CN115453071A - 一种白酒分级装置 - Google Patents

一种白酒分级装置 Download PDF

Info

Publication number
CN115453071A
CN115453071A CN202211193235.8A CN202211193235A CN115453071A CN 115453071 A CN115453071 A CN 115453071A CN 202211193235 A CN202211193235 A CN 202211193235A CN 115453071 A CN115453071 A CN 115453071A
Authority
CN
China
Prior art keywords
data
white spirit
liquor
subunit
grade
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
Application number
CN202211193235.8A
Other languages
English (en)
Other versions
CN115453071B (zh
Inventor
易洁
刘德盛
罗翼鹏
袁梁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Wutong Technology Co ltd
Original Assignee
Sichuan Wutong Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan Wutong Technology Co ltd filed Critical Sichuan Wutong Technology Co ltd
Priority to CN202211193235.8A priority Critical patent/CN115453071B/zh
Publication of CN115453071A publication Critical patent/CN115453071A/zh
Application granted granted Critical
Publication of CN115453071B publication Critical patent/CN115453071B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/02—Food
    • G01N33/14—Beverages
    • G01N33/146—Beverages containing alcohol
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

Abstract

本发明公开了一种白酒分级装置，包括：进酒口、样品容腔、检测器和出酒口；所述进酒口用于向样品容腔输送白酒；所述样品容腔用于盛装进酒口输送的白酒；所述检测器用于采集样品容腔内的白酒数据，建立白酒等级计算模型，得到白酒等级；所述出酒口用于将检测后的样品容腔内的白酒输出；本发明解决了现有采用神经网络预测酒等级的技术存在模型复杂，对小型检测设备的适应性较差的问题。

Description

一种白酒分级装置
技术领域
本发明涉及白酒分级技术领域，具体涉及一种白酒分级装置。
背景技术
目前，在酿酒过程的蒸馏段，为了更高效摘取各段次不同质量的基础酒，会采用酯类成分检测器或酒精度检测器对馏出物质量进行分级，但是采用单一仪器去检测基础酒的相关参数，并不能确切区分白酒的具体等级，还需依靠技术人员根据其自身经验去甄别白酒的等级，其准确性波动较大。因此，出现了很多通过神经网络去计算酒等级的技术，但是神经网络模型复杂，对于小型的检测设备适应性较差。
发明内容
针对现有技术中的上述不足，本发明提供的一种白酒分级装置解决了现有采用神经网络预测酒等级的技术存在模型复杂，对小型检测设备的适应性较差的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种白酒分级装置，包括：进酒口、样品容腔、检测器和出酒口；所述进酒口用于向样品容腔输送白酒；所述样品容腔用于盛装进酒口输送的白酒；所述检测器用于采集样品容腔内的白酒数据，建立白酒等级计算模型，得到白酒等级；所述出酒口用于将检测后的样品容腔内的白酒输出。
进一步地，所述检测器包括：检测头、滤波单元和酒精分级计算单元；
所述检测头采集样品容腔内的白酒数据；所述滤波单元对白酒数据进行滤波，得到滤波白酒数据；所述酒精分级计算单元根据滤波白酒数据，计算白酒等级。
进一步地，所述检测头包括：酒精度检测头、酯类成分检测头和液体气味检测头。
进一步地，所述滤波单元包括：波动幅值计算子单元、波动幅值判断子单元、数据输入子单元、数据排列子单元和滤波白酒数据计算子单元；
所述波动幅值计算子单元用于将当前采集的白酒数据与上一时刻采集的白酒数据做差，得到波动幅值；
所述波动幅值判断子单元用于判断波动幅值是否小于阈值，若是，则保留当前采集的白酒数据，若否，则去除当前采集的白酒数据；
所述数据输入子单元用于将保留的白酒数据输入到滑动块中；
所述数据排列子单元用于将滑动块中保存的白酒数据按照时间发生的先后顺序进行排列，在有新的白酒数据输入时，将存在时间最久的白酒数据移出滑动块，保持滑动块中时间最久的白酒数据位于末位，最新的白酒数据位于首位；
所述滤波白酒数据计算子单元用于根据当前滑动块，计算滤波白酒数据。
进一步地，计算滤波白酒数据的公式为：
Figure BDA0003870280190000021
Figure BDA0003870280190000022
其中，yn为当前的滤波白酒数据，yn-1为上一次的滤波白酒数据，xN为滑动块的第N位白酒数据，即最新输入的白酒数据，xN-1为滑动块的第N-1位白酒数据，xi为滑动块的第i位白酒数据，N为滑动块长度，γ为尺度因子，[]为取整。
上述进一步方案的有益效果为：以最新白酒数据xN作为计算基础，在|xN-xN-1|较大时，数据变化剧烈，最新白酒数据xN权重大。在滑动块中所有数据按时间发生的先后顺序排列，将滑动块分成两部分，一部分数据时间新，另一部分数据时间旧，分别对时间新的部分数据、时间旧的部分数据、以及上一次的滤波白酒数据yn-1赋予权重，少量考虑时间旧的部分数据和上一次的滤波白酒数据yn-1的占比，重点考虑时间新的部分数据和最新白酒数据xN，使得滤波数据能快速跟上数据变化的情况，增强检测器的灵敏程度。同时，滑动块的长度跟随数据变化情况而变化，数据变化越剧烈，滑动块的长度越短，在滑动块的长度越短时，检测器的灵敏程度就越高。
进一步地，所述酒精分级计算单元包括：酒精等级模型构建子单元、模型训练子单元和酒精等级计算子单元；
所述酒精等级模型构建子单元用于建立白酒等级计算模型；
所述模型训练子单元用于采用白酒数据训练集对白酒等级计算模型中权重参数进行训练，得到训练完成的白酒等级计算模型；
所述酒精等级计算子单元用于将滤波白酒数据输入训练完成的白酒等级计算模型，得到白酒等级。
进一步地，所述白酒等级计算模型为：
K＝wζ1+wζ2+wζ3
其中，K为白酒等级，ζ1为酒精度检测头的白酒数据，ζ2为酯类成分检测头的白酒数据，ζ3为液体气味检测头的白酒数据，w为权重参数。
上述进一步方案的有益效果为：建立几种仪器采集的白酒数据与白酒等级的计算模型，通过几种仪器的综合数据，对白酒等级进行综合评定，同时，本发明提供的白酒等级计算模型相比于神经网络的复杂程度是大大降低的，对于小型检测设备适应度更高。
进一步地，所述权重参数w在训练过程的更新公式为：
Figure BDA0003870280190000041
其中，wt+1为第t+1次训练得到的权重参数，wt为第t次训练得到的权重参数，
Figure BDA0003870280190000042
为第t次训练的损失函数，
Figure BDA0003870280190000043
为第t-1次训练的损失函数，η为学习率。
上述进一步方案的有益效果为：在训练过程中，损失函数的损失值是逐步降低的，但在训练初期损失函数的损失值下降速度快，训练后期损失函数的损失值下降速度慢，因此，本发明通过
Figure BDA0003870280190000044
去调控学习率，即调控权重参数下降的程度，在训练初期，损失值下降速度快，使得权重下降速度快，在训练后期损失值下降速度慢，甚至接近于0，权重的变化微弱，使得训练过程快速收敛，且找到最优值。
综上，本发明的有益效果为：本发明通过建立采集的白酒数据与白酒等级的对应关系，从而构建出白酒等级计算模型，该模型通过几种仪器的综合数据，对白酒等级进行综合评定，本发明提供的白酒等级计算模型相比于神经网络的复杂程度是大大降低的，对于小型检测设备适应度更高。
附图说明
图1为一种白酒分级装置的系统框图。
图2为一种白酒分级装置的系统详细框图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1～2所示，一种白酒分级装置，包括：进酒口、样品容腔、检测器和出酒口；所述进酒口用于向样品容腔输送白酒；所述样品容腔用于盛装进酒口输送的白酒；所述检测器用于采集样品容腔内的白酒数据，建立白酒等级计算模型，得到白酒等级；所述出酒口用于将检测后的样品容腔内的白酒输出。
所述检测器包括：检测头、滤波单元和酒精分级计算单元；
所述检测头采集样品容腔内的白酒数据；所述滤波单元对白酒数据进行滤波，得到滤波白酒数据；所述酒精分级计算单元根据滤波白酒数据，计算白酒等级。
所述检测头包括：酒精度检测头、酯类成分检测头和液体气味检测头。
所述滤波单元包括：波动幅值计算子单元、波动幅值判断子单元、数据输入子单元、数据排列子单元和滤波白酒数据计算子单元；
所述波动幅值计算子单元用于将当前采集的白酒数据与上一时刻采集的白酒数据做差，得到波动幅值；
所述波动幅值判断子单元用于判断波动幅值是否小于阈值，若是，则保留当前采集的白酒数据，若否，则去除当前采集的白酒数据；
所述数据输入子单元用于将保留的白酒数据输入到滑动块中；
所述数据排列子单元用于将滑动块中保存的白酒数据按照时间发生的先后顺序进行排列，在有新的白酒数据输入时，将存在时间最久的白酒数据移出滑动块，保持滑动块中时间最久的白酒数据位于末位，最新的白酒数据位于首位；
所述滤波白酒数据计算子单元用于根据当前滑动块，计算滤波白酒数据。
通过波动幅值判断子单元可先将异常的数据剔除，保留正常数据。
计算滤波白酒数据的公式为：
Figure BDA0003870280190000061
Figure BDA0003870280190000062
其中，yn为当前的滤波白酒数据，yn-1为上一次的滤波白酒数据，xN为滑动块的第N位白酒数据，即最新输入的白酒数据，xN-1为滑动块的第N-1位白酒数据，xi为滑动块的第i位白酒数据，N为滑动块长度，γ为尺度因子，[]为取整。
以最新白酒数据xN作为计算基础，在|xN-xN-1|较大时，数据变化剧烈，最新白酒数据xN权重大。在滑动块中所有数据按时间发生的先后顺序排列，将滑动块分成两部分，一部分数据时间新，另一部分数据时间旧，分别对时间新的部分数据、时间旧的部分数据、以及上一次的滤波白酒数据yn-1赋予权重，少量考虑时间旧的部分数据和上一次的滤波白酒数据yn-1的占比，重点考虑时间新的部分数据和最新白酒数据xN，使得滤波数据能快速跟上数据变化的情况，增强检测器的灵敏程度。同时，滑动块的长度跟随数据变化情况而变化，数据变化越剧烈，滑动块的长度越短，在滑动块的长度越短时，检测器的灵敏程度就越高。
所述酒精分级计算单元包括：酒精等级模型构建子单元、模型训练子单元和酒精等级计算子单元；
所述酒精等级模型构建子单元用于建立白酒等级计算模型；
所述模型训练子单元用于采用白酒数据训练集对白酒等级计算模型中权重参数进行训练，得到训练完成的白酒等级计算模型；
所述酒精等级计算子单元用于将滤波白酒数据输入训练完成的白酒等级计算模型，得到白酒等级。
所述白酒等级计算模型为：
K＝wζ1+wζ2+wζ3
其中，K为白酒等级，ζ1为酒精度检测头的白酒数据，ζ2为酯类成分检测头的白酒数据，ζ3为液体气味检测头的白酒数据，w为权重参数。
建立几种仪器采集的白酒数据与白酒等级的计算模型，通过几种仪器的综合数据，对白酒等级进行综合评定，同时，本发明提供的白酒等级计算模型相比于神经网络的复杂程度是大大降低的，对于小型检测设备适应度更高。在实际运用中，可增添或减少仪器类型。
所述权重参数w在训练过程的更新公式为：
Figure BDA0003870280190000071
其中，wt+1为第t+1次训练得到的权重参数，wt为第t次训练得到的权重参数，
Figure BDA0003870280190000072
为第t次训练的损失函数，
Figure BDA0003870280190000073
为第t-1次训练的损失函数，η为学习率。
在训练过程中，损失函数的损失值是逐步降低的，但在训练初期损失函数的损失值下降速度快，训练后期损失函数的损失值下降速度慢，因此，本发明通过
Figure BDA0003870280190000074
去调控学习率，即调控权重参数下降的程度，在训练初期，损失值下降速度快，使得权重下降速度快，在训练后期损失值下降速度慢，甚至接近于0，权重的变化微弱，使得训练过程快速收敛，且找到最优值。
本发明通过建立采集的白酒数据与白酒等级的对应关系，从而构建出白酒等级计算模型，该模型通过几种仪器的综合数据，对白酒等级进行综合评定，本发明提供的白酒等级计算模型相比于神经网络的复杂程度是大大降低的，对于小型检测设备适应度更高。

Claims (8)

1.一种白酒分级装置，其特征在于，包括：进酒口、样品容腔、检测器和出酒口；所述进酒口用于向样品容腔输送白酒；所述样品容腔用于盛装进酒口输送的白酒；所述检测器用于采集样品容腔内的白酒数据，建立白酒等级计算模型，得到白酒等级；所述出酒口用于将检测后的样品容腔内的白酒输出。
2.根据权利要求1所述的白酒分级装置，其特征在于，所述检测器包括：检测头、滤波单元和酒精分级计算单元；
所述检测头采集样品容腔内的白酒数据；所述滤波单元对白酒数据进行滤波，得到滤波白酒数据；所述酒精分级计算单元根据滤波白酒数据，计算白酒等级。
3.根据权利要求2所述的白酒分级装置，其特征在于，所述检测头包括：酒精度检测头、酯类成分检测头和液体气味检测头。
4.根据权利要求3所述的白酒分级装置，其特征在于，所述滤波单元包括：波动幅值计算子单元、波动幅值判断子单元、数据输入子单元、数据排列子单元和滤波白酒数据计算子单元；
所述波动幅值计算子单元用于将当前采集的白酒数据与上一时刻采集的白酒数据做差，得到波动幅值；
所述波动幅值判断子单元用于判断波动幅值是否小于阈值，若是，则保留当前采集的白酒数据，若否，则去除当前采集的白酒数据；
所述数据输入子单元用于将保留的白酒数据输入到滑动块中；
所述数据排列子单元用于将滑动块中保存的白酒数据按照时间发生的先后顺序进行排列，在有新的白酒数据输入时，将存在时间最久的白酒数据移出滑动块，保持滑动块中时间最久的白酒数据位于末位，最新的白酒数据位于首位；
所述滤波白酒数据计算子单元用于根据当前滑动块，计算滤波白酒数据。
5.根据权利要求4所述的白酒分级装置，其特征在于，计算滤波白酒数据的公式为：
Figure FDA0003870280180000021
Figure FDA0003870280180000022
其中，yn为当前的滤波白酒数据，yn-1为上一次的滤波白酒数据，xN为滑动块的第N位白酒数据，即最新输入的白酒数据，xN-1为滑动块的第N-1位白酒数据，xi为滑动块的第i位白酒数据，N为滑动块长度，γ为尺度因子，[]为取整。
6.根据权利要求3所述的白酒分级装置，其特征在于，所述酒精分级计算单元包括：酒精等级模型构建子单元、模型训练子单元和酒精等级计算子单元；
所述酒精等级模型构建子单元用于建立白酒等级计算模型；
所述模型训练子单元用于采用白酒数据训练集对白酒等级计算模型中权重参数进行训练，得到训练完成的白酒等级计算模型；
所述酒精等级计算子单元用于将滤波白酒数据输入训练完成的白酒等级计算模型，得到白酒等级。
7.根据权利要求6所述的白酒分级装置，其特征在于，所述白酒等级计算模型为：
K＝wζ1+wζ2+wζ3
其中，K为白酒等级，ζ1为酒精度检测头的白酒数据，ζ2为酯类成分检测头的白酒数据，ζ3为液体气味检测头的白酒数据，w为权重参数。
8.根据权利要求7所述的白酒分级装置，其特征在于，所述权重参数w在训练过程的更新公式为：
Figure FDA0003870280180000031
其中，wt+1为第t+1次训练得到的权重参数，wt为第t次训练得到的权重参数，
Figure FDA0003870280180000032
为第t次训练的损失函数，
Figure FDA0003870280180000033
为第t-1次训练的损失函数，η为学习率。
CN202211193235.8A 2022-09-28 2022-09-28 一种白酒分级装置 Active CN115453071B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211193235.8A CN115453071B (zh) 2022-09-28 2022-09-28 一种白酒分级装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211193235.8A CN115453071B (zh) 2022-09-28 2022-09-28 一种白酒分级装置

Publications (2)

Publication Number Publication Date
CN115453071A true CN115453071A (zh) 2022-12-09
CN115453071B CN115453071B (zh) 2023-10-20

Family

ID=84307325

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211193235.8A Active CN115453071B (zh) 2022-09-28 2022-09-28 一种白酒分级装置

Country Status (1)

Country Link
CN (1) CN115453071B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5971937A (en) * 1995-06-26 1999-10-26 Instrumentarium Oy Blood alcohol concentration measuring from respiratory air
CN207366577U (zh) * 2017-10-30 2018-05-15 青岛博睿光电科技有限公司 一种呼出气体酒精含量探测器检定配套装置
CN111539920A (zh) * 2020-04-16 2020-08-14 泸州老窖酿酒有限责任公司 一种白酒酿造过程中糟醅质量的自动检测方法
CN113158935A (zh) * 2021-04-28 2021-07-23 上海应用技术大学 一种酒类光谱峭度回归模式的年份鉴定系统及年份鉴定方法
CN113720797A (zh) * 2021-08-30 2021-11-30 四川轻化工大学 一种白酒蒸馏的在线快速量质摘酒方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5971937A (en) * 1995-06-26 1999-10-26 Instrumentarium Oy Blood alcohol concentration measuring from respiratory air
CN207366577U (zh) * 2017-10-30 2018-05-15 青岛博睿光电科技有限公司 一种呼出气体酒精含量探测器检定配套装置
CN111539920A (zh) * 2020-04-16 2020-08-14 泸州老窖酿酒有限责任公司 一种白酒酿造过程中糟醅质量的自动检测方法
CN113158935A (zh) * 2021-04-28 2021-07-23 上海应用技术大学 一种酒类光谱峭度回归模式的年份鉴定系统及年份鉴定方法
CN113720797A (zh) * 2021-08-30 2021-11-30 四川轻化工大学 一种白酒蒸馏的在线快速量质摘酒方法

Also Published As

Publication number Publication date
CN115453071B (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
CN104538041A (zh) 异常声音检测方法及系统
TW201732662A (zh) 一種建立資料識別模型的方法及裝置
CN112819107B (zh) 基于人工智能的燃气调压设备故障预测方法
CN116821833A (zh) 一种机器滤布粘连的数据异常检测方法
CN110309608B (zh) 一种针对时滞不确定信息的高炉铁水硅含量预报方法
CN111563603A (zh) 电梯健康状态评估方法和装置、存储介质
CN112287988A (zh) 一种水污染源在线监测数据异常的识别方法
CN112418682B (zh) 一种融合多源信息的安全性评估方法
CN115858794B (zh) 用于网络运行安全监测的异常日志数据识别方法
CN114492642A (zh) 一种多尺度元深度残差收缩网络的机械故障在线诊断方法
CN112363462A (zh) 一种静-动态协同感知的复杂工业过程运行状态评价方法
CN109490776B (zh) 一种基于机器学习的手机振动马达良次品检测方法
CN111459921A (zh) 一种基于时滞互信息的空分工厂氮气浓度相关性分析方法
CN115453071A (zh) 一种白酒分级装置
CN116610105B (zh) 一种基于数据融合的轧机机械运行故障监测方法及系统
CN113283467A (zh) 一种基于平均损失和逐类选择的弱监督图片分类方法
CN110196797B (zh) 适于信用评分卡系统的自动优化方法和系统
CN116213095B (zh) 一种基于重介质分选的精煤产品灰分智能调节方法及系统
CN108737164B (zh) 一种电信网络实时告警过滤方法及装置
CN112381697B (zh) 一种水污染源在线监测数据弄虚作假行为自动识别方法
CN110348480A (zh) 一种非监督异常数据检测算法
CN115424635A (zh) 一种基于声音特征的水泥厂设备故障诊断方法
CN114510970A (zh) 基于音频信号特征的浮选过程工况识别方法
CN111126694A (zh) 一种时间序列数据预测方法、系统、介质及设备
CN115407753B (zh) 一种多变量加权集成学习的工业故障诊断方法

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