CN115600147A - 一种白酒发酵过程异常温度判识预警方法 - Google Patents

一种白酒发酵过程异常温度判识预警方法 Download PDF

Info

Publication number
CN115600147A
CN115600147A CN202211329211.0A CN202211329211A CN115600147A CN 115600147 A CN115600147 A CN 115600147A CN 202211329211 A CN202211329211 A CN 202211329211A CN 115600147 A CN115600147 A CN 115600147A
Authority
CN
China
Prior art keywords
temperature
fermentation process
data
abnormal
temperature data
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
Application number
CN202211329211.0A
Other languages
English (en)
Inventor
郭明亮
何长根
邓麟
耿东晛
马克民
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 Analysis And Testing Service Center
Original Assignee
Sichuan Analysis And Testing Service Center
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 Analysis And Testing Service Center filed Critical Sichuan Analysis And Testing Service Center
Priority to CN202211329211.0A priority Critical patent/CN115600147A/zh
Publication of CN115600147A publication Critical patent/CN115600147A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Abstract

本发明公开了一种白酒发酵过程异常温度判识预警方法，包括：对目标窖池发酵过程中若干测温点的温度数据分成若干时间点进行定时采集；将一次发酵过程中同一测温点的温度数据拟合成一条温度曲线；根据最后的发酵结果对温度曲线进行评分；筛选出评分高于阈值的温度曲线；将筛选出来的同一测温点的温度曲线进行拟合，得到每个时间点的温度区间，并将所有时间点的温度区间融合成所述测温点的标准温度带；利用标准曲线对目标窖池发酵过程中采集到的温度数据进行判识，若温度数据异常则报警。本发明结合窖池测温点的历史数据，获得该时间点最佳的温度区间，对后续发酵过程提供参考，能够及时、恰当地给出异常温度判识预警，有效保障白酒发酵正常进行。

Description

一种白酒发酵过程异常温度判识预警方法
技术领域
本发明涉及一种在白酒发酵过程中对发酵温度的异常情况进行判识并且预警的方法。
背景技术
目前在白酒生产发酵环节，发酵温度是反映发酵情况好坏的主要判定指标。
现有技术中发酵温度监测一般仅能实现温度的采集，对于发酵温度是否异常只能依靠人工进行判别，并且发酵温度的判定通常采用单一的温度过高、温度过低状态进行简单判断，判断数据源单一，无法自动的与生产发酵时间过程相结合，进而容易造成判断不及时、不恰当，不具备生产发酵工艺指导意义。
发明内容
有鉴于此，本发明提供一种白酒发酵过程异常温度判识预警方法，依靠历史数据并与发酵时间相结合，可实时地判识发酵过程中温度的异常。
为解决以上技术问题，本发明的技术方案为采用一种白酒发酵过程异常温度判识预警方法，包括：
对目标窖池发酵过程中若干测温点的温度数据分成若干时间点进行定时采集；
将一次发酵过程中同一测温点的温度数据拟合成一条温度曲线；
根据最后的发酵结果对温度曲线进行评分；
筛选出评分高于阈值的温度曲线；
将筛选出来的同一测温点的温度曲线进行拟合，得到每个时间点的温度区间，并将所有时间点的温度区间融合成所述测温点的标准温度带；
利用标准曲线对目标窖池发酵过程中采集到的温度数据进行判识，若温度数据异常则报警。
作为一种改进，利用快速绑定测温系统对目标窖池发酵过程中的温度数据进行采集；所述快速绑定测温系统包括服务器、若干监测仪表；所述若干监测仪表均设置有各自独有的表征身份信息的信息标签；还包括快速绑定设备，所述快速绑定设备与服务器连接；所述快速绑定设备上设置有用于读取信息标签的读取模块。
作为一种进一步的改进，所述对目标窖池发酵过程中若干测温点的温度数据进行定时采集的方法包括：
采集开始前，在快速绑定设备的APP或者小程序中找到准备安装监测仪表的目标窖池；
运用快速绑定设备通过扫描、读取等的方式获取监测仪表上的信息标签上的身份信息，并将监测仪表与目标窖池进行绑定；
在完成绑定后将监测仪表安放至目标窖池相应测温点，监测仪表将监测到的温度数据回传至服务器。
作为另一种更进一步的改进，将同一测温点的温度数据拟合温度曲线时若发现有温度缺失则进行填充，包括：
定义多项式函数；
将已有的温度数据带入多项式函数中进行求解，计算出误差平方最小的一个函数；
将缺失温度数据的时间点带入该函数中获得该时间点的温度数据。
作为一种改进，所述将筛选出来的同一测温点的温度曲线进行拟合，得到每个时间点的温度区间的方法包括：
将评分最高的温度曲线上的温度数据作为聚类中心，并筛选出与聚类中心欧氏距离最近的部分温度数据；
计算筛选出来的温度数据的平均值作为聚类中心进行聚类迭代并重新筛选出与聚类中心欧氏距离最近的部分温度数据，重复本步骤直到迭代稳定；
将筛选出来的部分温度数据拟合成温度区间。
作为一种改进，所述温度异常包括：
温度过高，采集到的某个时间点的温度超过标准温度带中该时间点的温度区间；
温度过低，采集到的某个时间点的温度低于标准温度带中该时间点的温度区间；
升温过快，采集到的连续N个时间点的温度超过标准温度带中对应时间点的温度区间；
升温过慢，采集到的连续M个时间点的温度低于标准温度带中对应时间点的温度区间；
温度停滞，采集到的连续L个时间点的温度保持不变。
作为一种改进，利用采集到的温度数据对标准温度带进行优化。
本发明还提供另一种白酒发酵过程异常温度判识预警方法，包括：
对目标窖池发酵过程中若干测温点的温度数据分成若干时间点进行定时采集；
将一次发酵过程中同一测温点的温度数据按照时间点拟合成若干温度曲线，每个时间点的温度曲线包含该时间点以及之前所有时间点的温度数据；
对每条曲线的温度异常情况进行人工判识形成训练集和验证集；
为每个测温点构建与时间点数量对应的神经网络模型，输入对应的训练集进行训练并利用对应的验证集进行验证，用于训练神经网络模型；
将采集到的温度数据输入相应的神经网络模型中进行判识并输出判识结果，若判识结果显示温度异常则报警。
作为一种改进，所述神经网络模型输出的结果为数组，该数组包括5个元素；所述5个元素分别代表温度过高、温度过低、升温过快、升温过慢、温度停滞5种状态；每个元素有0和1两种状态，其中1代表是，0代表否。
作为一种改进，所述神经网络模型为BP神经网络模型；人工判识形成训练集和验证集比例为7:3。
本发明的有益之处在于：本发明结合窖池测温点的历史数据，通过对历史数据的分析和筛选，获得该时间点最佳的温度区间，对后续发酵过程提供参考，能够及时、恰当地给出异常温度判识预警，有效保障白酒发酵正常进行。
附图说明
图1为实施例1的流程图。
图2为实施例2的流程图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案，下面结合具体实施方式对本发明作进一步的详细说明。
白酒香型众多且酿造工艺各异，每个厂家甚至每个窖池都有自己独特的发酵温度要求。现有的发酵温度掌控一般均依靠技术人员的经验来进行，缺乏严谨性并且在温度异常时反应也不够及时。
为了解决这个问题，如图1所示，本发明实施例1提供一种白酒发酵过程异常温度判识预警方法，其具体步骤包括：
S11对目标窖池发酵过程中若干测温点的温度数据分成若干时间点进行定时采集。
酒厂中窖池一般为多个，而每个窖池一般需要布置多个测温点，如上中下三层，每层按照九宫格的形式进行布置，就有27个测温点。因此每个窖池需要用到的监测仪表也为多个。现有的窖池监测系统及仪表在运用时，通常采用手动录入的方式将窖池与使用仪表进行绑定，便捷性不足，操作工人容易将窖池以及窖池测温点与窖池监测仪表匹配错误，导致监测数据出错。
本实施例中，温度数据的采集依靠的是快速绑定测温系统。所述快速绑定测温系统包括服务器、若干监测仪表；所述若干监测仪表均设置有各自独有的表征身份信息的信息标签；还包括快速绑定设备，所述快速绑定设备与服务器连接；所述快速绑定设备上设置有用于读取信息标签的读取模块。利用快速绑定测温系统进行温度数据采集的步骤包括：
S111采集开始前，在快速绑定设备的APP或者小程序中找到准备安装监测仪表的目标窖池以及测温点；
S112运用快速绑定设备通过扫描、读取等的方式获取监测仪表上的信息标签上的身份信息，并将监测仪表与目标窖池进行绑定；所述信息标签包括条形码、二维码、电子标签(如NFC标签、RFID标签)中的一种或者几种。为了能够获得信息标签中的信息，所述快速绑定设备为手机、平板电脑、手持终端中的一种或者几种。而快速绑定设备上的读取模块可为与信息标签配合的摄像头、NFC读取模块、RFID读取模块中的一种或者几种。当然，为了实现绑定，快速绑定设备中应该还有适配的软件，如APP、小程序等。
S113在完成绑定后将监测仪表安放至目标窖池相应测温点，监测仪表将监测到的温度数据回传至服务器。
由于发酵工艺的不同，发酵的时长也不同。可以根据时长设置若干时间点用于定时采集温度数据。例如一种白酒发酵需要80天，则可以将时间点之间的间隔设置成1天，即间隔24小时进行温度数据的采集。
S12将一次发酵过程中同一测温点的温度数据拟合成一条温度曲线。
一次发酵过程中，由于是同时对多个测温点进行温度数据的采集，因此最后拟合成的温度曲线也是多条。例如一个酒窖有27个测温点，则一次发酵过程拟合的温度曲线就有27条。该曲线横坐标为时间点，纵坐标为温度。
然后在采集温度数据的过程中，由于设备故障、传输错误或者其他一些原因会导致数据丢失，反应到温度曲线上就是点位缺失是的整条曲线作废。而在早期由于数据缺乏，每条采集到的曲线都是非常宝贵的，因此为了不浪费数据，就需要的确实的点位进行填充。现有较为简单的办法就是通过前后两点的平均值来填充中间点位，但对于连续缺损数据的情况，该办法就无法实施。而本发明中用于填充缺损温度数据的方法为：
S121定义多项式函数y＝a0+a1x+a2x2+a3x3，其中y为温度,x为时间点，a0～a3为缺失系数。
S122将已有的温度数据带入多项式函数y＝a0+a1x+a2x2+a3x3中，计算出误差平方和最小的一个函数。其目的在于对多项式函数中的缺失系数进行修正，获得一个用于预测缺失温度数据的函数。
S123将缺失温度数据的时间点带入步骤S122中获得的函数中获得该时间点的温度数据，然后将缺失时间点的温度数据填充到温度曲线中从而重新获得一条完整的温度曲线。
S13根据最后的发酵结果对温度曲线进行评分。
由于发酵结果的好坏相对来说比较主观，因此需要通过酒厂工艺人员人工进行评分，例如100分制，优秀的发酵结果对应的温度曲线为90～100分、良好的温度曲线为80～90分、普通的温度曲线为70～80分、不合格的温度曲线为70分以下。
S14筛选出评分高于阈值的温度曲线。
由于发酵结果的主观性以及发酵过程的多因素影响，即使评分100的温度曲线也不一定在每个时间点都是最好的。因此需要获取一定量的具有较高评分的温度曲线来进行后续的判识预警工作。本发明中通过设定阈值来筛选温度曲线。另外阈值的设置可根据数据量变化，在初期数据较少的的时候阈值可设置的较低从而保留较多的曲线以便后期拟合温度区间时参考的数据更多。而当后期数据大较大时可提高阈值从而让后期拟合的区间更加的精准。
S15将筛选出来的同一测温点的温度曲线进行拟合，得到每个时间点的温度区间，并将所有时间点的温度区间融合成所述测温点的标准温度带。
在拟合标准温度带前，需要对温度数据进行处理从而拟合成每个时间点的温度区间，具体包括：
S151将评分最高的温度曲线上的温度数据作为聚类中心，并筛选出与聚类中心欧氏距离最近的部分温度数据；例如目前收集到的温度曲线中最高评分为98，那么就将该曲线中的每个时间点的温度数据都最为该时间点的第一次聚类中心。然后选择其他温度曲线中该时间点的温度数据中与聚类中心欧式距离最近的50％。
S152计算筛选出来的温度数据的平均值作为聚类中心进行聚类迭代并重新筛选出与聚类中心欧氏距离最近的部分温度数据，重复本步骤直到迭代稳定；筛选出来的50％的温度数据求平均值，并将该平均值作为重新聚类的中心。然后重新选择与该聚类中心欧式距离最近的50％的温度点再次求平均值作为聚类中心，如此反复直到迭代稳定为止。所谓迭代稳定是指筛选出来的温度数据不变。
S153将筛选出来的部分温度数据拟合成温度区间。将最后筛选出来的50％温度数据中选择一个最高点和一个最低点形成温度区间。
将每个时间点的温度区间进行融合，获得该测温点的标准温度带。
S6利用标准曲线对目标窖池发酵过程中采集到的温度数据进行判识，若温度数据异常则报警。
本发明中所谓的温度异常有5个类型：
温度过高，采集到的某个时间点的温度超过标准温度带中该时间点的温度区间；
温度过低，采集到的某个时间点的温度低于标准温度带中该时间点的温度区间；
升温过快，采集到的连续N个时间点的温度超过标准温度带中对应时间点的温度区间；
升温过慢，采集到的连续M个时间点的温度低于标准温度带中对应时间点的温度区间；
温度停滞，采集到的连续L个时间点的温度保持不变。
当采集到的温度数据满足上述某一种异常情况时，系统就报警进行提示，并且会显示温度异常的类型。
S17利用采集到的温度数据对标准温度带进行优化。
标准温度带需要一定的数据量才能够拟合。在这之前为了顺利进行工作，可以通过人工制定一条初始的标准曲线用于异常温度的判别。同时，当温度曲线收集到一定量后，就可以根据步骤S12～S15进行标准温度带的拟合。并且当后续收集到的高分温度曲线越多，拟合出来的标准温度带也更加的精准。
另外，当工艺调整或者当前标准温度带出现偏差重大偏差时，也需要进行重新的拟合优化。
如图2所示，本发明实施例2还提供另外一种白酒发酵过程异常温度判识预警方法，该方法采用的是人工智能神经网络模型对温度数据进行分类判断，从而判识温度是否异常。由于人工能智能神经网络模型需要海量的数据进行训练从而调整参数权重以让其输出更精准的结果，因此在项目初期数据量不足又需要进行温度异常判识的情况下，可先通过实施例1的方法一边进行数据的收集一边进行温度的判识。而当数据收集足够依靠，就可以利用本实施例的方法进行异常温度的判识，其具体步骤如下：
S21对目标窖池发酵过程中若干测温点的温度数据分成若干时间点进行定时采集；该步骤与实施例1相同，此处不在赘述。
S22将一次发酵过程中同一测温点的温度数据按照时间点拟合成若干温度曲线，每个时间点的温度曲线包含该时间点以及之前所有时间点的温度数据。
与实施例1不同的是，本实施例中需要对每个测温点的每个时间点都拟合一条温度曲线，并且该温度曲线的包含之前所有时间点的温度数据。例如，第75个时间点的温度曲线包括前75个时间点所有的温度数据，第76个时间点的温度曲线又包括前76个时间点所有的温度数据以此类推。
S23对每条曲线的温度异常情况进行人工判识形成训练集和验证集。
利用人工对每条温度曲线的异常情况进行判识，判识结果包括：正常、温度过高、温度过低、升温过快、升温过慢、温度停滞。判识的标准与实施例1一致。判识完成的温度曲线其中70％作为训练集，30％作为验证集，即训练集和验证集的比例为7:3。
S24为每个测温点构建与时间点数量对应的神经网络模型，输入对应的训练集进行训练并利用对应的验证集进行验证，用于训练神经网络模型。
本实施例中，采用的神经网络模型为BP神经网络模型，其设置隐藏层为3层，隐藏层神经元个数分别为5，4，3；学习率为0.01；训练误差为0.01。模型搭建完成后，将训练集输入模型中，其输出结果与验证集进行对比，然后调整参数权重从而完成模型的训练。
该模型输出的结果为一个5元数组A[a1,a2,a3,a4,a5],其中a1代表温度过高、a2代表温度过低、a3代表升温过快，a4代表升温过慢、a5代表温度停滞。每个元素只有0和1两种状态，其中其中1代表是，0代表否。例如[0,0,1,0,0]就代表升温过快，而[0,0,0,0,0]则代表正常。
S25将采集到的温度数据输入相应的神经网络模型中进行判识并输出判识结果，若判识结果显示温度异常则报警。
模型训练完毕后，将采集到的温度曲线输入模型中，通过输出的数组就能判断出是否有温度异常的情况发生，如果有系统就报警并显示温度异常类型。
以上仅是本发明的优选实施方式，应当指出的是，上述优选实施方式不应视为对本发明的限制，本发明的保护范围应当以权利要求所限定的范围为准。对于本技术领域的普通技术人员来说，在不脱离本发明的精神和范围内，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种白酒发酵过程异常温度判识预警方法，其特征在于包括：
对目标窖池发酵过程中若干测温点的温度数据分成若干时间点进行定时采集；
将一次发酵过程中同一测温点的温度数据拟合成一条温度曲线；
根据最后的发酵结果对温度曲线进行评分；
筛选出评分高于阈值的温度曲线；
将筛选出来的同一测温点的温度曲线进行拟合，得到每个时间点的温度区间，并将所有时间点的温度区间融合成所述测温点的标准温度带；
利用标准曲线对目标窖池发酵过程中采集到的温度数据进行判识，若温度数据异常则报警。
2.根据权利要求1所述的白酒发酵过程异常温度判识预警方法，其特征在于：利用快速绑定测温系统对目标窖池发酵过程中的温度数据进行采集；所述快速绑定测温系统包括服务器、若干监测仪表；所述若干监测仪表均设置有各自独有的表征身份信息的信息标签；还包括快速绑定设备，所述快速绑定设备与服务器连接；所述快速绑定设备上设置有用于读取信息标签的读取模块。
3.根据权利要求2所述的白酒发酵过程异常温度判识预警方法，其特征在于所述对目标窖池发酵过程中若干测温点的温度数据进行定时采集的方法包括：
采集开始前，在快速绑定设备的APP或者小程序中找到准备安装监测仪表的目标窖池；
运用快速绑定设备通过扫描、读取等的方式获取监测仪表上的信息标签上的身份信息，并将监测仪表与目标窖池进行绑定；
在完成绑定后将监测仪表安放至目标窖池相应测温点，监测仪表将监测到的温度数据回传至服务器。
4.根据权利要求1所述的一种白酒发酵过程异常温度判识预警方法，其特征在于将同一测温点的温度数据拟合温度曲线时若发现有温度数据缺失则进行填充，包括：
定义多项式函数；
将已有的温度数据带入多项式函数中进行求解，计算出误差平方最小的一个函数；
将缺失温度数据的时间点带入该函数中获得该时间点的温度数据。
5.根据权利要求1所述的一种白酒发酵过程异常温度判识预警方法，其特征在于所述将筛选出来的同一测温点的温度曲线进行拟合，得到每个时间点的温度区间的方法包括：
将评分最高的温度曲线上的温度数据作为聚类中心，并筛选出与聚类中心欧氏距离最近的部分温度数据；
计算筛选出来的温度数据的平均值作为聚类中心进行聚类迭代并重新筛选出与聚类中心欧氏距离最近的部分温度数据，重复本步骤直到迭代稳定；
将筛选出来的部分温度数据拟合成温度区间。
6.根据权利要求1所述的一种白酒发酵过程异常温度判识预警方法，其特征在于所述温度异常包括：
温度过高，采集到的某个时间点的温度超过标准温度带中该时间点的温度区间；
温度过低，采集到的某个时间点的温度低于标准温度带中该时间点的温度区间；
升温过快，采集到的连续N个时间点的温度超过标准温度带中对应时间点的温度区间；
升温过慢，采集到的连续M个时间点的温度低于标准温度带中对应时间点的温度区间；
温度停滞，采集到的连续L个时间点的温度保持不变。
7.根据权利要求1所述的一种白酒发酵过程异常温度判识预警方法，其特征在于利用采集到的温度数据对标准温度带进行优化。
8.一种白酒发酵过程异常温度判识预警方法，其特征在于包括：
对目标窖池发酵过程中若干测温点的温度数据分成若干时间点进行定时采集；
将一次发酵过程中同一测温点的温度数据按照时间点拟合成若干温度曲线，每个时间点的温度曲线包含该时间点以及之前所有时间点的温度数据；
对每条曲线的温度异常情况进行人工判识形成训练集和验证集；
为每个测温点构建与时间点数量对应的神经网络模型，输入对应的训练集进行训练并利用对应的验证集进行验证，用于训练神经网络模型；
将采集到的温度数据输入相应的神经网络模型中进行判识并输出判识结果，若判识结果显示温度异常则报警。
9.根据权利要求8所述的一种白酒发酵过程异常温度判识预警方法，其特征在于：
所述神经网络模型输出的结果为数组，该数组包括5个元素；所述5个元素分别代表温度过高、温度过低、升温过快、升温过慢、温度停滞5种状态；每个元素有0和1两种状态，其中1代表是，0代表否。
10.根据权利要求8所述的一种白酒发酵过程异常温度判识预警方法，其特征在于：
所述神经网络模型为BP神经网络模型；人工判识形成训练集和验证集比例为7:3。
CN202211329211.0A 2022-10-27 2022-10-27 一种白酒发酵过程异常温度判识预警方法 Pending CN115600147A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211329211.0A CN115600147A (zh) 2022-10-27 2022-10-27 一种白酒发酵过程异常温度判识预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211329211.0A CN115600147A (zh) 2022-10-27 2022-10-27 一种白酒发酵过程异常温度判识预警方法

Publications (1)

Publication Number Publication Date
CN115600147A true CN115600147A (zh) 2023-01-13

Family

ID=84850540

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211329211.0A Pending CN115600147A (zh) 2022-10-27 2022-10-27 一种白酒发酵过程异常温度判识预警方法

Country Status (1)

Country Link
CN (1) CN115600147A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116144489A (zh) * 2023-04-19 2023-05-23 山东土木启生物科技有限公司 一种微生物发酵自动控制系统
CN117243315A (zh) * 2023-11-20 2023-12-19 山东农圣恒昌农业科技有限公司 一种发酵型辣椒饮料及其加工方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116144489A (zh) * 2023-04-19 2023-05-23 山东土木启生物科技有限公司 一种微生物发酵自动控制系统
CN116144489B (zh) * 2023-04-19 2023-07-11 山东土木启生物科技有限公司 一种微生物发酵自动控制系统
CN117243315A (zh) * 2023-11-20 2023-12-19 山东农圣恒昌农业科技有限公司 一种发酵型辣椒饮料及其加工方法
CN117243315B (zh) * 2023-11-20 2024-02-02 山东农圣恒昌农业科技有限公司 一种发酵型辣椒饮料及其加工方法

Similar Documents

Publication Publication Date Title
CN115600147A (zh) 一种白酒发酵过程异常温度判识预警方法
CN109992440A (zh) 一种基于知识图谱和机器学习的it根故障分析识别方法
CN110837717B (zh) 一种基于Map图的玻璃面板多元缺陷根因分析方法
CN110597196A (zh) 数据采集系统及数据采集方法
JP5017176B2 (ja) 製造指示評価支援システム、製造指示評価支援方法、および製造指示評価支援プログラム
CN111340269B (zh) 用于流程工业过程的实时优化方法
CN113639842A (zh) 一种基于5g的远程设备故障诊断方法及系统
CN113256102A (zh) 高风险工艺过程风险管控方法及系统
CN117241306A (zh) 一种4g网络异常流量数据实时监测方法
CN115643150A (zh) 一种基于数字孪生的idc智能运维管理系统
US20240060605A1 (en) Method, internet of things (iot) system, and storage medium for smart gas abnormal data analysis
CN116664001B (zh) 一种基于人工智能的学员技能评估方法及系统
CN116227754B (zh) 一种橡胶手套的生产自适应优化控制方法及系统
CN117152119A (zh) 一种基于图像处理的型材瑕疵视觉检测方法
CN114237098B (zh) 一种电气产品的智能化数字管理系统
CN110636246B (zh) 视频通信云硬件终端的维护方法
CN117217740B (zh) 一种基于人工智能的氢能设备故障数据传输系统及方法
CN112152968A (zh) 网络威胁检测方法和装置
CN116151806B (zh) 一种设备维修服务用管理系统及管理设备
CN116773238B (zh) 一种基于工业数据的故障监测方法及系统
CN117764424A (zh) 生产线的检测方法、装置、处理器和电子设备
CN113091891A (zh) 一种吸顶灯的亮度检测方法及系统
WO2022195001A1 (en) Shared data induced production process improvement
CN115795388A (zh) 冰箱故障标定方法及装置、介质、设备
CN117910872A (zh) 一种基于大数据的农产品农药残留检测分析系统及方法

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