CN114971599A - 食品制造加工工艺参数设置方法、装置、设备及介质 - Google Patents
食品制造加工工艺参数设置方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN114971599A CN114971599A CN202210919709.6A CN202210919709A CN114971599A CN 114971599 A CN114971599 A CN 114971599A CN 202210919709 A CN202210919709 A CN 202210919709A CN 114971599 A CN114971599 A CN 114971599A
- Authority
- CN
- China
- Prior art keywords
- model
- online
- data
- optimal
- food manufacturing
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 271
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 119
- 235000013305 food Nutrition 0.000 title claims abstract description 109
- 238000012545 processing Methods 0.000 title claims abstract description 76
- 230000008569 process Effects 0.000 claims abstract description 215
- 238000005457 optimization Methods 0.000 claims abstract description 61
- 238000012216 screening Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 12
- 239000002245 particle Substances 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000007637 random forest analysis Methods 0.000 description 7
- 238000010923 batch production Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000005923 long-lasting effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- General Preparation And Processing Of Foods (AREA)
- General Factory Administration (AREA)
Abstract
本申请公开了一种食品制造加工工艺参数设置方法、装置、设备及介质，涉及食品工业技术领域，包括：采集食品制造加工过程中产生的食品制造加工数据并从中筛选出与质量指标及对应的工艺参数相关的数据，得到质量指标和工艺参数数据集；基于质量指标和工艺参数数据集建立可在线更新的不同结构的多种在线数据驱动模型，形成在线模型库并从中确定出最优模型；基于最优模型构建最优化问题并对其进行求解得到工艺参数最优值，以对最优模型中的参数进行设置。本申请通过以多种可在线更新的不同结构模型构建模型库对工艺参数进行自动优化，解决了食品制造加工过程，由于批次级数据稀疏，不可测干扰多，影响工艺参数优化，进而造成的产品质量下降问题。
Description
技术领域
本申请涉及食品工业技术领域，特别涉及一种食品制造加工工艺参数设置方法、装置、设备及介质。
背景技术
在食品制造加工等分批生产的复杂流程工业的生产过程中，需要对大量的工艺参数进行设置，合理的工艺参数设置能够带来产品质量的提升和能耗的降低，然而，由于工艺参数设置不合理而导致产品质量缺陷的现象时有发生，因此，针对食品制造加工等分批生产的复杂流程工业，找到更为合适的工艺参数十分重要。
目前，在对食品制造加工流程生产过程中的工艺参数进行设置时，除了传统的依据一线生产人员长期生产经验的人工经验法以及试验有代表性的参数组合的正交试验法外，基于数据挖掘模型的工艺参数设置方法也得到了广泛的应用。然而，传统的人工经验法和正交试验法都高度依赖于人工经验，即使是正交试验，其参数组合也是人为制定的，难以获得真正最优的工艺参数；而基于数据挖掘模型的工艺参数优化方法，虽然不依赖于人工经验，但对模型准确性的要求极高，随着时间的推移，设备状态、工况、不可测干扰等因素将导致模型准确性逐步降低，与之对应的工艺参数优化结果的可用性也越来越差。
因此，如何对分批生产的复杂流程工业生产过程中的工艺参数进行设置，避免由于工艺参数不佳而造成产品质量下降的问题是本领域技术人员目前需要解决的问题。
发明内容
有鉴于此，本申请的目的在于提供一种食品制造加工工艺参数设置方法、装置、设备及介质，能够不依赖于人工经验对工艺参数进行自动优化，有效解决了食品制造加工过程，由于批次级数据稀疏，不可测干扰多，影响工艺参数优化，进而造成的产品质量下降问题。其具体方案如下：
第一方面，本申请公开了一种食品制造加工工艺参数设置方法，包括：
采集食品制造加工过程中产生的食品制造加工数据，并从所述食品制造加工数据中筛选出与质量指标及对应的工艺参数相关的数据，得到质量指标和工艺参数数据集；
基于所述质量指标和工艺参数数据集建立可在线更新的不同结构的多种在线数据驱动模型，形成在线模型库，并从所述在线模型库中确定出最优模型；
基于所述最优模型并以产品质量指标最优为目标构建最优化问题，并对所述最优化问题进行求解，得到工艺参数最优值，再利用所述工艺参数最优值对所述最优模型中的参数进行设置。
可选的，所述基于所述质量指标和工艺参数数据集建立可在线更新的不同结构的多种在线数据驱动模型，形成在线模型库，包括：
对所述质量指标和工艺参数数据集进行预处理，得到预处理后质量指标和工艺参数数据集，并对所述质量指标和工艺参数数据集中每一样本数据进行标记，得到标记结果；
基于所述预处理后质量指标和工艺参数数据集建立可在线更新的不同结构的多种带遗忘因子的在线数据驱动模型，形成在线模型库。
可选的，所述从所述在线模型库中确定出最优模型，包括：
利用历史批次食品制造加工数据对所述在线模型库中的所述在线数据驱动模型进行训练，得到训练后模型，并从所有所述训练后模型中确定出最优模型。
可选的，所述利用历史批次食品制造加工数据对所述在线模型库中的所述在线数据驱动模型进行训练，得到训练后模型，包括：
获取历史批次食品制造加工数据，并按照实际食品制造加工顺序逐个将所述历史批次食品制造加工数据中的样本数据输入至所述在线模型库中的所述在线数据驱动模型中进行训练，得到训练后模型。
可选的，所述利用所述工艺参数最优值对所述最优模型中的参数进行设置之后，还包括：
获取新食品制造加工完成批次的质量指标及对应的工艺参数，得到新质量指标及对应的新工艺参数，并对所述新质量指标及对应的新工艺参数进行校验；
若所述新质量指标及对应的新工艺参数校验通过，则使用所述新质量指标及对应的新工艺参数并结合所述标记结果对所述在线模型库中的所有所述在线数据驱动模型的参数进行更新。
可选的，所述食品制造加工工艺参数设置方法，还包括：
统计所述新质量指标及对应的新工艺参数的数量，得到目标数量，并判断所述目标数量是否超过预设数量；
若所述目标数量超过所述预设数量，则评估所述在线模型库中的各个所述在线数据驱动模型对所述新质量指标及对应的新工艺参数的预测效果，并根据所述预测效果重新选择出新的最优模型，再将所述新的最优模型保存至所述在线模型库。
可选的，其特征在于，所述对所述最优化问题进行求解，得到工艺参数最优值，包括：
利用粒子群算法对所述最优化问题进行求解，得到工艺参数最优值。
第二方面，本申请公开了一种工艺参数设置装置，包括：
数据采集模块，用于采集食品制造加工过程中产生的食品制造加工数据；
数据筛选模块，用于从所述食品制造加工数据中筛选出与质量指标及对应的工艺参数相关的数据，得到质量指标和工艺参数数据集；
模型建立模块，用于基于所述质量指标和工艺参数数据集建立可在线更新的不同结构的多种在线数据驱动模型，形成在线模型库；
最优模型确定模块，用于从所述在线模型库中确定出最优模型；
最优化问题创建模块，用于基于所述最优模型并以产品质量指标最优为目标构建最优化问题；
最优化问题求解模块，用于对所述最优化问题进行求解，得到工艺参数最优值；
模型参数设置模块，用于利用所述工艺参数最优值对所述最优模型中的参数进行设置。
第三方面，本申请公开了一种电子设备，包括处理器和存储器；其中，所述处理器执行所述存储器中保存的计算机程序时实现前述的食品制造加工工艺参数设置方法。
第四方面，本申请公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述的食品制造加工工艺参数设置方法。
可见，本申请先采集食品制造加工过程中产生的食品制造加工数据，并从所述食品制造加工数据中筛选出与质量指标及对应的工艺参数相关的数据，得到质量指标和工艺参数数据集，然后基于所述质量指标和工艺参数数据集建立可在线更新的不同结构的多种在线数据驱动模型，形成在线模型库，并从所述在线模型库中确定出最优模型，最后基于所述最优模型并以产品质量指标最优为目标构建最优化问题，并对所述最优化问题进行求解，得到工艺参数最优值，再利用所述工艺参数最优值对所述最优模型中的参数进行设置。本申请提出了一种包含数据在线处理、模型在线更新和模型选择的食品制造加工工艺参数设置方法，以多种可在线更新的不同结构模型构建在线模型库，并基于从在线模型库中选择出最优模型构建最优化问题，通过对最优化问题进行求解得到工艺参数最优值，从而实现了不依赖于人工经验对工艺参数进行自动优化，有效解决了食品制造加工分批生产的复杂流程工业过程中，由于工艺参数不佳而造成的产品质量下降问题，同时通过将整个食品制造加工工艺参数设置在线化，解决了批次级数据稀疏、不可测干扰较多的问题。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种食品制造加工工艺参数设置方法流程图；
图2为本申请公开的一种具体的粒子群算法计算流程图；
图3为本申请公开的一种具体的食品制造加工工艺参数设置方法流程图；
图4为本申请公开的一种工艺参数设置装置结构示意图；
图5为本申请公开的一种电子设备结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请实施例公开了一种食品制造加工工艺参数设置方法，参见图1所示，该方法包括：
步骤S11：采集食品制造加工过程中产生的食品制造加工数据，并从所述食品制造加工数据中筛选出与质量指标及对应的工艺参数相关的数据，得到质量指标和工艺参数数据集。
本实施例中，首先需要对食品制造加工的过程进行分析，通过对食品制造加工过程的调研和分析，识别出需要进行工艺参数优化的分批生产的复杂流程工业生产过程中某一质量指标对应的多项工艺参数，然后不断收集食品制造加工过程中产生的批次级流数据，接着从每一条所述批次级流数据中筛选出需要进行工艺参数优化的所有质量指标及对应的工艺参数，进而得到质量指标和工艺参数数据集。
步骤S12：基于所述质量指标和工艺参数数据集建立可在线更新的不同结构的多种在线数据驱动模型，形成在线模型库，并从所述在线模型库中确定出最优模型。
本实施例中，从所述食品制造加工数据中筛选出与质量指标及对应的工艺参数相关的数据，得到质量指标和工艺参数数据集之后，可以基于上述质量指标和工艺参数数据集建立可在线更新的不同结构的多种在线数据驱动模型，然后将所有上述在线数据驱动模型放入预先创建的模型库中，形成在线模型库，接着可以通过大量历史批次食品制造加工数据对上述在线模型库中的所有所述在线数据驱动模型进行训练，最后从训练后的模型中确定出表现最优的模型，并将其作为所述在线模型库中的最优模型。
本实施例中，所述基于所述质量指标和工艺参数数据集建立可在线更新的不同结构的多种在线数据驱动模型，形成在线模型库，具体可以包括：对所述质量指标和工艺参数数据集进行预处理，得到预处理后质量指标和工艺参数数据集，并对所述质量指标和工艺参数数据集中每一样本数据进行标记，得到标记结果；基于所述预处理后质量指标和工艺参数数据集建立可在线更新的不同结构的多种带遗忘因子的在线数据驱动模型，形成在线模型库。在一种具体的实施方式中，先对质量指标和工艺参数数据集进行预处理，如从质量指标和工艺参数数据集中去除含有缺失值和异常值的样本，同时对质量指标和工艺参数数据集中每一样本数据进行标记，如标记为“可用”或“不可用”，接着可以基于预处理后质量指标和工艺参数数据集建立可在线更新的不同结构的多种带遗忘因子的在线数据驱动模型，形成在线模型库。例如，选择带遗忘因子的递推最小二乘线性模型、蒙德里安随机森林模型、人工神经网络模型的三种可在线更新的并且结构不同的模型，然后根据预处理后质量指标和工艺参数数据集中所包含的质量指标和工艺参数对上述带遗忘因子的递推最小二乘线性模型、蒙德里安随机森林模型、人工神经网络模型中的参数进行相应的设置，即将上述三种模型中的参数与上述预处理后质量指标和工艺参数数据集中所包含的质量指标和工艺参数进行适配，得到设置后的递推最小二乘线性模型、设置后的蒙德里安随机森林模型和设置后的人工神经网络模型，然后形成包含所述设置后的递推最小二乘线性模型、所述设置后的蒙德里安随机森林模型和所述设置后的人工神经网络模型的在线模型库。
步骤S13：基于所述最优模型并以产品质量指标最优为目标构建最优化问题，并对所述最优化问题进行求解，得到工艺参数最优值，再利用所述工艺参数最优值对所述最优模型中的参数进行设置。
本实施例中，从所述在线模型库中确定出最优模型之后，可以进一步的基于上述最优模型并以产品质量指标最优为目标构建最优化问题，然后通过最优化问题求解算法对上述最优化问题进行求解，得到相应的工艺参数最优值，再利用上述工艺参数最优值对上述最优模型中的参数进行设置，即更新上述最优模型中的参数。
在一种具体的实施方式中，所述对所述最优化问题进行求解，得到工艺参数最优值，具体可以包括：利用粒子群算法对所述最优化问题进行求解，得到工艺参数最优值。需要指出的是，对最优化问题进行求解，考虑到在线模型库中模型结构的多样性，因此需使用更加通用的优化问题求解算法。优选的，采用粒子群算法（PSO，Particle SwarmOptimization）对最优化问题进行求解，参见图2所述，图2示出了一种具体的粒子群算法的运行过程：先初始化粒子群并对参数进行设置，然后计算目标函数值，接着更新个体最优值Pbest及群体最优值Gbest，然后判断是否满足收敛判据，若满足则更新每个粒子的位置矢量和速度矢量并进行循环，若不满足则输出最优结果及迭代次数。
进一步的，所述利用所述工艺参数最优值对所述最优模型中的参数进行设置之后，还可以包括：获取新食品制造加工完成批次的质量指标及对应的工艺参数，得到新质量指标及对应的新工艺参数，并对所述新质量指标及对应的新工艺参数进行校验；若所述新质量指标及对应的新工艺参数校验通过，则使用所述新质量指标及对应的新工艺参数并结合标记结果对所述在线模型库中的所有所述在线数据驱动模型的参数进行更新。需要指出的是，本实施例支持在线模型库中的在线数据驱动模型进行在线更新，具体的，随着食品制造加工的进行，不断的获取新质量指标及其对应的新工艺参数，然后对获取到的所述新质量指标及其对应的新工艺参数进行校验，如检测所述新质量指标及其对应的新工艺参数中是否存在缺失值或异常值，若存在缺失值或异常值则将其标记为“不可用”，若不存在缺失值或异常值则将其标记为“可用”，然后使用标记为“可用”的数据对上述在线模型库中的所有所述在线数据驱动模型的参数进行更新。
另外，本实施例中，所述使用所述新质量指标及对应的新工艺参数并结合标记结果对所述在线模型库中的所有所述在线数据驱动模型的参数进行更新之后，还可以包括：统计所述新质量指标及对应的新工艺参数的数量，得到目标数量，并判断所述目标数量是否超过预设数量；若所述目标数量超过所述预设数量，则评估所述在线模型库中的各个所述在线数据驱动模型对所述新质量指标及对应的新工艺参数的预测效果，并根据所述预测效果重新选择出新的最优模型，再将所述新的最优模型保存至所述在线模型库。也即，当新的食品制造加工批次量累计到一定数量时，评估在线模型库中所有模型对新生产批次数据的预测效果，然后根据预测效果重新选择出表现最优的模型来替换原最优模型，作为新的最优模型，并将上述新的最优模型保存到上述在线模型库中方便随时调用。
可见，本申请实施例先采集食品制造加工过程中产生的食品制造加工数据，并从所述食品制造加工数据中筛选出与质量指标及对应的工艺参数相关的数据，得到质量指标和工艺参数数据集，然后基于所述质量指标和工艺参数数据集建立可在线更新的不同结构的多种在线数据驱动模型，形成在线模型库，并从所述在线模型库中确定出最优模型，最后基于所述最优模型并以产品质量指标最优为目标构建最优化问题，并对所述最优化问题进行求解，得到工艺参数最优值，再利用所述工艺参数最优值对所述最优模型中的参数进行设置。本申请提出了一种包含数据在线处理、模型在线更新和模型选择的食品制造加工工艺参数设置方法，以多种可在线更新的不同结构模型构建在线模型库，并基于从在线模型库中选择出最优模型构建最优化问题，通过对最优化问题进行求解得到工艺参数最优值，从而实现了不依赖于人工经验对工艺参数进行自动优化，有效解决了食品制造加工分批生产的复杂流程工业过程中，由于工艺参数不佳而造成的产品质量下降问题，同时通过将整个食品制造加工工艺参数设置在线化，解决了批次级数据稀疏、不可测干扰较多的问题。
本申请实施例公开了一种具体的食品制造加工工艺参数设置方法，参见图3所示，该方法包括：
步骤S21：采集食品制造加工过程中产生的食品制造加工数据，并从所述食品制造加工数据中筛选出与质量指标及对应的工艺参数相关的数据，得到质量指标和工艺参数数据集。
步骤S22：对所述质量指标和工艺参数数据集进行预处理，得到预处理后质量指标和工艺参数数据集，并对所述质量指标和工艺参数数据集中每一样本数据进行标记，得到标记结果。
本实施例中，从所述食品制造加工数据中筛选出与质量指标及对应的工艺参数相关的数据，得到质量指标和工艺参数数据集之后，进一步的，对上述质量指标和工艺参数数据集进行预处理，得到预处理后质量指标和工艺参数数据集，同时，对上述质量指标和工艺参数数据集中每一样本数据进行标记，得到相应的标记结果。具体的，可以通过数据清洗、异常检测、稳态性分析对上述质量指标和工艺参数数据集进行数据过滤并对上述质量指标和工艺参数数据集进行标记。
在一种具体的实施方式中，每当新的批次生产完成后，获取该批次的工艺参数及其对应的质量指标并将其作为样本数据，然后对该批次的工艺参数及其对应的质量指标进行数据校验，以识别该批次的工艺参数及其对应的质量指标中是否存在的缺失值或异常值，然后将其标记为“不可用”，反之标记为“可用”。其中，判断是否含有异常值的方法为：基于近期一定数量的食品制造加工数据分别计算各个工艺参数和质量指标的均值
和标准偏差
，若任一工艺参数或质量指标不在
范围内，则判断其为异常值。需要指出的是，由于在线流数据中存在较多不可测干扰，因此需要间歇性地用新生产数据来更新
和
的值，从而保证异常检测的可靠性。其次，对于“可用”的数据样本，进一步分析其潜在分布的稳态性和概念漂移的存在性。具体的，每一组完整样本都是从食品制造加工过程所对应的联合概率分布中采样而得到的，联合概率分布可表示为：
其中，
的变化部分称为虚拟概念漂移，
的变化部分称为真实概念漂移，
的变化会导致数据集的稳态性假设被打破，从而不能对所有样本一视同仁地考虑。在实际的食品制造加工过程中，
主要受到原料和生产环境变化、产量调整、传感器偏移等不可测干扰影响，而
主要受到生产模式调整、机器故障和维护、加工强度等不可测干扰影响。因此，联合概率分布
的变化情况往往复杂且长久，从样本本身的角度可以对概念漂移进行初步的检测。具体的，维护大小为K的一个滑动窗在新数据样本上进行扫描（即每一步滑动窗内都包含K个样本），将该滑动窗分成两部分R和
，其中
包含了最近的
个样本（满足
），而
中的
个样本是从剩下的
个样本中按照均匀分布概率采样获得。分别对于R和W而言，基于其包含样本的
的每一个维度和
，可以定义一种经验累积分布，即
其中，
为指示函数，仅当
时值为1，其余为0。对于R和W各自的经验累积分布可以定义两者之间的距离，即
其中，d代表了某一个维度，sup为上确界运算符。对于每一个维度d，可以考虑柯尔莫哥洛夫-斯米尔诺夫检验（Kolmogorov–Smirnov test）来检验两个经验分布是否不同，即当存在d使得
则说明在该滑动窗内发生了可能的概念漂移，
为置信程度，用来平衡检验的敏感性和鲁棒性。当概念漂移被检测到时，将对当前滑动窗进行“漂移”的标记，表示其前后样本的概率分布可能发生了一定的变化，后续需要模型的注意和相应策略。
步骤S23：基于所述预处理后质量指标和工艺参数数据集建立可在线更新的不同结构的多种带遗忘因子的在线数据驱动模型，形成在线模型库。
具体的，对所述质量指标和工艺参数数据集进行预处理，得到预处理后质量指标和工艺参数数据集，并对所述质量指标和工艺参数数据集中每一样本数据进行标记得到标记结果之后，可以选择带遗忘因子的递推最小二乘线性模型、蒙德里安随机森林模型、人工神经网络模型等多种可在线更新的不同结构模型，在大量历史生产数据中筛选上述所有“可用”的样本进行模型训练并形成在线模型库。
步骤S24：利用历史批次食品制造加工数据对所述在线模型库中的所述在线数据驱动模型进行训练，得到训练后模型，并从所有所述训练后模型中确定出最优模型。
本实施例中，基于所述预处理后质量指标和工艺参数数据集建立可在线更新的不同结构的多种带遗忘因子的在线数据驱动模型形成在线模型库之后，可以利用历史批次食品制造加工数据对上述在线模型库中的所述在线数据驱动模型进行训练，得到训练后模型，然后从所有上述训练后模型中确定出最优模型。
具体的，所述利用历史批次食品制造加工数据对所述在线模型库中的所述在线数据驱动模型进行训练，得到训练后模型，可以包括：获取历史批次食品制造加工数据，并按照实际食品制造加工顺序逐个将所述历史批次食品制造加工数据中的样本数据输入至所述在线模型库中的所述在线数据驱动模型中进行训练，得到训练后模型。需要指出的是，为保证模型预训练结果与实际应用结果一致，训练过程中需参照模型的实际应用过程，按样本的实际生产顺序将历史食品制造加工数据的样本逐个传入模型中，当数据集最后一个“可用”样本传入模型后，完成模型的训练。当所有不同结构模型完成预训练后，分别计算生成各模型训练过程中质量指标预测值与实际值的
（Coefficient of Determination，决定系数）累积变化曲线，最终
值最高且曲线整体呈现递增趋势的模型被初步确定为优选模型。其中
的计算公式为：
进一步的，将优选模型表示为：
式中，
为当前批次的各食品制造加工工艺参数（还未获取实际值），
为当前批次模型预测的质量指标（还未获取实际值），
为最新的优选模型。
步骤S25：基于所述最优模型并以产品质量指标最优为目标构建最优化问题，并利用粒子群算法对所述最优化问题进行求解，得到工艺参数最优值，再利用所述工艺参数最优值对所述最优模型中的参数进行设置。
在一种具体的实施方式中，从所有所述训练后模型中确定出最优模型之后，可以以上述最优模型作为等式约束、上述工艺参数数据集中各工艺参数的取值范围作为不等式约束、产品质量指标最优作为目标函数，构建最优化问题，然后对上述最优化问题进行求解，得到工艺参数最优值，再利用上述工艺参数最优值对所述最优模型中的参数进行设置。
其中，所述构建最优化问题的过程，如下所示：
其中，
为待优化的各工艺参数，
为模型预测的质量指标值，
为最新的优选模型，
为质量指标的目标/标准值，目标函数为使质量指标与其目标值尽可能接近，约束为各工艺参数的取值范围。
步骤S26：获取新食品制造加工完成批次的质量指标及对应的工艺参数，得到新质量指标及对应的新工艺参数，并对所述新质量指标及对应的新工艺参数进行校验。
在一种具体的实施方式中，利用所述工艺参数最优值对所述最优模型中的参数进行设置之后，可以基于上述标记方式收集并标记最新批次级的生产数据样本，即将最新批次数据标记为“可用”或“不可用”。
步骤S27：若所述新质量指标及对应的新工艺参数校验通过，则使用所述新质量指标及对应的新工艺参数并结合所述标记结果对所述在线模型库中的所有所述在线数据驱动模型的参数进行更新。
本实施例中，如果上述新质量指标及对应的新工艺参数校验通过，则可以将最新批次产生的所述新质量指标及对应的新工艺参数传入至在线模型库中的所有模型中并对模型参数进行迭代更新。这样一来，便可以防止不可测干扰和概念漂移对模型的持续影响，避免模型预测值与实际值之间产生稳定偏差；相应的，若最新批次的数据“不可用”，则不进行模型更新。
其次，对于在线模型库中的每一个模型都维护一个大小为k'的滑动窗，包含最近k'批次的绝对预测误差，基于此可以计算滑动平均误差为：
需要指出的是，在步骤S24中，利用历史批次食品制造加工数据对所述在线模型库中的所述在线数据驱动模型进行训练时，可以实时计算该滑动平均误差，并得到该误差的均值
和标偏
，于是在线更新时，当检测到
则表明当前模型的预测误差出现了一定的偏差（δ为检测阈值），与此同时如果该滑动窗内存在“漂移”标记的样本，则对递推最小二乘线性模型中的遗忘因子和人工神经网络中的学习率进行调整，从而使得模型可以更快地适应不可测干扰带来的大变化。具体的，记遗忘因子的倒数/学习率为α,当以上两种情况出现时调整策略为：
其中，
为控制调节的速率，
为调节阈值以控制最大的调节幅度。该策略将一直迭代直到模型预测偏差回到正常范围或“漂移”标记样本没有被检测到，此时
的值将被重置为初始设置值，即保证模型在正常的样本上有着平稳的更新。
步骤S28：统计所述新质量指标及对应的新工艺参数的数量，得到目标数量，并判断所述目标数量是否超过预设数量。
步骤S29：若所述目标数量超过所述预设数量，则评估所述在线模型库中的各个所述在线数据驱动模型对所述新质量指标及对应的新工艺参数的预测效果，并根据所述预测效果重新选择出新的最优模型，再将所述新的最优模型保存至所述在线模型库。
在一种具体的实施方式中，先设置模型性能评估的步长M，随着食品制造加工的进行，每当新的批次样本到达后，计算当前数据流中累积“可用”的批次样本数量m。当累积样本数量m达到预设步长M时，将上述M批“可用”样本按实际生产顺序传入在线模型库中所有模型依次进行质量指标预测，并统计各模型在“可用”样本上的质量指标预测值与实际值的
曲线情况，选择最终
值最高且曲线整体呈现递增趋势的模型替换原优选模型，作为新的优选模型。进一步的，其次，将上述模型性能评估所用的最新M个样本标记为“已用”，在后续累积样本时不会再考虑这些“已用”的样本，从而保证模型性能评估都是基于最新的一些样本，满足实际生产的节拍，并且，需要指出的是，步骤S29与前面的几个步骤可以以并行的方式进行，互不影响。
本实施例中，还可以周期性地对模型库中所有模型在一些新数据样本上的表现进行自动检查和比较，从而选择出当前的优选模型，优选模型将直接用于实际过程的质量指标预测和工艺参数实时优化，进而实现模型结构可以自动调整的灵活性，提高模型准确性的上限。
其中，关于上述步骤S21、S28更加具体的处理过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本申请实施例通过选择带遗忘因子的多种可在线更新的不同结构模型构建模型库，相比传统的离线模型有更灵活的参数更新方式，对新数据的适应性更强；通过对新生产完成批次的工艺参数及其对应的质量指标进行数据校验，能够避免脏数据对模型使用和模型更新的干扰；考虑了在线模型库中模型结构的多样性，使用粒子群算法进行最优化问题求解，提高了工艺参数实时优化的通用性和有效性；对模型进行在线更新，且更新过程中根据概念漂移检测情况和模型表现情况来调整参数更新对于新样本的适应能力，显著提高了模型准确性，有效避免了随着时间的推移，设备状态变化、传感器零位偏移等不可测干扰导致模型准确性逐步降低，与之对应的工艺参数优化结果可用性也越来越差的问题。
相应的，本申请实施例还公开了一种食品制造加工工艺参数设置装置，参见图4所示，该装置包括：
数据采集模块11，用于采集食品制造加工过程中产生的食品制造加工数据；
数据筛选模块12，用于从所述食品制造加工数据中筛选出与质量指标及对应的工艺参数相关的数据，得到质量指标和工艺参数数据集；
模型建立模块13，用于基于所述质量指标和工艺参数数据集建立可在线更新的不同结构的多种在线数据驱动模型，形成在线模型库；
最优模型确定模块14，用于从所述在线模型库中确定出最优模型；
最优化问题创建模块15，用于基于所述最优模型并以产品质量指标最优为目标构建最优化问题；
最优化问题求解模块16，用于对所述最优化问题进行求解，得到工艺参数最优值；
模型参数设置模块17，用于利用所述工艺参数最优值对所述最优模型中的参数进行设置。
其中，关于上述各个模块的具体工作流程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
可见，本申请实施例中，先采集食品制造加工过程中产生的食品制造加工数据，并从所述食品制造加工数据中筛选出与质量指标及对应的工艺参数相关的数据，得到质量指标和工艺参数数据集，然后基于所述质量指标和工艺参数数据集建立可在线更新的不同结构的多种在线数据驱动模型，形成在线模型库，并从所述在线模型库中确定出最优模型，最后基于所述最优模型并以产品质量指标最优为目标构建最优化问题，并对所述最优化问题进行求解，得到工艺参数最优值，再利用所述工艺参数最优值对所述最优模型中的参数进行设置。本申请提出一种包含数据在线处理、模型在线更新和模型选择的食品制造加工工艺参数设置方法，以多种可在线更新的不同结构模型构建在线模型库，并基于从在线模型库中选择出最优模型构建最优化问题，通过对最优化问题进行求解得到工艺参数最优值，从而实现了不依赖于人工经验对工艺参数进行自动优化，有效解决了食品制造加工分批生产的复杂流程工业过程中，由于工艺参数不佳而造成的产品质量下降问题，同时通过将整个食品制造加工工艺参数设置在线化，解决了批次级数据稀疏、不可测干扰较多的问题。
在一些具体实施例中，所述模型建立模块13，具体可以包括：
数据预处理单元，用于对所述质量指标和工艺参数数据集进行预处理，得到预处理后质量指标和工艺参数数据集；
标记单元，用于对所述质量指标和工艺参数数据集中每一样本数据进行标记，得到标记结果；
模型创建单元，用于基于所述预处理后质量指标和工艺参数数据集建立可在线更新的不同结构的多种带遗忘因子的在线数据驱动模型，形成在线模型库。
在一些具体实施例中，所述最优模型确定模块14，具体可以包括：
第一模型训练单元，用于利用历史批次食品制造加工数据对所述在线模型库中的所述在线数据驱动模型进行训练，得到训练后模型；
最优模型确定单元，用于从所有所述训练后模型中确定出最优模型。
在一些具体实施例中，所述第一模型训练单元，具体可以包括：
第二模型训练单元，用于获取历史批次食品制造加工数据，并按照实际食品制造加工顺序逐个将所述历史批次食品制造加工数据中的样本数据输入至所述在线模型库中的所述在线数据驱动模型中进行训练，得到训练后模型。
在一些具体实施例中，所述模型参数设置模块17之后，还可以包括：
数据获取单元，用于获取新食品制造加工完成批次的质量指标及对应的工艺参数，得到新质量指标及对应的新工艺参数；
校验单元，用于对所述新质量指标及对应的新工艺参数进行校验；
参数更新单元，用于如果所述新质量指标及对应的新工艺参数校验通过，则使用所述新质量指标及对应的新工艺参数并结合所述标记结果对所述在线模型库中的所有所述在线数据驱动模型的参数进行更新。
在一些具体实施例中，所述食品制造加工工艺参数设置装置，还可以包括：
数量统计单元，用于统计所述新质量指标及对应的新工艺参数的数量，得到目标数量；
数量判断单元，用于判断所述目标数量是否超过预设数量；
模型评估单元，用于如果所述目标数量超过所述预设数量，则评估所述在线模型库中的各个所述在线数据驱动模型对所述新质量指标及对应的新工艺参数的预测效果；
最优模型确定单元，用于根据所述预测效果重新选择出新的最优模型，再将所述新的最优模型保存至所述在线模型库。
在一些具体实施例中，所述最优化问题求解模块16，具体可以包括：
最优化问题求解单元，用于利用粒子群算法对所述最优化问题进行求解，得到工艺参数最优值。
进一步的，本申请实施例还公开了一种电子设备，图5是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本申请的使用范围的任何限制。
图5为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的食品制造加工工艺参数设置方法中的相关步骤。另外，本实施例中的电子设备20具体可以为电子计算机。
本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222等，存储方式可以是短暂存储或者永久存储。
其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的食品制造加工工艺参数设置方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的，本申请还公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的食品制造加工工艺参数设置方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的一种食品制造加工工艺参数设置方法、装置、设备及介质进行了详细介绍，本文中应用了具体个例对本申请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申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种食品制造加工工艺参数设置方法，其特征在于，包括：
采集食品制造加工过程中产生的食品制造加工数据，并从所述食品制造加工数据中筛选出与质量指标及对应的工艺参数相关的数据，得到质量指标和工艺参数数据集；
基于所述质量指标和工艺参数数据集建立可在线更新的不同结构的多种在线数据驱动模型，形成在线模型库，并从所述在线模型库中确定出最优模型；
基于所述最优模型并以产品质量指标最优为目标构建最优化问题，并对所述最优化问题进行求解，得到工艺参数最优值，再利用所述工艺参数最优值对所述最优模型中的参数进行设置。
2.根据权利要求1所述的食品制造加工工艺参数设置方法，其特征在于，所述基于所述质量指标和工艺参数数据集建立可在线更新的不同结构的多种在线数据驱动模型，形成在线模型库，包括：
对所述质量指标和工艺参数数据集进行预处理，得到预处理后质量指标和工艺参数数据集，并对所述质量指标和工艺参数数据集中每一样本数据进行标记，得到标记结果；
基于所述预处理后质量指标和工艺参数数据集建立可在线更新的不同结构的多种带遗忘因子的在线数据驱动模型，形成在线模型库。
3.根据权利要求2所述的食品制造加工工艺参数设置方法，其特征在于，所述从所述在线模型库中确定出最优模型，包括：
利用历史批次食品制造加工数据对所述在线模型库中的所述在线数据驱动模型进行训练，得到训练后模型，并从所有所述训练后模型中确定出最优模型。
4.根据权利要求3所述的食品制造加工工艺参数设置方法，其特征在于，所述利用历史批次食品制造加工数据对所述在线模型库中的所述在线数据驱动模型进行训练，得到训练后模型，包括：
获取历史批次食品制造加工数据，并按照实际食品制造加工顺序逐个将所述历史批次食品制造加工数据中的样本数据输入至所述在线模型库中的所述在线数据驱动模型中进行训练，得到训练后模型。
5.根据权利要求2所述的食品制造加工工艺参数设置方法，其特征在于，所述利用所述工艺参数最优值对所述最优模型中的参数进行设置之后，还包括：
获取新食品制造加工完成批次的质量指标及对应的工艺参数，得到新质量指标及对应的新工艺参数，并对所述新质量指标及对应的新工艺参数进行校验；
若所述新质量指标及对应的新工艺参数校验通过，则使用所述新质量指标及对应的新工艺参数并结合所述标记结果对所述在线模型库中的所有所述在线数据驱动模型的参数进行更新。
6.根据权利要求5所述的食品制造加工工艺参数设置方法，其特征在于，还包括：
统计所述新质量指标及对应的新工艺参数的数量，得到目标数量，并判断所述目标数量是否超过预设数量；
若所述目标数量超过所述预设数量，则评估所述在线模型库中的各个所述在线数据驱动模型对所述新质量指标及对应的新工艺参数的预测效果，并根据所述预测效果重新选择出新的最优模型，再将所述新的最优模型保存至所述在线模型库。
7.根据权利要求1至6任一项所述的食品制造加工工艺参数设置方法，其特征在于，所述对所述最优化问题进行求解，得到工艺参数最优值，包括：
利用粒子群算法对所述最优化问题进行求解，得到工艺参数最优值。
8.一种工艺参数设置装置，其特征在于，包括：
数据采集模块，用于采集食品制造加工过程中产生的食品制造加工数据；
数据筛选模块，用于从所述食品制造加工数据中筛选出与质量指标及对应的工艺参数相关的数据，得到质量指标和工艺参数数据集；
模型建立模块，用于基于所述质量指标和工艺参数数据集建立可在线更新的不同结构的多种在线数据驱动模型，形成在线模型库；
最优模型确定模块，用于从所述在线模型库中确定出最优模型；
最优化问题创建模块，用于基于所述最优模型并以产品质量指标最优为目标构建最优化问题；
最优化问题求解模块，用于对所述最优化问题进行求解，得到工艺参数最优值；
模型参数设置模块，用于利用所述工艺参数最优值对所述最优模型中的参数进行设置。
9.一种电子设备，其特征在于，包括处理器和存储器；其中，所述处理器执行所述存储器中保存的计算机程序时实现如权利要求1至7任一项所述的食品制造加工工艺参数设置方法。
10.一种计算机可读存储介质，其特征在于，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的食品制造加工工艺参数设置方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210919709.6A CN114971599B (zh) | 2022-08-02 | 2022-08-02 | 食品制造加工工艺参数设置方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210919709.6A CN114971599B (zh) | 2022-08-02 | 2022-08-02 | 食品制造加工工艺参数设置方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114971599A true CN114971599A (zh) | 2022-08-30 |
| CN114971599B CN114971599B (zh) | 2022-10-25 |
Family
ID=82970239
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210919709.6A Active CN114971599B (zh) | 2022-08-02 | 2022-08-02 | 食品制造加工工艺参数设置方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114971599B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102693454A (zh) * | 2011-03-23 | 2012-09-26 | 东北林业大学 | 中密度纤维板热压参数管理系统 |
| US20190171776A1 (en) * | 2017-12-01 | 2019-06-06 | Industrial Technology Research Institute | Methods, devices and non-transitory computer-readable medium for parameter optimization |
| CN111191822A (zh) * | 2019-12-18 | 2020-05-22 | 河钢股份有限公司承德分公司 | 钢材的参数预测方法及终端设备 |
| CN111597729A (zh) * | 2020-05-27 | 2020-08-28 | 北京天泽智云科技有限公司 | 加工设备工艺参数优化方法及系统 |
| CN111679636A (zh) * | 2020-05-11 | 2020-09-18 | 杭州传化智能制造科技有限公司 | 生产工艺参数处理的系统、方法和计算机设备 |
| CN112036701A (zh) * | 2020-07-30 | 2020-12-04 | 杭州安脉盛智能技术有限公司 | 一种面向多工序工业生产过程的工艺参数优化方法 |
| CN112700167A (zh) * | 2021-01-14 | 2021-04-23 | 华南理工大学 | 基于差分进化的产品质量指标预测方法 |
| CN113188807A (zh) * | 2021-02-05 | 2021-07-30 | 深圳大雷汽车检测股份有限公司 | 一种abs结果自动判定算法 |
-
2022
- 2022-08-02 CN CN202210919709.6A patent/CN114971599B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102693454A (zh) * | 2011-03-23 | 2012-09-26 | 东北林业大学 | 中密度纤维板热压参数管理系统 |
| US20190171776A1 (en) * | 2017-12-01 | 2019-06-06 | Industrial Technology Research Institute | Methods, devices and non-transitory computer-readable medium for parameter optimization |
| CN111191822A (zh) * | 2019-12-18 | 2020-05-22 | 河钢股份有限公司承德分公司 | 钢材的参数预测方法及终端设备 |
| CN111679636A (zh) * | 2020-05-11 | 2020-09-18 | 杭州传化智能制造科技有限公司 | 生产工艺参数处理的系统、方法和计算机设备 |
| CN111597729A (zh) * | 2020-05-27 | 2020-08-28 | 北京天泽智云科技有限公司 | 加工设备工艺参数优化方法及系统 |
| CN112036701A (zh) * | 2020-07-30 | 2020-12-04 | 杭州安脉盛智能技术有限公司 | 一种面向多工序工业生产过程的工艺参数优化方法 |
| CN112700167A (zh) * | 2021-01-14 | 2021-04-23 | 华南理工大学 | 基于差分进化的产品质量指标预测方法 |
| CN113188807A (zh) * | 2021-02-05 | 2021-07-30 | 深圳大雷汽车检测股份有限公司 | 一种abs结果自动判定算法 |
Non-Patent Citations (3)
| Title |
|---|
| LU WEI: "Research in optimization method of technological parameters of CO2 refining system", 《2011 INTERNATIONAL CONFERENCE ON CONSUMER ELECTRONICS, COMMUNICATIONS AND NETWORKS (CECNET)》 * |
| 姜振东: "基于概念漂移检测的自适应流量分类方法", 《计算机工程与应用》 * |
| 龙红明: "《冶金过程数学模型与人工智能应用》", 30 June 2010 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114971599B (zh) | 2022-10-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6163526B2 (ja) | バッチプロセスのオンラインプロセスランの分析を実行する方法 | |
| JP5734961B2 (ja) | 多変数プロセス制御においてモデルの品質を推定しモデルを適応させる装置およびその方法 | |
| CN1324515C (zh) | 处理工具优化系统和方法 | |
| CN108920863B (zh) | 一种机器人伺服系统能耗估计模型的建立方法 | |
| KR102171807B1 (ko) | 공정 중 생산품 불량 예측시스템 및 불량 예측을 위한 학습모델 생성방법 | |
| JP6832327B2 (ja) | 生産プロセス中に異常なワークピースを自動検出するためのデータ駆動方法 | |
| CN111611294B (zh) | 星敏感器数据异常检测方法 | |
| CN112418921A (zh) | 用电需量预测方法、装置、系统与计算机存储介质 | |
| CN115184193B (zh) | 线缆的自动化测试方法、装置、设备及存储介质 | |
| JP6359524B2 (ja) | 多変数プロセス制御でのモデル同定・適応のためにデータを自動的に選択する装置および方法 | |
| CN106407669A (zh) | 一种切削加工表面粗糙度的预测方法 | |
| CN113424119A (zh) | 作业效率评价方法、作业效率评价装置以及程序 | |
| CN107273659A (zh) | 一种基于ransac算法改进的用于空间碎片光电跟踪的轨迹预测方法 | |
| CN114971599B (zh) | 食品制造加工工艺参数设置方法、装置、设备及介质 | |
| CN113539382A (zh) | 一种亚磷酸二甲酯关键工艺参数的预警定位方法及系统 | |
| Lieberman | Statistical process control and the impact of automatic process control | |
| CN109891235A (zh) | 基于统计方法，自动在线检测流体的实际状态与流体的参考状态的偏差的方法，特别是用于监测饮用水供应 | |
| CN113836826A (zh) | 关键参数确定方法、装置、电子装置及存储介质 | |
| KR102110319B1 (ko) | 학습 데이터 생성 시스템 | |
| CN113642209A (zh) | 基于数字孪生的结构植入故障响应数据获取及评判方法 | |
| CN117420811B (zh) | 一种用于自动化生产的生产线质量监测方法及系统 | |
| CN117870034B (zh) | 洁净室环境参数的控制方法、装置及系统 | |
| CN117236682B (zh) | 工业自动化控制方法及系统 | |
| CN116029220B (zh) | 一种电压互感器运行误差评估方法、系统、设备及介质 | |
| CN117076260B (zh) | 一种参数及设备异常检测方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |