CN115564600A - 白酒生产辅助方法、服务器及存储介质 - Google Patents
白酒生产辅助方法、服务器及存储介质 Download PDFInfo
- Publication number
- CN115564600A CN115564600A CN202211227109.XA CN202211227109A CN115564600A CN 115564600 A CN115564600 A CN 115564600A CN 202211227109 A CN202211227109 A CN 202211227109A CN 115564600 A CN115564600 A CN 115564600A
- Authority
- CN
- China
- Prior art keywords
- fermentation
- data
- current
- model
- brewing
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 163
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000000855 fermentation Methods 0.000 claims abstract description 247
- 230000004151 fermentation Effects 0.000 claims abstract description 243
- 238000011156 evaluation Methods 0.000 claims abstract description 68
- 238000010801 machine learning Methods 0.000 claims abstract description 28
- 235000014101 wine Nutrition 0.000 claims description 59
- 230000007613 environmental effect Effects 0.000 claims description 28
- 238000001514 detection method Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 19
- 240000004808 Saccharomyces cerevisiae Species 0.000 claims description 18
- 238000013124 brewing process Methods 0.000 claims description 17
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000002156 mixing Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 235000020097 white wine Nutrition 0.000 description 2
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011514 vinification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种白酒生产辅助方法、服务器及存储介质，属于酿酒技术领域，该方法包括：获取白酒生产过程当前的第一酿造数据；将所述第一酿造数据输入预测模型，根据所述预测模型的输出结果输出对应的生产指导信息和/或评价信息；其中，所述预测模型为用于预测所述白酒生产过程的酒醅发酵信息、曲块发酵信息和/或所述评价信息的机器学习模型。本发明旨在通过科学的预测模型指导白酒生产过程，提高白酒生产质量的稳定性。
Description
技术领域
本发明涉及酿酒技术领域，尤其涉及白酒生产辅助方法、服务器及存储介质。
背景技术
在酿酒的生产工艺中，白酒的酿造工艺涉及曲块的制作、酒醅的发酵、摘酒、存酒以及勾兑等多个环节，其中每个环节都涉及能够影响酿酒质量的关键性因素，最终影响成品酒的质量。
在传统的白酒酿造工艺中，各个生产环节都基于生产工人以人工判断影响酿酒质量的关键性因素，但这种生产方式依赖生产工人的主观判断，对生产工人的经验素质要求极高，对人力资源依赖过大。同时，依赖人工的经验进行判断，无法作出科学的经验总结，影响白酒酿造生产质量的稳定性，容易导致产出的白酒质量不佳。
发明内容
本发明的主要目的在于提供一种白酒生产辅助方法、服务器及存储介质，旨在通过科学的预测模型指导白酒生产过程，提高白酒生产质量的稳定性。
为实现上述目的，本发明提供一种白酒生产辅助方法，所述方法包括以下步骤：
获取白酒生产过程当前的第一酿造数据；
将所述第一酿造数据输入预测模型，根据所述预测模型的输出结果输出对应的生产指导信息和/或评价信息；
其中，所述预测模型为用于预测所述白酒生产过程的酒醅发酵信息、曲块发酵信息和/或所述评价信息的机器学习模型。
可选地，所述酒醅发酵信息包括预测发酵结束时间数据，所述预测模型包括用于预测发酵结束时间数据的第一模型，所述第一酿造数据包括酒醅发酵环境的第一当前环境数据、当前发酵产物参数和第一当前发酵开始时间数据，所述将所述第一酿造数据输入预测模型，根据所述预测模型的输出结果输出对应的生产指导信息和/或评价信息的步骤包括：
将所述第一当前环境数据、所述当前发酵产物参数和所述第一当前发酵开始时间数据输入所述第一模型，获得所述预测发酵结束时间数据；
在当前时间与所述预测发酵结束时间数据匹配时，输出起窖提示信息，所述生产指导信息包括所述起窖提示信息。
可选地，所述酒醅发酵信息包括不同发酵阶段对应的所述预测发酵结束时间数据，所述预测模型包括不同所述发酵阶段对应的所述第一模型，所述将所述第一当前环境数据、所述当前发酵产物参数和所述第一当前发酵开始时间数据输入所述第一模型，获得所述预测发酵结束时间数据的步骤包括：
根据所述白酒生产过程当前所处的发酵阶段确定对应的所述第一模型为目标模型；
将所述第一当前环境数据、当前发酵产物参数和所述第一当前发酵开始时间数据输入所述目标模型，获得当前发酵阶段对应的所述预测发酵结束时间数据。
可选地，所述将所述第一当前环境数据、所述当前发酵产物参数和所述第一当前发酵开始时间数据输入所述第一模型，获得所述预测发酵结束时间数据的步骤之前，还包括：
获取多次酿造过程记录的多个第二酿造数据，所述第二酿造数据包括酒醅发酵环境的第一环境数据、发酵产物参数、第一发酵开始时间数据和发酵结束时间数据；
根据所述多个第二酿造数据训练第一机器学习模型，获得所述第一模型。
可选地，所述曲块发酵信息包括预测发酵产物标准参数，所述预测模型包括用于预测发酵产物标准参数的第二模型，所述第一酿造数据包括曲块发酵环境的第二当前环境数据、当前曲块内部参数和第二当前发酵开始时间数据，所述将所述第一酿造数据输入预测模型，根据所述预测模型的输出结果输出对应的生产指导信息和/或评价信息的步骤包括：
将所述第二当前环境数据、所述当前曲块内部参数和所述第二当前发酵开始时间数据输入所述第二模型，获得所述预测发酵产物标准参数；
在所述预测发酵产物标准参数与预设发酵产物标准参数不匹配时，输出环境调节提示信息，所述生产指导信息包括所述环境调节提示信息。
可选地，所述将所述第二当前环境数据、所述当前曲块内部参数和所述第二当前发酵开始时间数据输入所述第二模型，获得所述预测发酵产物标准参数的步骤之前，还包括：
获取多次酿造过程记录的多个第二酿造数据，所述第二酿造数据包括曲块发酵环境的第二环境数据、曲块内部参数和第二发酵开始时间数据和发酵产物标准参数；
根据所述多个第二酿造数据训练第二机器学习模型，获得所述第二模型。
可选地，所述评价信息包括预测基酒评价等级，所述预测模型包括用于预测基酒评价等级的第三模型，所述第一酿造数据包括当前基酒近红外光检测图谱，所述将所述第一酿造数据输入预测模型，根据所述预测模型的输出结果输出对应的生产指导信息和/或评价信息的步骤包括：
将所述当前基酒近红外光检测图谱输入所述第三模型，获得所述预测基酒评价等级；
输出所述预测基酒评价等级，所述评价信息包括所述预测基酒评价等级。
可选地，所述将所述当前基酒近红外光检测图谱输入所述第三模型，获得所述预测基酒评价等级的步骤之前，还包括：
获取多次酿造过程记录的多个第二酿造数据，所述第二酿造数据包括基酒近红外光检测图谱和基酒评价等级；
根据所述多个第二酿造数据训练第三机器学习模型，获得所述第三模型。
此外，为了实现上述目的，本申请还提出一种服务器，所述服务器包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的白酒生产辅助程序，所述白酒生产辅助程序配置为实现如上任一项所述的白酒生产辅助方法的步骤。
此外，为了实现上述目的，本申请还提出一种存储介质，所述存储介质上存储有白酒生产辅助程序，所述白酒生产辅助程序被处理器执行时实现如上任一项所述的白酒生产辅助方法的步骤。
本发明提出的一种白酒生产辅助方法，该方法通过获取白酒生产过程当前的第一酿造数据，将第一酿造数据输入预测模型，根据预测模型的输出结果输出对应的生产指导信息和/或评价信息，其中，预测模型为用于预测白酒生产过程的酒醅发酵信息、曲块发酵信息和/或评价信息的机器学习模型。相比于传统通过人工经验判断酿造过程的关键性因素，将白酒生产过程当前的第一酿造数据输入预测模型，可利用预测模型作出科学的分析和预测，从而对酿造过程的关键性因素作出合理的判断，并获得生产指导信息和/或评价信息引导工人操作，实现通过科学的预测模型指导白酒生产过程，提高白酒生产质量的稳定性。
附图说明
图1为本发明服务器一实施例运行涉及的硬件结构示意图；
图2为本发明白酒生产辅助方法第一实施例的流程示意图；
图3为本发明白酒生产辅助方法第二实施例的流程示意图；
图4为本发明白酒生产辅助方法第三实施例的流程示意图；
图5为本发明白酒生产辅助方法第四实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提出一种服务器。如图1所示，该服务器可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、网络接口1003，存储器1004。其中，通信总线1002用于实现这些组件之间的连接通信。网络接口1003可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1004可以是高速的随机存取存储器(Random Access Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1004可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对服务器的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1004中可以包括白酒生产辅助程序。在图1所示的服务器中，网络接口1003主要用于与其他设备进行数据通信；处理器1001可以用于调用存储器1004中存储的白酒生产辅助程序，并执行以下实施例中白酒生产辅助方法的相关步骤操作。
本发明实施例还提供了一种白酒生产辅助方法，应用于上述服务器。
参照图2，提出本申请白酒生产辅助方法一实施例。在本实施例中，所述白酒生产辅助方法包括：
步骤S10，获取白酒生产过程当前的第一酿造数据；
第一酿造数据为白酒生产过程中通过检测设备采集或记录的实时数据，可以包括正在酿造中的材料数据或酿造环境的数据，并且可以包括多种类型的数据，例如环境温度、环境湿度、化学成分数据或时间数据等。此外，检测设备可以是针对多种数据的多种传感器，例如温度传感器、湿度传感器等。
可选地，在白酒生产过程中，通过检测设备采集或记录酿造中的材料或酿造环境的实时数据，即第一酿造数据，服务器获取该第一酿造数据并执行后续的步骤。
步骤S20，将所述第一酿造数据输入预测模型，根据所述预测模型的输出结果输出对应的生产指导信息和/或评价信息；其中，所述预测模型为用于预测所述白酒生产过程的酒醅发酵信息、曲块发酵信息和/或所述评价信息的机器学习模型。
预测模型为基于机器学习建立的并且用于辅助白酒生产的预测模型，预测模型可以基于决策树算法、人工神经网络算法或关联规则算法等机器学习算法建立和训练，在本实施例中不作限定。需要说明的是，在将第一酿造数据输入预测模型之前，预测模型已经完成对应的训练，可以基于输入的第一酿造数据作出对应的预测。
可选地，针对于白酒生产过程中的不同生产环节，也有对应于不同生产环节的第一酿造数据，例如包括酒醅发酵环节、曲块发酵环节和产酒的环节。对于不同的生产环节，预测模型包括对应的不同预测模型。对于酒醅发酵环节的第一酿造数据，预测模型可预测酒醅发酵信息；对于曲块发酵环节的第一酿造数据，预测模型可预测曲块发酵信息；对于产酒环节的第一酿造数据，预测模型可预测评价信息。其中，酒醅发酵信息、曲块发酵信息和评价信息均为对应阶段生产结果的相关信息，例如，酒醅发酵信息可以包括预测发酵结束时间、发酵结束后材料中的各项预测指标数值等。
生产指导信息为服务器确定预测模型的输出结果后，根据输出结果确定的对应提示信息，其中可以包括具体的操作指示。示例性的，当发酵信息中的预测发酵结束时间已满足时，可生成指示开窖取酒的生产指导信息。生产工人可根据生产指导信息确定具体的操作指示。
可选地，服务器根据预测模型的输出结果确定生产指导信息和/或评价信息后，将生产指导信息和/或评价信息输出至其他设备，例如生产工人的工作终端或移动终端，生产工人可通过该终端获取生产指导信息和/或评价信息，从而在白酒生产过程中作出对应的操作。
本发明实施例提出的一种白酒生产辅助方法，该方法通过获取白酒生产过程当前的第一酿造数据，将第一酿造数据输入预测模型，根据预测模型的输出结果输出对应的生产指导信息和/或评价信息，其中，预测模型为用于预测白酒生产过程的酒醅发酵信息、曲块发酵信息和/或评价信息的机器学习模型。相比于传统通过人工经验判断酿造过程的关键性因素，将白酒生产过程当前的第一酿造数据输入预测模型，可利用预测模型作出科学的分析和预测，从而对酿造过程的关键性因素作出合理的判断，并获得生产指导信息和/或评价信息引导工人操作，实现通过科学的预测模型指导白酒生产过程，提高白酒生产质量的稳定性。
进一步的，基于上述实施例，提出本申请白酒生产辅助方法第二实施例。在本实施例中，所述酒醅发酵信息包括预测发酵结束时间数据，所述预测模型包括用于预测发酵结束时间数据的第一模型，所述第一酿造数据包括酒醅发酵环境的第一当前环境数据、当前发酵产物参数和第一当前发酵开始时间数据。基于此，参考图3，所述将所述第一酿造数据输入预测模型，根据所述预测模型的输出结果输出对应的生产指导信息和/或所述评价信息的步骤包括：
步骤S21，将所述第一当前环境数据、所述当前发酵产物参数和所述第一当前发酵开始时间数据输入所述第一模型，获得所述预测发酵结束时间数据；
步骤S22，在当前时间与所述预测发酵结束时间数据匹配时，输出起窖提示信息，所述生产指导信息包括所述起窖提示信息。
白酒生产过程包括酒醅发酵阶段，预测模型中包括对应的第一模型可应用于酒醅发酵阶段。其中，酒醅发酵环境的第一当前环境数据包括实时采集的发酵环境的各种指标数值(例如，温度，氧气含量、气压和二氧化碳含量等数据)，当前发酵产物参数包括实时采集的发酵产物的各种化学成分数据(例如，酒精浓度、酸度、糖化度、含水量等数据)，第一当前发酵开始时间数据为当前酒醅发酵阶段的开始时间，发酵结束时间为酒醅发酵阶段的结束时间。
基于机器学习训练的第一模型可以根据第一当前发酵开始时间数据、第一当前环境数据和当前发酵产物参数，对当前发酵中的材料作出发酵结束时间的实时预测，即预测发酵结束时间数据。
需要说明的是，酒醅发酵阶段在窖池或其他同类发酵环境进行，起窖提示信息用于指示生产工人对窖池进行起窖工作，结束酒醅发酵阶段。
可选地，白酒生产进入酒醅发酵阶段后，服务器获取记录或采集的第一当前发酵开始时间数据、第一当前环境数据和当前发酵产物参数，并将获取的数据输入第一模型，第一模型将输出对应的预测发酵结束时间数据，服务器根据当前时间与预测发酵结束时间数据进行比对，确认酒醅发酵阶段是否已完成，当确定完成时，输出对应的起窖提示信息，生产工人可根据该起窖提示信息确认酒醅发酵阶段已完成，从而进行执行起窖和后续的白酒生产工序。
通过基于机器学习的第一模型预测发酵阶段的结束时间，可以及时提醒生产工人酒醅发酵完成起窖，避免发酵时间过短或过长的情况出现，提高白酒酒醅发酵阶段的发酵效果稳定性，从而提高白酒生产质量的稳定性。
进一步的，在本实施例中，所述酒醅发酵信息包括不同发酵阶段对应的所述预测发酵结束时间数据，所述预测模型包括不同所述发酵阶段对应的所述第一模型，步骤S21包括：
根据所述白酒生产过程当前所处的发酵阶段确定对应的所述第一模型为目标模型；
将所述第一当前环境数据、当前发酵产物参数和所述第一当前发酵开始时间数据输入所述目标模型，获得当前发酵阶段对应的所述预测发酵结束时间数据。
需要说明的是，不同发酵阶段为酒醅发酵阶段中的各个子阶段，根据白酒生产的实际需求，生产过程中可包括多个不同发酵阶段。对应于不同的发酵阶段，可以有对应的第一模型用于进行对应阶段的发酵结束时间预测。
在其他实施例中，对于不同的发酵阶段，可以通过预测模型预测发酵结束时间以外的数据，同时生产指导信息也可以对应为不同的信息。
通过对应不同发酵阶段以第一模型作出对应的预测，生产工人能够提高对白酒生产过程中复杂的发酵工序的掌握，提高白酒发酵阶段的发酵效果稳定性，从而提高白酒生产质量的稳定性。
进一步的，在本实施例中，步骤S21之前，还包括：
获取多次酿造过程记录的多个第二酿造数据，所述第二酿造数据包括酒醅发酵环境的第一环境数据、发酵产物参数、第一发酵开始时间数据和发酵结束时间数据；
根据所述多个第二酿造数据训练第一机器学习模型，获得所述第一模型。
第二酿造数据为已经完成的多次酿造过程中的历史酿造数据，且与第一酿造数据所包括的数据类型相同。
可选地，在开始当前的酿造之前，通过传统人工经验指导的方式完成多次酿造，并采集或记录其中酒醅发酵阶段发酵环境的第一环境数据、发酵产物参数、第一发酵开始时间数据和发酵结束时间数据，从而获得第一模型的训练数据，即第二酿造数据。以第一环境数据、发酵产物参数和第一发酵开始时间数据作为模型的输入，对应的发酵结束时间数据作为模型的输出，训练第一机器学习模型，以使第一机器学习模型学习输入和输出之间的关联，从而获得第一模型。
在其他实施例中，第二酿造数据也可以包括上一次酿造中预测模型输入和输出的数据，通过将预测模型的输出结果与人工经验指导的结果比对，对预测模型进行修正，以不断优化预测模型的预测准确性。
通过第一环境数据、发酵产物参数、第一发酵开始时间数据和发酵结束时间数据训练获得第一模型，可通过第一模型预测当前酒醅发酵阶段的结束时间，提高生产工人对于白酒生产过程中酒醅发酵阶段的掌握。
进一步的，基于上述实施例，提出本申请白酒生产辅助方法第三实施例。在本实施例中，所述曲块发酵信息包括预测发酵产物标准参数，所述预测模型包括用于预测发酵产物标准参数的第二模型，所述第一酿造数据包括曲块发酵环境的第二当前环境数据、当前曲块内部参数和第二当前发酵开始时间数据。基于此，参考图4，所述将所述第一酿造数据输入预测模型，根据所述预测模型的输出结果输出对应的生产指导信息和/或评价信息的步骤包括：
步骤S23，将所述第二当前环境数据、所述当前曲块内部参数和所述第二当前发酵开始时间数据输入所述第二模型，获得所述预测发酵产物标准参数；
步骤S24，在所述预测发酵产物标准参数与预设发酵产物标准参数不匹配时，输出环境调节提示信息，所述生产指导信息包括所述环境调节提示信息。
白酒生产过程包括曲块发酵阶段，即对生产的白酒曲块存储到曲房中进行发酵的阶段，预测模型中包括对应的第二模型可应用于曲块发酵阶段。其中，曲块发酵环境的第二当前环境数据即为实时采集的曲房环境的各种指标数值(例如，温度、湿度、气压等数据)，当前曲块内部参数即为实时采集的发酵存储中曲块的内部参数(例如温度)，第二当前发酵开始时间数据为当前曲块发酵阶段的开始时间，发酵产物标准参数为曲块发酵完成后白酒的化学成分参数(例如，硫化物成分)。
基于机器学习训练的第二模型可以根据第二当前发酵开始时间数据、当前曲块内部参数和第二当前环境数据，预测当前曲块发酵中白酒的发酵产物标准参数，即预测发酵产物标准参数。
预设发酵产物标准参数为生产工人预先设置的曲块发酵阶段结束后白酒各项化学成分参数的目标指标，其中，目标指标可以表现为一个区间，当预测发酵产物标准参数的指标不落入对应区间时，即判定该项指标不匹配。需要说明的是，白酒的曲块发酵结果受曲块发酵环境的影响，因此当预测发酵产物标准参数与预设发酵产物标准参数不匹配时，环境调节提示信息可用于指示生产工人调节曲块发酵环境，即调整曲房环境。
可选地，白酒生产进入曲块发酵阶段后，服务器获取记录或采集的第二当前发酵开始时间数据、当前曲块内部参数和曲块发酵环境的第二当前环境数据，并将获取的数据输入第二模型，第二模型将输出对应的预测发酵产物标准参数，服务器将预测发酵产物标准参数与预设发酵产物标准参数进行比对，确认曲块发酵阶段完成时发酵结果是否符合要求，当预测确定不会符合时，输出对应的环境调节提示信息，生产工人可根据该环境调节提示信息对曲块发酵环境作出及时调整，以使最终的曲块发酵结果符合要求。
通过基于机器学习的第二模型预测曲块发酵阶段的发酵产物标准参数，可以指导生产工人调节曲块发酵环境，使白酒曲块发酵结果符合要求，提高白酒曲块发酵阶段的发酵效果稳定性，从而提高白酒生产质量的稳定性。
进一步的，在本实施例中，步骤S23之前，还包括：
获取多次酿造过程记录的多个第二酿造数据，所述第二酿造数据包括曲块发酵环境的第二环境数据、曲块内部参数和第二发酵开始时间数据和发酵产物标准参数；
根据所述多个第二酿造数据训练第二机器学习模型，获得所述第二模型。
可选地，在开始当前的酿造之前，采集或记录之前完成的多次酿造过程中的曲块发酵环境的第二环境数据、曲块内部参数、第二发酵开始时间数据和发酵产物标准参数。以曲块发酵环境的第二环境数据、曲块内部参数和第二发酵开始时间数据作为模型的输入，对应的发酵产物标准参数作为模型的输出，训练第二机器学习模型，以使第二机器学习模型学习输入和输出之间的关联，从而获得第二模型。
通过曲块发酵环境的第二环境数据、曲块内部参数、第二发酵开始时间数据和发酵产物标准参数训练获得第二模型，可通过第二模型预测当前曲块发酵阶段的发酵结果，提高生产工人对于白酒生产过程中曲块发酵阶段的掌握。
进一步的，基于上述实施例，提出本申请白酒生产辅助方法第四实施例。在本实施例中，所述评价信息包括预测基酒评价等级，所述预测模型包括用于预测基酒评价等级的第三模型，所述第一酿造数据包括当前基酒近红外光检测图谱。基于此，参考图5，所述将所述第一酿造数据输入预测模型，根据所述预测模型的输出结果输出对应的生产指导信息和/或评价信息的步骤包括：
步骤S25，将所述当前基酒近红外光检测图谱输入所述第三模型，获得所述预测基酒评价等级；
步骤S26，输出所述预测基酒评价等级，所述评价信息包括所述预测基酒评价等级。
在白酒生产过程中产出基酒后，需要对基酒评价其等级，以区分不同评价等级的基酒，然后在白酒生产的勾兑环节利用不同评价等级的基酒进行勾兑，从而产出成品酒。预测模型中包括对应的第三模型可应用于为基酒评价等级。
基酒近红外光检测图谱可以反映基酒中有机分子含氢基团的特征信息，从而反映出对应基酒成分特征，在传统依赖生产员工经验的白酒生产方法中，对基酒的评价等级为人工评级，而通过第三模型可基于基酒近红外光检测图谱所反映的特征，快速准确地对基酒评价等级作出预测。
在其他实施例中，也可利用其它检测手段获取基酒的具体成分信息，例如核磁共振氢谱，使预测模型根据具体的成分信息预测基酒评价等级。
可选地，在白酒生产过程中产出基酒后，通过近红外光谱仪检测基酒，服务器获取该近红外光谱仪输出的基酒近红外光检测图谱，并将基酒近红外光检测图谱输入第三模型，第三模型将输出对应的预测基酒评价等级，服务器将预测基酒评价等级发送至生产工人的工作终端或移动终端，生产工人可通过该终端获取该基酒的评价等级。
通过基于机器学习的第三模型预测产出的基酒的评价等级，可以快速准确地对基酒进行分级，提高白酒生产的效率，也可以提高基于基酒勾兑获得的成品酒的质量。
进一步的，在本实施例中，步骤S25之前，还包括：
获取多次酿造过程记录的多个第二酿造数据，所述第二酿造数据包括基酒近红外光检测图谱和基酒评价等级；
根据所述多个第二酿造数据训练第三机器学习模型，获得所述第三模型。
可选地，在开始当前的酿造之前，采集或记录之前完成的多次酿造过程中的基酒近红外光检测图谱和基酒评价等级。以基酒近红外光检测图谱作为模型的输入，对应的基酒评价等级作为模型的输出，训练第三机器学习模型，以使第三机器学习模型学习输入和输出之间的关联，从而获得第三模型。其中，第二酿造数据中的基酒评价等级为根据生产工人经验作出的评级。
通过基酒近红外光检测图谱和基酒评价等级训练获得第三模型，可通过第三模型预测当前基酒的评价等级，提高对基酒评级的准确性，从而提高基于基酒勾兑的成品酒的质量。
进一步的，在其他实施例中，还可以包括用于预测成品酒等级的预测模型，定义该预测模型为第四模型。
基于白酒生产过程具有多个生产环节的考虑，第四模型可以将不同生产环节的数据作为输入数据，输出预测成品酒等级，以实现在整个生产过程中，生产工人均可以通过第四模型预测当前为止的工序或进度下将产出的成品酒等级。进一步的，第四模型可以利用第一模型、第二模型和第三模型所输入和输出的数据作为其输入数据，并输出对应的预测成品酒等级，从而对整个白酒生产过程的产出结果作出预测。
此外，还可以将投料配比参数加入第四模型的输入内容，投料配比参数为当前酿造所用原料的成分比例参数，生产员工可以通过第四模型确定投料配比参数和预测成品酒等级的联系，从而根据预测成品酒等级对投料配比参数作出优化，或定制生产特定等级的成品酒。
进一步的，除第四模型可以利用第一模型、第二模型和第三模型的输入和输出数据作为其输入数据外，每个预测模型也可将上一生产环节对应的预测模型的输入和输出数据加入其输入数据，以实现串联各个环节的模型进行迭代预测的预测效果。示例性的，可将投料配比参数加入第一模型的输入数据，可将第一模型关联的输入和输出数据加入第二模型的输入数据。
通过第四模型基于整个白酒生产过程的数据预测成品酒等级，可以帮助生产工人快速掌握当前的酿造情况，从宏观上提高对当前酿造情况所能产出的结果的把握，从而提高产出的成品酒的质量稳定性。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有白酒生产辅助程序，所述白酒生产辅助程序被处理器执行时实现如上白酒生产辅助方法任一实施例的相关步骤。
需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种白酒生产辅助方法，其特征在于，所述方法包括以下步骤：
获取白酒生产过程当前的第一酿造数据；
将所述第一酿造数据输入预测模型，根据所述预测模型的输出结果输出对应的生产指导信息和/或评价信息；
其中，所述预测模型为用于预测所述白酒生产过程的酒醅发酵信息、曲块发酵信息和/或所述评价信息的机器学习模型。
2.如权利要求1所述的白酒生产辅助方法，其特征在于，所述酒醅发酵信息包括预测发酵结束时间数据，所述预测模型包括用于预测发酵结束时间数据的第一模型，所述第一酿造数据包括酒醅发酵环境的第一当前环境数据、当前发酵产物参数和第一当前发酵开始时间数据，所述将所述第一酿造数据输入预测模型，根据所述预测模型的输出结果输出对应的生产指导信息和/或评价信息的步骤包括：
将所述第一当前环境数据、所述当前发酵产物参数和所述第一当前发酵开始时间数据输入所述第一模型，获得所述预测发酵结束时间数据；
在当前时间与所述预测发酵结束时间数据匹配时，输出起窖提示信息，所述生产指导信息包括所述起窖提示信息。
3.如权利要求2所述的白酒生产辅助方法，其特征在于，所述酒醅发酵信息包括不同发酵阶段对应的所述预测发酵结束时间数据，所述预测模型包括不同所述发酵阶段对应的所述第一模型，所述将所述第一当前环境数据、所述当前发酵产物参数和所述第一当前发酵开始时间数据输入所述第一模型，获得所述预测发酵结束时间数据的步骤包括：
根据所述白酒生产过程当前所处的发酵阶段确定对应的所述第一模型为目标模型；
将所述第一当前环境数据、所述当前发酵产物参数和所述第一当前发酵开始时间数据输入所述目标模型，获得当前发酵阶段对应的所述预测发酵结束时间数据。
4.如权利要求3所述的白酒生产辅助方法，其特征在于，所述将所述第一当前环境数据、所述当前发酵产物参数和所述第一当前发酵开始时间数据输入所述第一模型，获得所述预测发酵结束时间数据的步骤之前，还包括：
获取多次酿造过程记录的多个第二酿造数据，所述第二酿造数据包括所述酒醅发酵环境的第一环境数据、发酵产物参数、第一发酵开始时间数据和发酵结束时间数据；
根据所述多个第二酿造数据训练第一机器学习模型，获得所述第一模型。
5.如权利要求1所述的白酒生产辅助方法，其特征在于，所述曲块发酵信息包括预测发酵产物标准参数，所述预测模型包括用于预测发酵产物标准参数的第二模型，所述第一酿造数据包括曲块发酵环境的第二当前环境数据、当前曲块内部参数和第二当前发酵开始时间数据，所述将所述第一酿造数据输入预测模型，根据所述预测模型的输出结果输出对应的生产指导信息和/或评价信息的步骤包括：
将所述第二当前环境数据、所述当前曲块内部参数和所述第二当前发酵开始时间数据输入所述第二模型，获得所述预测发酵产物标准参数；
在所述预测发酵产物标准参数与预设发酵产物标准参数不匹配时，输出环境调节提示信息，所述生产指导信息包括所述环境调节提示信息。
6.如权利要求5所述的白酒生产辅助方法，其特征在于，所述将所述第二当前环境数据、所述当前曲块内部参数和所述第二当前发酵开始时间数据输入所述第二模型，获得所述预测发酵产物标准参数的步骤之前，还包括：
获取多次酿造过程记录的多个第二酿造数据，所述第二酿造数据包括所述曲块发酵环境的第二环境数据、曲块内部参数和第二发酵开始时间数据和发酵产物标准参数；
根据所述多个第二酿造数据训练第二机器学习模型，获得所述第二模型。
7.如权利要求1至6中任一项所述的白酒生产辅助方法，其特征在于，所述评价信息包括预测基酒评价等级，所述预测模型包括用于预测基酒评价等级的第三模型，所述第一酿造数据包括当前基酒近红外光检测图谱，所述将所述第一酿造数据输入预测模型，根据所述预测模型的输出结果输出对应的生产指导信息和/或评价信息的步骤包括：
将所述当前基酒近红外光检测图谱输入所述第三模型，获得所述预测基酒评价等级；
输出所述预测基酒评价等级，所述评价信息包括所述预测基酒评价等级。
8.如权利要求7所述的白酒生产辅助方法，其特征在于，所述将所述当前基酒近红外光检测图谱输入所述第三模型，获得所述预测基酒评价等级的步骤之前，还包括：
获取多次酿造过程记录的多个第二酿造数据，所述第二酿造数据包括基酒近红外光检测图谱和基酒评价等级；
根据所述多个第二酿造数据训练第三机器学习模型，获得所述第三模型。
9.一种服务器，其特征在于，所述服务器包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的白酒生产辅助程序，所述白酒生产辅助程序配置为实现如权利要求1至8中任一项所述的白酒生产辅助方法的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有白酒生产辅助程序，所述白酒生产辅助程序被处理器执行时实现如权利要求1至8中任一项所述的白酒生产辅助方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211227109.XA CN115564600A (zh) | 2022-10-09 | 2022-10-09 | 白酒生产辅助方法、服务器及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211227109.XA CN115564600A (zh) | 2022-10-09 | 2022-10-09 | 白酒生产辅助方法、服务器及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115564600A true CN115564600A (zh) | 2023-01-03 |
Family
ID=84745914
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211227109.XA Pending CN115564600A (zh) | 2022-10-09 | 2022-10-09 | 白酒生产辅助方法、服务器及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115564600A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117094420A (zh) * | 2023-10-20 | 2023-11-21 | 浙江大学 | 一种模型训练方法、装置和功率预测方法以及设备和介质 |
-
2022
- 2022-10-09 CN CN202211227109.XA patent/CN115564600A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117094420A (zh) * | 2023-10-20 | 2023-11-21 | 浙江大学 | 一种模型训练方法、装置和功率预测方法以及设备和介质 |
| CN117094420B (zh) * | 2023-10-20 | 2024-02-06 | 浙江大学 | 一种模型训练方法、装置和功率预测方法以及设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115564600A (zh) | 白酒生产辅助方法、服务器及存储介质 | |
| CN112001329B (zh) | 蛋白表达量的预测方法、装置、计算机设备和存储介质 | |
| CN110597082A (zh) | 智能家居设备控制方法、装置、计算机设备及存储介质 | |
| CN112257603B (zh) | 高光谱图像分类方法及相关设备 | |
| CN112288137A (zh) | 一种计及电价和Attention机制的LSTM短期负荷预测方法及装置 | |
| CN114778484B (zh) | 茶叶品质等级分类方法及装置、设备、存储介质 | |
| CN112184412A (zh) | 一种信用评分卡模型的建模方法、装置、介质及电子设备 | |
| CN115393645A (zh) | 一种土壤自动分类定名方法、系统、存储介质及智能终端 | |
| CN113934840B (zh) | 一种结合覆盖启发式的数量感知练习推荐方法 | |
| CN114398871A (zh) | 金融实体抽取方法、装置、设备与计算机可读存储介质 | |
| CN111581338B (zh) | 一种农业技术服务机器人人机融合咨询问答方法及系统 | |
| CN107515204A (zh) | 利用nir对郫县豆瓣甜瓣子发酵成熟度的检测方法 | |
| CN113076309B (zh) | 烟草生丝水分加水量预测系统及方法 | |
| CN112599194B (zh) | 甲基化测序数据的处理方法和装置 | |
| CN101171586A (zh) | 质谱母离子选择 | |
| Williams et al. | Decision trees | |
| CN115793463A (zh) | 一种模型预测控制器的人机交互式维护系统及设备 | |
| CN115660608A (zh) | 一种一站式的创新创业孵化方法 | |
| CN109242210A (zh) | 一种球团原料最佳配比的自动推荐方法 | |
| CN110796265B (zh) | 决策树模型的交互式操作方法、装置、终端设备及介质 | |
| CN110909470B (zh) | 一种红外光谱化学计量学分析系统及方法 | |
| CN114663709A (zh) | 一种应急污水处理方法、装置及设备 | |
| CN114464255A (zh) | 一种基于dna甲基化水平数据的甲基化年龄评估方法 | |
| CN114241221A (zh) | 一种基于神经网络预测算法的控制系统 | |
| KR20200046193A (ko) | 막걸리 품질센서 |
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 |