经网络模型包括:小波神经网络模型、BP神经网络、Elman神经网络、RBF神经网络以及GRNN神经网络中一种或多种。
优选地,一种用于固态发酵的智能翻醅控制方法,包括:
利用微电极实时监测不同时刻不同深度监测区域的氧含量数据和温度数据,构成各个监测区域数据集;
将所述各个监测区域数据集进行处理组合,得到时间序列数据集;
将所述时间序列数据输入神经网络模型中进行预测,得到各个监测区域下一时刻的氧含量和温度预测数据;
判断所述各个监测区域下一时刻的氧含量和温度预测数据是否满足预设翻醅决策标准;
若所述各个监测区域下一时刻的氧含量和温度预测数据满足所述预设翻醅决策标准,则产生翻醅指令信号并计算翻醅深度值;
根据所述翻醅指令信号和所述翻醅深度值控制翻醅机进行翻醅操作。
优选地,所述利用微电极实时监测不同时刻不同深度监测区域的氧含量数据和温度数据,构成各个监测区域数据集前包括:
采用纵向深度等分的方式将发酵容器内的待监测区域划分为等距且相互连接的多个不同深度的监测区域。
优选地,所述利用微电极实时监测当前时刻不同深度监测区域的氧含量数据和温度数据,构成各个监测区域的数据集包括:
利用溶氧微电极监测各个深度监测子区域的氧含量,将所有各个深度监测子区域的氧含量集合为数据集On;
利用温度微电极监测各个深度监测子区域的温度,将所述各个深度监测子区域的温度集合为数据集Tn。
优选地,所述将所述各个监测区域数据集进行处理组合,得到时间序列数据集包括:
将所述数据集On和所述数据集Tn按照不同深度的检测区域进行分组,并进行降噪和转化处理,得到所述时间序列数据集。
本发明所提供的一种用于固态发酵的智能翻醅控制系统以及控制方法,通过微电极实时了解发酵容器内不同深度的发酵温度和氧气含量,提高检测的准确性和灵敏性,并与后续实现精准翻醅,然后对数据进行处理组合,利用神经网络预测出各个监控区域下一时刻的氧含量和温度,然后判断下一时刻的氧含量和温度是否满足翻醅操作的要求,若满足则产生翻醅指令信号和翻醅深度值,控制翻醅机进行翻醅。本发明实时了解发酵容器内的氧含量和温度,引入发酵过程中不同深度环境下的氧含量参数,为传统的翻醅工艺提供更为科学的指导,更加全面的了解发酵进程,采用神经网络进行预测,将不同深度发酵的氧含量和温度作为预测的参考量,更加的准确的预测发酵的进程,然后根据预测实现精准的调控,保证正常的发酵时间,并且提高了成品的品质,从而实现了发酵过程中的自动化与智能化。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明所提供的一种用于固态发酵的智能翻醅控制系统的结构示意图;
图2为本发明所提供的一种用于固态发酵的智能翻醅控制方法的第一种具体实施例的流程图;
图3为本发明所提供的一种用于固态发酵的智能翻醅控制方法的第二种具体实施例的流程图;
图4为本发明在醋醅不同深度含氧量变化曲线图;
图5为本发明在醋醅不同深度温度的变化曲线图;
图6为传统工艺在醋醅不同深度含氧量变化曲线图;
图7为传统工艺在醋醅不同深度温度的变化曲线图;
图8为本发明在醋醅不同深度含氧量预测曲线图;
图9为本发明在醋醅不同深度温度的预测曲线图;
图10为本发明在醋醅不同深度含氧量控制曲线图;
图11为本发明在醋醅不同深度温度的控制曲线图。
具体实施方式
本发明的核心是提供一种用于固态发酵的智能翻醅的控制系统以及控制方法,通过采集发酵容器内不同时刻不同深度监测区域的氧气含量和温度数据,实时了解发酵情况,进行及时准确的翻醅,保证了精确性。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参考图1,图1为本发明所提供的一种用于固态发酵的智能翻醅控制系统的结构示意图;具体结构如下:
采集监测装置、上位机、控制器、存储器和显示器。
采集监测装置包括多个微电极和无线传感器,微电极位于下端,无线传感器位于上端,微电极包括溶氧微电极和温度微电极。
其中,溶氧微电极为Clark氧电极,是极谱电极的一种,其通过测量氧分压来获得与之对应的电信号。氧气通过微电极尖端硅酮膜扩散进电极产生电流,消耗不掉的氧气会被保护阴极消耗掉。皮安级电流传输到主机被放大,然后传输至上位机读数。
多个微电极分别埋在不同深度的固态物料中,实时采集不同深度物料的温度和氧含量数据,通过无线传感器上传至上位机。
上位机接收无线传感器传输的数据,采用上位机内部的模块进行处理,采用神经网络预测下一时刻的温度和氧含量,判断是否翻醅指令和翻醅深度值,控制传感器进行翻醅等操作。
神经网络模型包括:小波神经网络模型、BP神经网络、Elman神经网络、RBF神经网络以及GRNN神经网络中一种或多种。
控制器与上位机无线连接,接收上位机的翻醅指令控制翻醅机进行翻醅。
存储器,用于存储所述各个监测区域数据集,以及所述翻醅机翻醅的时间和翻醅深度值。
显示器,用于显示所述各个监测区域中的氧含量数据和温度数据,以及所述翻醅机翻醅的时间和翻醅深度值。
本发发明所提供的系统,利用微电极采集监测装置用于采集发酵容器内不同深度固体物料中的氧含量和温度,将采集的数据通过无线传感器传输到上位机进行处理,预测,判断是否产生翻醅指令信号和翻醅深度值,控制器接收翻醅指令信号和翻醅深度值控制翻醅机进行翻醅,存储器存储采集的数据以及翻醅时间和翻醅深度值,显示器实时显示发酵容器内的温度和氧含量,还显示翻醅时间和翻醅深度值。实现了对发酵过程中发酵容器的实时监测,并且根据监测的数据实现自动化精准的翻醅,保证发酵的正常进行。
请参考图2,图2为本发明所提供的一种用于固态发酵的智能翻醅控制方法的第一种具体实施例的流程图,具体步骤详情如下:
步骤S201:将发酵容器内的待监测区域纵向深度等分为不同深度监测区域;
将发酵所处容器的待监测固态醅区域采用纵向深度等分的方式,将发酵空间在深度上划分为等距且相互连接的监测区域,若干监测区域按由浅到深的顺序进行编号,标记为1,2,...n(n≥2),且每个相邻监测点的间距应保持一致,约为10cm左右。
步骤S202:利用微电极实时监测不同时刻不同深度监测区域的氧含量数据和温度数据,构成各个监测区域数据集;
利用溶氧微电极监测各个深度监测子区域的氧含量,将所有各个深度监测子区域的氧含量集合为数据集On。
利用温度微电极监测各个深度监测子区域的温度,将所述各个深度监测子区域的温度集合为数据集Tn。
两种微电极,由浅到深放置于各监测子区域中,每个电极的编号与其所在监测区域的编号保持一致,依次标记为1,2,...n;将两种电极用于对相应位置醋醅环境的温度和氧含量进行监测,不同深度监测子区域内的温度和氧含量数据分别构成数据集Tn和On,Tn和On分别表示为第n个采集点对应的温度和氧含量参数值,T,O分别代表醋醅的温度和氧含量。
步骤S203:将所述各个监测区域数据集进行处理组合,得到时间序列数据集;
对各监测子区域的时间序列数据按不同深度进行分组并做降噪和转换处理,得到处理后的时间序列数据集。
步骤S204:将所述时间序列数据输入神经网络模型中进行预测,得到各个监测区域下一时刻的氧含量和温度预测数据;
步骤S205:判断所述各个监测区域下一时刻的氧含量和温度预测数据是否满足预设翻醅决策标准;
步骤S206:若所述各个监测区域下一时刻的氧含量和温度预测数据满足所述预设翻醅决策标准,则产生翻醅指令信号并计算翻醅深度值;
步骤S207:根据所述翻醅指令信号和所述翻醅深度值控制翻醅机进行翻醅操作。
在本实施例中,首先将发酵容器内的待监测固态醅区域,等分为多个监控区域,然后通过微电极实时了解发酵容器内不同深度的发酵温度和氧气含量,提高检测的准确性和灵敏性,并与后续实现精准翻醅,然后对数据进行处理组合,利用神经网络预测出各个监控区域下一时刻的氧含量和温度,最后判断下一时刻的氧含量和温度是否满足翻醅操作的要求,若满足则产生翻醅指令信号和翻醅深度值,控制翻醅机进行翻醅。本发明实时了解发酵容器内的氧含量和温度,引入发酵过程中不同深度环境下的氧含量参数,为传统的翻醅工艺提供更为科学的指导,更加全面的了解发酵进程,采用神经网络进行预测,将不同深度发酵的氧含量和温度作为预测的参考量,更加的准确的预测发酵的进程,然后根据预测实现精准的调控,保证正常的发酵时间,并且提高了成品的品质,实现了发酵过程中的自动化与智能化。
基于上述实施例,本实施例将本发明一种用于固态发酵的智能翻醅控制方法应用于食醋发酵中,请参考图3,图3为本发明所提供的一种用于固态发酵的智能翻醅控制方法的第二种具体实施例的流程图,具体步骤详情如下:
步骤S301:将多个食醋发酵容器中的醋醅区域纵向划分为三个监控区域;
对多个醋酸发酵所处容器的待监测醋醅区域采用纵向深度等分的方式,将每个发酵容器的发酵空间在深度上划分为等距且相互连接的三个监测区域,按由浅到深的顺序进行编号,标记为上层1,中层2,下层3。
步骤S302:利用多个溶氧微电极分别采集三个监控区域的氧含量数据,构成氧含量数据集;
步骤S303:利用多个温度微电极分别采集三个监控区域的温度数据,构成温度数据集;
将每个电极的编号与其所在监测区域的编号保持一致,依次标记为1,2,3(上层,中层,下层);将两种电极用于对相应位置醋醅环境的温度和氧含量进行监测,不同深度监测子区域内的温度和氧含量数据分别构成数据集Tn和On,Tn和On分别表示为第n个采集点对应的温度和氧含量参数值,T,O分别代表醋醅的温度和氧含量,将采集到的数据集通过传感器上传至上位机;采集的温度和氧含量如图4至图7所示,图4和图5为本发明在醋醅不同深度氧含量和温度的变化曲线图,图6和图7为传统工艺在醋醅不同深度氧含量和温度的变化曲线图,两者相比,明显发现本发明的含量整体高于传统发酵的氧含量。
步骤S304:将三个监测区域数据集进行处理组合,得到时间序列数据集;
对三个监测区域的时间序列数据按照上述上层,中层,下层类别进行分组,将预处理转换后的时间序列数据集合,输入小波神经网络中。
步骤S305:时间序列数据输入小波神经网络中进行预测,得到三个监测区域下一时刻的氧含量和温度预测数据;
运用小波神经网络模型预测出下一时刻的温度和氧含量预测值。下一时刻温度和氧含量的预测图如图8和图9所示,图8为醋醅不同深度含氧量预测图,图9为醋醅不同深度温度的预测,该模型的评价结果为R2(拟合优度)为0.976,RMSE(均方根误差)为6.657,证明模型预测能力良好。
步骤S306:判断三个监测区域下一时刻的氧含量和温度预测数据是否满足预设翻醅决策标准;
根据模型预测所得不同深度醋醅环境中,下一时刻的温度和氧含量数据,参照温度范围为30-45℃,氧含量范围为100-270μmol/L。当模型的氧含量预测结果超出设定范围时,执行翻醅操作,以模型各层的温度预测结果作为翻醅深度的依据,即处于30℃以上的醋醅深度层为翻醅深度。将得到的翻醅指令信号与深度值发送至管理控制中心。
步骤S307:当三个监测区域下一时刻的氧含量和温度预测数据满足所述预设翻醅决策标准,则产生翻醅指令信号并计算翻醅深度值;
步骤S308:根据翻醅指令信号和翻醅深度值控制翻醅机进行翻醅操作。
综上,基于智能翻醅控制系统完成的发酵过程中温度与氧含量变化情况如图10和11所示,图10为醋醅不同深度含氧量控制曲线图,图11为醋醅不同深度温度的控制曲线。
如下表1和表2所示,传统工艺和本发明的智能工艺所生产的食醋指标进行对比,对新旧两种工艺生产的成品醋进行评价,根据《GBT18623-2011地理标志产品镇江香醋》国家标准测定,结果如表1和表2所示。基于智能翻醅系统生产得到的食醋总酸和不挥发酸含量均高于传统工艺生产的食醋,且其成品醋在滋味和香味上优于传统工艺,香味更加醇厚纯净,口感柔和协调,并且在整个发酵过程的周期较原本的缩短了两天,实现了对醋酸发酵过程的有效控制。
表1两种工艺的理化指标对比
表2两种工艺的感官评价对比
本发明具有的效果为:
(1)根据食醋固态发酵的特点,对食醋固态发酵池的空间区域进行划分,布置多个监测点,采集醋醅不同深度环境下的温度与氧含量数据,提高监测的准确性与灵敏性;
(2)引入发酵过程中醋醅不同深度环境下的氧含量参数,为传统的翻醅工艺提供更为科学的指导,更加全面的了解发酵进程;
(3)通过小波神经网络预测模型,将不同深度醋醅温度和氧含量两种变量作为预测发酵进程的参考量,相比于单一的温度预测方式,更能准确地预测发酵进程,并且本发明还适用于其他固态发酵体系。
(4)实现了食醋固态发酵过程监测的自动化与智能化,达到食醋智能发酵的目的。
以上对本发明所提供的一种用于固态发酵的智能翻醅控制系统以及控制方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种用于固态发酵的智能翻醅控制系统,其特征在于,包括:
采集装置,位于发酵容器固态物料中,监测并采集不同时刻不同深度监测区域中的氧含量数据和温度数据,生成各个监测区域数据集,传送至上位机;
所述上位机,包括:数据处理模块、预测模块和数据分析模块;
所述数据处理模块,用于接收所述各个监控区域数据集,对所述各个监控区域数据集进行处理,得到时间序列数据集;
所述预测模块,用于将所述时间序列数据集输入神经网络模型中,利用所述神经网络模型预测所述各个监控区域下一时刻的氧含量数据和温度数据;
所述数据分析模块,用于判断所述各个监控区域下一时刻的氧含量数据和温度数据是否达到翻醅操作的阈值,产生翻醅指令信号和翻醅深度值;
控制器,用于根据所述翻醅指令信号和翻醅深度值,控制翻醅机启动和调节所述翻醅机翻铲的深度。
2.如权利要求1所述的系统,其特征在于,还包括:
存储器,用于存储所述各个监测区域数据集,以及所述翻醅机翻醅的时间和翻醅深度值;
显示器,用于显示所述各个监测区域中的氧含量数据和温度数据,以及所述翻醅机翻醅的时间和翻醅深度值。
3.如权利要求1所述的系统,其特征在于,所述采集装置包括:溶氧微电极和温度微电极。
4.如权利要求3所述的系统,其特征在于,所述溶氧微电极和温度微电极的数量至少与所述不同深度监测区域的个数相同。
5.如权利要求3所述的系统,其特征在于,所述溶氧微电极为Clark氧电极。
6.如权利要求1所述的系统,其特征在于,所述神经网络模型包括:小波神经网络模型、BP神经网络、Elman神经网络、RBF神经网络以及GRNN神经网络中一种或多种。
7.一种用于固态发酵的智能翻醅控制方法,其特征在于,包括:
利用微电极实时监测不同时刻不同深度监测区域的氧含量数据和温度数据,构成各个监测区域数据集;
将所述各个监测区域数据集进行处理组合,得到时间序列数据集;
将所述时间序列数据输入神经网络模型中进行预测,得到各个监测区域下一时刻的氧含量和温度预测数据;
判断所述各个监测区域下一时刻的氧含量和温度预测数据是否满足预设翻醅决策标准;
若所述各个监测区域下一时刻的氧含量和温度预测数据满足所述预设翻醅决策标准,则产生翻醅指令信号并计算翻醅深度值;
根据所述翻醅指令信号和所述翻醅深度值控制翻醅机进行翻醅操作。
8.如权利要求7所述的方法,其特征在于,所述利用微电极实时监测不同时刻不同深度监测区域的氧含量数据和温度数据,构成各个监测区域数据集前包括:
采用纵向深度等分的方式将发酵容器内的待监测区域划分为等距且相互连接的多个不同深度的监测区域。
9.如权利要求7所述的方法,其特征在于,所述利用微电极实时监测当前时刻不同深度监测区域的氧含量数据和温度数据,构成各个监测区域的数据集包括:
利用溶氧微电极监测各个深度监测子区域的氧含量,将所有各个深度监测子区域的氧含量集合为数据集On;
利用温度微电极监测各个深度监测子区域的温度,将所述各个深度监测子区域的温度集合为数据集Tn。
10.如权利要求9所述的方法,其特征在于,所述将所述各个监测区域数据集进行处理组合,得到时间序列数据集包括:
将所述数据集On和所述数据集Tn按照不同深度的检测区域进行分组,并进行降噪和转化处理,得到所述时间序列数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210385754.8A CN114672395A (zh) | 2022-04-13 | 2022-04-13 | 一种用于固态发酵的智能翻醅控制系统以及控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210385754.8A CN114672395A (zh) | 2022-04-13 | 2022-04-13 | 一种用于固态发酵的智能翻醅控制系统以及控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114672395A true CN114672395A (zh) | 2022-06-28 |
Family
ID=82078659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210385754.8A Pending CN114672395A (zh) | 2022-04-13 | 2022-04-13 | 一种用于固态发酵的智能翻醅控制系统以及控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114672395A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116675564A (zh) * | 2023-08-03 | 2023-09-01 | 北京市农林科学院智能装备技术研究中心 | 基于数字孪生的畜禽粪污发酵监控方法、系统及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011058585A1 (en) * | 2009-11-10 | 2011-05-19 | Carlo Farotto | Automated winemaking system and winemaking method thereof |
CN102816681A (zh) * | 2012-09-05 | 2012-12-12 | 江苏恒顺醋业股份有限公司 | 一种食醋固态发酵过程中的数字化监测和智能翻醅方法 |
CN105259827A (zh) * | 2015-10-16 | 2016-01-20 | 江苏大学 | 一种固态发酵过程状况的实时监控系统与监控方法 |
CN106292802A (zh) * | 2016-09-18 | 2017-01-04 | 中国农业大学 | 一种用于鱼菜共生系统的智能预测控制系统及方法 |
CN205893226U (zh) * | 2016-08-08 | 2017-01-18 | 江苏恒顺醋业股份有限公司 | 食醋固态发酵设备的实时温控系统 |
CN112348253A (zh) * | 2020-11-06 | 2021-02-09 | 中国石油大学(华东) | 一种基于全连接神经网络的固态发酵效用预测方法 |
-
2022
- 2022-04-13 CN CN202210385754.8A patent/CN114672395A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011058585A1 (en) * | 2009-11-10 | 2011-05-19 | Carlo Farotto | Automated winemaking system and winemaking method thereof |
CN102816681A (zh) * | 2012-09-05 | 2012-12-12 | 江苏恒顺醋业股份有限公司 | 一种食醋固态发酵过程中的数字化监测和智能翻醅方法 |
CN105259827A (zh) * | 2015-10-16 | 2016-01-20 | 江苏大学 | 一种固态发酵过程状况的实时监控系统与监控方法 |
CN205893226U (zh) * | 2016-08-08 | 2017-01-18 | 江苏恒顺醋业股份有限公司 | 食醋固态发酵设备的实时温控系统 |
CN106292802A (zh) * | 2016-09-18 | 2017-01-04 | 中国农业大学 | 一种用于鱼菜共生系统的智能预测控制系统及方法 |
CN112348253A (zh) * | 2020-11-06 | 2021-02-09 | 中国石油大学(华东) | 一种基于全连接神经网络的固态发酵效用预测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116675564A (zh) * | 2023-08-03 | 2023-09-01 | 北京市农林科学院智能装备技术研究中心 | 基于数字孪生的畜禽粪污发酵监控方法、系统及存储介质 |
CN116675564B (zh) * | 2023-08-03 | 2023-12-05 | 北京市农林科学院智能装备技术研究中心 | 基于数字孪生的畜禽粪污发酵监控方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
de Andrés-Toro et al. | A kinetic model for beer production under industrial operational conditions | |
CN105259827B (zh) | 一种固态发酵过程状况的实时监控系统与监控方法 | |
US20230313116A1 (en) | Methods, devices, and computer program products for standardizing a fermentation process | |
CN101539776B (zh) | 计算机实现的方法 | |
US20070207538A1 (en) | Operation controller of culture tank | |
CN113126490B (zh) | 智能变频增氧控制方法及装置 | |
CN114672395A (zh) | 一种用于固态发酵的智能翻醅控制系统以及控制方法 | |
US11603517B2 (en) | Method for monitoring a biotechnological process | |
CN103500280A (zh) | 谷氨酸发酵过程菌体浓度在线软测量方法 | |
Holubar et al. | Start‐up and recovery of a biogas‐reactor using a hierarchical neural network‐based control tool | |
CN101995891B (zh) | 一种芳香酸生产中母固料回收系统水分在线分析方法 | |
CN107782857A (zh) | 基于改进cs‑bpnn的食用菌发酵过程关键参量的软测量方法 | |
WO2006063942A1 (de) | Verfahren zur steuerung einer fermentation eines substrats und entsprechende vorrichtung | |
CN102816681A (zh) | 一种食醋固态发酵过程中的数字化监测和智能翻醅方法 | |
US10892033B2 (en) | Method for monitoring bioprocesses | |
CN105349690A (zh) | 一种基于微生物群落产酸指数的固态酿造食醋发酵过程监测方法 | |
JPS60224484A (ja) | 食酢の製造法およびその装置 | |
CN114967779B (zh) | 一种食用菌栽培料搅拌机智能化搅拌控制系统 | |
CN104503226A (zh) | 基于多传感器信息融合的发酵室环境无线Wi-Fi远程监控系统 | |
CN1597918A (zh) | 食用菌液体发酵过程中温度的控制方法及装置 | |
CN103468831A (zh) | 夏季高温期醋醅固态发酵智能监测和补给方法 | |
KR102290106B1 (ko) | 인공지능기반 막걸리 품질 예측을 통한 자동제어시스템 | |
CN203689080U (zh) | 一种啤酒发酵罐监控系统 | |
KR20200046193A (ko) | 막걸리 품질센서 | |
JP2020006291A (ja) | バイオガスの発生量を予測するための予測情報の作成方法、および、当該予測情報の利用 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230712 Address after: 214000 1800 Lihu Avenue, Binhu District, Wuxi, Jiangsu Applicant after: Jiangnan University Applicant after: JIANGSU HENGSHUN VINEGAR-INDUSTRY Co.,Ltd. Address before: 214000 7th floor, South Building, No. 898, Tongsha Road, Wuxi, Jiangsu Applicant before: Jiangnan University |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220628 |