CN116665805A - 一种基于数字孪生的白酒发酵预测和反馈干预系统 - Google Patents
一种基于数字孪生的白酒发酵预测和反馈干预系统 Download PDFInfo
- Publication number
- CN116665805A CN116665805A CN202310692952.3A CN202310692952A CN116665805A CN 116665805 A CN116665805 A CN 116665805A CN 202310692952 A CN202310692952 A CN 202310692952A CN 116665805 A CN116665805 A CN 116665805A
- Authority
- CN
- China
- Prior art keywords
- data
- fermentation
- prediction
- feedback
- twin
- 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 84
- 230000004151 fermentation Effects 0.000 title claims abstract description 84
- 150000002148 esters Chemical class 0.000 claims abstract description 47
- 230000004927 fusion Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 6
- 238000013519 translation Methods 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 230000003068 static effect Effects 0.000 claims description 14
- 238000004519 manufacturing process Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 235000014101 wine Nutrition 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 5
- 235000020097 white wine Nutrition 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 18
- 239000000463 material Substances 0.000 description 7
- 239000005416 organic matter Substances 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- XEKOWRVHYACXOJ-UHFFFAOYSA-N Ethyl acetate Chemical compound CCOC(C)=O XEKOWRVHYACXOJ-UHFFFAOYSA-N 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 238000013124 brewing process Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- LZCLXQDLBQLTDK-UHFFFAOYSA-N ethyl 2-hydroxypropanoate Chemical compound CCOC(=O)C(C)O LZCLXQDLBQLTDK-UHFFFAOYSA-N 0.000 description 2
- SHZIWNPUGXLXDT-UHFFFAOYSA-N ethyl hexanoate Chemical compound CCCCCC(=O)OCC SHZIWNPUGXLXDT-UHFFFAOYSA-N 0.000 description 2
- 150000002596 lactones Chemical class 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 229940116333 ethyl lactate Drugs 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一种基于数字孪生的白酒发酵预测和反馈干预系统，涉及白酒发酵技术领域；包括：用于从历史数据和经验数据中筛选出与白酒品质相关性强的数据种类，并按照相关性大小顺序生成五个孪生数据模块的建模数据选择单元；融合建模单元用于五个孪生数据模块与白酒整个生命周期的各阶段进行融合建模，进而建立酯类组成预测函数模型；预警单元根据酯类组成预测函数模型，对酯类有机物组成情况完成实时预测；反馈单元，用于对预警单元发送的信息进行接收并采取相对应的处理措施；本发明在强有力的数据支撑下，实现了对窖池内白酒发酵完成后的品质结果的预测，且这种预测可以在发酵过程的任意时刻进行，从而可以在发酵过程中进行干预，使白酒品质得到保障。
Description
技术领域
本发明涉及白酒发酵技术领域，具体为一种基于数字孪生的白酒发酵预测和反馈干预系统。
背景技术
传统的酿造方法主要依赖于酿酒师的经验和手工操作，这种方式存在着人工干预程度高、生产效率低、成本高等问题。数字孪生技术被广泛应用于工业制造、物流、医疗等领域，其可以通过建立仿真模型，实现对物理世界的仿真和预测，提高制造效率和产品质量。因此，数字孪生技术可以应用于白酒酿造过程中，实现对酿造过程的预测和反馈干预，提高酒的质量和生产效率。
影响白酒品质的因素非常多，包括发酵温度、发酵时间、菌群数量和排布以及地理环境温差和酒醅的含水量等，甚至与生产人员的操作经验手法以及白酒组成原料的方式相关，如水源和发酵粮食来源。从而需要引入数字孪生技术，从进厂的酿造原料开始检测和数据整合，结合大量历史数据，针对大量检测数据进行分区域、分工段、分单元等层层监控与预警优化，最大程度上控制生产全过程中会造成产品质量波动的因素，并及时对其进行预警和反馈干预，保障产品的质量。为此，我们提供一种基于数字孪生的白酒发酵预测和反馈干预系统。
发明内容
本发明的目的在于提供了一种基于数字孪生的白酒发酵预测和反馈干预系统。
本发明所解决的技术问题为：
(1)如何通过建模数据选择单元在可能影响到白酒品质的海量数据中选择相关性较强的数据，进而能够更加精确的确定出影响白酒品质的参数加以监控，解决了现有技术中难以对影响白酒品质的参数进行针对性的量化分析的问题；
(2)如何通过融合建模单元对相关性较强的孪生数据模块进行融合处理，并针对静态数据和动态数据进行分别建模，最终得到酯类有机物组成比例预测函数模型，预警单元利用该模型进行预测，解决了现有技术中难以在生产发酵过程中完成对白酒品质的实时预测的问题。
(3)如何通过设置预警单元和反馈单元，将预测的酯类有机物组成比例与目标值进行比较，利用其偏差值进行参数调整，解决现有技术中只能单纯根据发酵时序中各节点的单个参数进行反馈调节，而无法针对性的根据出酒品质进行适应性调整的问题。
本发明可以通过以下技术方案实现：一种基于数字孪生的白酒发酵预测和反馈干预系统，包括：建模数据选择单元，用于从历史数据和经验数据中筛选出与白酒品质相关性强的数据种类，并按照相关性大小顺序生成五个孪生数据模块；
融合建模单元，用于将五个孪生数据模块与白酒整个生命周期的各阶段进行融合建模，进而建立酯类组成预测函数模型；
预警单元，根据发酵的实时数据流绘制实时曲线并匹配出一条拟合标准曲线，根据拟合标准曲线的函数映射出酯类有机物组成比例，进而完成预测；且在发酵的任意时刻，将当前时刻的孪生数据封装为孪生数据模块导入至酯类组成预测函数中，对酯类有机物组成情况完成实时预测；
反馈单元，用于对预警单元发送的信息进行接收并采取相对应的处理措施。
本发明的进一步技术改进在于：建模数据选择单元对与白酒发酵可能相关的数据进行相关性筛选的具体步骤包括：
S1：对可能相关的数据进行类型划分并同类型分组，随后进行标准化、归一化、离散化处理；
S2：利用皮尔逊积矩相关系数衡量对应数据与白酒品质之间的相关性；
S3：根据S2中的相关性系数大小进行排名，并将同类数据进行归类整合得到对应的孪生数据模块。
本发明的进一步技术改进在于：融合建模单元将孪生数据模块按照静态数据和动态数据进行划分，并对应采取不同的数据处理方式：
针对静态数据，结合历史数据，单独建立属于静态数据下的孪生数据模块与酯类有机物组成比例的矩阵关系函数；
针对动态数据，从历史数据抽取多组数据，组中数据的发酵时长方差不超过设定值，并按照发酵时序在坐标系中建立曲线并对应标注出酯类有机物组成比例，将其与目标酯类有机物组成比例计算偏差度，根据偏差度大小分配权重值，拟合得到一条曲线，即为拟合标准曲线。
本发明的进一步技术改进在于：将相同发酵时长的数据整合到一个组中，从而得到大量数据组，得到对应发酵时长的拟合标准曲线和该曲线的曲线驱动函数，并建立曲线驱动函数指向酯类有机物组成比例的映射关系，即fi(t)→Pi，Pi表示映射到的酯类有机物组成比例。
本发明的进一步技术改进在于：融合建模单元将静态数据的矩阵关系函数与动态数据的曲线驱动函数进行融合建模，得到酯类组成预测函数模型：
其中,a+b+c+∑di＝1，a,b,c,d分别为按照相关性排名得到分配系数，排名靠前的分配系数取值越大；W(x,y,z,t)表示酯类有机物组成比例。
本发明的进一步技术改进在于：预警单元在进行酯类有机物组成比例预测时，若与目标值之间出现偏差，则生成反馈调节信号发送至反馈单元。
本发明的进一步技术改进在于：预警单元还利用拟合标准曲线在生产时进行数据监控和预警，在相应的发酵时刻根据实时获取的数据进行纵向比对和横向比对，并根据比对结果判断数据有误异常。
本发明的进一步技术改进在于：在纵向比对时，认为发酵总时长与历史数据的选定时长一致，计算出数据偏差系数并确定其是否在可接受范围内；若超出可接受范围，则进行横向比对，此时先假设所获取的数据无异常，将拟合标准曲线按照沿发酵时序左右平移，每一次以三十分钟的步长平移，分析实时数据是否与曲线数据能够完成匹配，当能够完成匹配，则获取此时的总的平移步长并发送至反馈单元，当不能完成匹配时，则认为数据出现异常，生成异常警报信号并发送至反馈单元。
本发明的进一步技术改进在于：反馈单元接收到反馈调节信号，根据对应窖池所处的发酵阶段和专家经验数据，调整后续发酵工艺中参数值，参数值包括温湿度、压力以及发酵时长，参数值的调整是在设定的范围内朝向补偿数据异常的方向进行的。
本发明的进一步技术改进在于：反馈单元在获取到总的平移步长后，则将对应窖池的开窖时间进行平移，平移步长与获取到的总的平移补偿保持一致，且在后续预警反馈中使用进行过平移的拟合标准曲线进行比较。
与现有技术相比，本发明具备以下有益效果：
1、通过建模数据选择单元在可能影响到白酒品质的海量数据中选择相关性较强的数据，并对同类的孪生数据进行封装，能够更加系统和精确地确定出影响白酒品质的参数加以监控，便于根据参数的变化预测出白酒内酯类有机物组成情况，且能够利用强有力的数据支撑来指导生产。
2、通过融合建模单元对相关性较强的孪生数据模块区分，针对其内的静态数据和动态数据进行分别建模，并融合建模，最终得到酯类组成比例预测函数模型，预警单元利用该模型进行预测，实现了对窖池内白酒发酵完成后的品质结果的预测，且这种预测可以在发酵过程的任意时刻进行，从而可以在发酵过程中进行干预，使白酒品质得到保障。
3、通过设置预警单元和反馈单元，将预测的酯类有机物组成比例与目标值进行比较，利用其偏差值进行参数调整，避免了现有技术中只能单纯根据发酵时序中各节点的单个参数进行反馈调节，且这种调节是经验性的，没有数据模型进行数据支撑，不具备说服力，本发明中利用强相关的数据关联关系在生产的各个阶段可以调控参数，说服力强，稳定性好。
附图说明
为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。
图1为本发明的工作流程示意图；
图2为本发明的系统框图。
具体实施方式
为更进一步阐述本发明为实现预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如下。
请参阅图1-2所示，一种基于数字孪生的白酒发酵预测和反馈干预系统，包括建模数据选择单元，融合建模单元、预警单元和反馈单元。
建模数据选择单元从大量历史数据和经验数据中筛选出与白酒品质相关性较强的数据种类，与酿造的白酒品质可能相关的数据包括地理位置、气候环境、粮食原料产地、水源地、发酵温度、发酵时长、含水量、生产人员熟练度、健康情况、菌群种类、数量以及层级排布方式等，其中，白酒品质一般与酿造白酒中的酯类有机物密切相关，其中主要是乳酸乙酯、乙酸乙酯和己酸乙酯，占总酯的90％以上，所以白酒品质的好坏可以针对这三大酯类的比例组成进行检测，从而得出具有数据支撑的品质鉴定；
对采集到的数据进行相关性数据筛选的具体包括以下步骤：
S1：对以上的可能相关数据进行类型划分，将同种类型的数据进行分组，并将不同类型分组的数据向设定类型进行转化并进行标准化、归一化、离散化处理；
S2：利用皮尔逊积矩相关系数衡量对应数据与白酒品质之间的相关性，计算方式如下：
式中,cov(X,Y)是变量X,Y的协方差；σX是变量X的标准差；σY是变量Y的标准差；结果r(corr)范围在[–1,1]之间。
r的绝对值反映了相关性的大小,通常情况下:当r的范围在0.00～±0.30之间时,两变量微相关；当r的范围在±0.30～±0.50之间时,两变量实相关；当r的范围在±0.50～±0.80之间时,两变量显著相关；当r范围在±0.80～±1.00之间时,两变量高度相关；
S3：根据步骤S2中相关性分析得到以上各可能相关数据与白酒品质之间的相关性系数大小进行排名，并将同种类型的数据进行归类，如相关性系数排名第一的为发酵温度，发酵温度为白酒发酵条件，则将发酵温度、发酵时长和含水量归为一类孪生数据，且标记为发酵条件孪生数据模块，依此类推，按照相关性大小的排列顺序生成五个孪生数据模块，分别为发酵条件孪生数据模块、物料来源孪生数据模块、气候环境孪生数据模块、菌群分布孪生数据模块和生产人员孪生数据模块；
融合建模单元将上述生成的五个孪生数据模块关联到白酒发酵整个生命周期的各个阶段并进行融合建模，得到贯穿整个生命周期的预测反馈模型，在构建预测反馈模型时，上述的五个孪生数据分为确定即为定值的静态数据和随发酵时序的推进而实时变化的动态数据；
将物料来源孪生数据模块、菌落分布孪生数据模块和生产人员孪生数据模块定义为静态数据并分别标记为A2、A4和A5，将发酵条件孪生数据模块定义为动态数据并分别标记为B1和B3；
具体地，物料来源孪生数据模块内包括物料种类以及对应该物料种类的物料产地和物料存放时间；菌落分布孪生数据模块内包括菌群种类、对应菌群数量、以及菌群排布方式(位置以及层级顺序)；生产人员孪生数据模块内包括生产人员的工号、岗位工龄和健康状态；气候环境孪生数据模块内包括地理位置、环境温度和环境湿度以及大气压强；
融合建模单元在大量历史数据的支撑下，首先单独建立上述各孪生数据模块中A2、A4和A5与白酒内酯类有机物组成比例的矩阵关系函数，分别为G(x)、G(y)和G(z)，其中，x、y和z均为组变量，x＝[x1,x2,...,xn]T，y＝[y1,y2,...,yn]T，z＝[z1,z2,...,zn]T,n为正整数；
由于B1和B3为实时数据流，存在数据不稳定、数据重复和数据相似的问题，且两个实时数据流在时间维度以及前后数据上具有关联性，我们采用非局部均值算法对实时数据流进行去噪处理，从历史数据中随机抽取不同发酵批次的多组数据，需要说明的是，对应发酵批次的发酵时长的方差值不超过设定值，并且按照发酵时序在对应的虚拟平面直角坐标系中针对不同数据进行点标记，将相邻的点用平滑曲线进行连接，在每个虚拟平面直角坐标系中，生成多条曲线(如窖池内的温度--时间曲线)，每条曲线对应标出酯类有机物组成比例；
设定目标酯类有机物组成比例，将标注的酯类有机物组成比例与目标酯类有机物组成比例进行比较并计算偏差度，根据偏差度大小为每条曲线的数据分配权重值，根据分配权重值之后的曲线数据拟合得到一条新的曲线，将其标记为拟合标准曲线，并得到驱动该曲线的曲线驱动函数fi(t)，其中i用于区分不同数据种类，t表示发酵时间；
重复上述操作，将相同发酵时长的数据整合到一个组中，从而得到大量数据组，得到对应发酵时长的拟合标准曲线和该曲线的曲线驱动函数，并建立曲线驱动函数指向酯类有机物组成比例的映射关系，即fi(t)→Pi，Pi表示映射到的酯类有机物组成比例；
将静态数据的矩阵关系函数与动态数据的曲线驱动函数进行融合建模，得到酯类组成预测函数模型：
其中,a+b+c+∑di＝1，a,b,c,d分别为按照相关性排名得到分配系数，排名靠前的分配系数取值越大；W(x,y,z,t)表示酯类有机物组成比例；
预警单元将获取到的实时数据流绘制出实时曲线，根据实时曲线的走向匹配出酯类组成预测函数模型建立过程中最接近的一条拟合标准曲线，从而根据该拟合标准曲线映射出对应的酯类有机物组成比例；在发酵的整个过程中，在任意时刻，将当前孪生数据代入到酯类组成预测函数模型中，可以实时预测得到白酒发酵完成后的酯类有机物组成情况；当预测的酯类有机物组成比例与目标值出现偏差时，生成反馈调节信号发送至反馈单元；
预警单元还可以利用该拟合标准曲线在生产时进行数据监控和预警，在相应的发酵时刻根据实时获取的数据进行纵向比对和横向比对：纵向比对即，认为发酵总时长与历史数据的选定时长一致，计算出数据偏差系数，当数据偏差系数在可接受范围内时，则认定为当前发酵状态正常；当数据偏差系数超出可接受范围时，则连续比对后续五组数据，若后续五组数据均超出可接受范围，则进行横向比对，此时先假设所获取的数据无异常，将拟合标准曲线按照沿发酵时序左右平移，每一次以三十分钟的步长平移，分析实时数据是否与曲线数据能够完成匹配，当能够完成匹配，则获取此时的总的平移步长并发送至反馈单元，当不能完成匹配时，则认为数据出现异常，生成异常警报信号并发送至反馈单元；
反馈单元接收到反馈调节信号，根据对应窖池所处的发酵阶段和专家经验数据，调整后续发酵工艺中参数值，参数值包括温湿度、压力以及发酵时长，需要说明的是，这些参数的调整是在设定的范围内朝向补偿数据异常的方向进行的；
反馈单元在获取到总的平移步长后，则将对应窖池的开窖时间进行适当平移，平移步长与获取到的总的平移补偿保持一致，且在后续预警反馈中使用进行过平移的拟合标准曲线进行比较；同时，反馈单元在收到异常警报信号后，说明窖池内的数据异常不是因为时序平移造成的，而是窖池的发酵条件发生了问题，通过无线通信指定对应窖池的生产人员中岗位年龄最高的人前往进行处理，保证高效及时的进行异常处理。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭示如上，然而并非用以限定本发明，任何本领域技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (10)
1.一种基于数字孪生的白酒发酵预测和反馈干预系统，其特征在于：包括：
建模数据选择单元，用于从历史数据和经验数据中筛选出与白酒品质相关性强的数据种类，并按照相关性大小顺序生成五个孪生数据模块；
融合建模单元，用于将五个孪生数据模块与白酒整个生命周期的各阶段进行融合建模，进而建立酯类组成预测函数模型；
预警单元，根据发酵的实时数据流绘制实时曲线并匹配出一条拟合标准曲线，根据拟合标准曲线的函数映射出酯类有机物组成比例，进而完成预测；且在发酵的任意时刻，将当前时刻的孪生数据封装为孪生数据模块导入至酯类组成预测函数中，对酯类有机物组成情况完成实时预测；
反馈单元，用于对预警单元发送的信息进行接收并采取相对应的处理措施。
2.根据权利要求1所述的一种基于数字孪生的白酒发酵预测和反馈干预系统，其特征在于，所述建模数据选择单元对与白酒发酵可能相关的数据进行相关性筛选的具体步骤包括：
S1：对可能相关的数据进行类型划分并同类型分组，随后进行标准化、归一化、离散化处理；
S2：利用皮尔逊积矩相关系数衡量对应数据与白酒品质之间的相关性；
S3：根据S2中的相关性系数大小进行排名，并将同类数据进行归类整合得到对应的孪生数据模块。
3.根据权利要求1所述的一种基于数字孪生的白酒发酵预测和反馈干预系统，其特征在于，所述融合建模单元将孪生数据模块按照静态数据和动态数据进行划分，并对应采取不同的数据处理方式：
针对静态数据，结合历史数据，单独建立属于静态数据下的孪生数据模块与酯类有机物组成比例的矩阵关系函数；
针对动态数据，从历史数据抽取多组数据，组中数据的发酵时长方差不超过设定值，并按照发酵时序在坐标系中建立曲线并对应标注出酯类有机物组成比例，将其与目标酯类有机物组成比例计算偏差度，根据偏差度大小分配权重值，拟合得到一条曲线，即为拟合标准曲线。
4.根据权利要求3所述的一种基于数字孪生的白酒发酵预测和反馈干预系统，其特征在于，将相同发酵时长的数据整合到一个组中，从而得到大量数据组，得到对应发酵时长的拟合标准曲线和该曲线的曲线驱动函数，并建立曲线驱动函数指向酯类有机物组成比例的映射关系，即fi(t)→Pi，Pi表示映射到的酯类有机物组成比例。
5.根据权利要求4所述的一种基于数字孪生的白酒发酵预测和反馈干预系统，其特征在于，所述融合建模单元将静态数据的矩阵关系函数与动态数据的曲线驱动函数进行融合建模，得到酯类组成预测函数模型：
其中,a+b+c+∑di＝1，a,b,c,d分别为按照相关性排名得到分配系数，排名靠前的分配系数取值越大；W(x,y,z,t)表示酯类有机物组成比例。
6.根据权利要求1所述的一种基于数字孪生的白酒发酵预测和反馈干预系统，其特征在于，所述预警单元在进行酯类有机物组成比例预测时，若与目标值之间出现偏差，则生成反馈调节信号发送至反馈单元。
7.根据权利要求6所述的一种基于数字孪生的白酒发酵预测和反馈干预系统，其特征在于，所述预警单元还利用拟合标准曲线在生产时进行数据监控和预警，在相应的发酵时刻根据实时获取的数据进行纵向比对和横向比对，并根据比对结果判断数据有误异常。
8.根据权利要求7所述的一种基于数字孪生的白酒发酵预测和反馈干预系统，其特征在于，在纵向比对时，认为发酵总时长与历史数据的选定时长一致，计算出数据偏差系数并确定其是否在可接受范围内；若超出可接受范围，则进行横向比对，此时先假设所获取的数据无异常，将拟合标准曲线按照沿发酵时序左右平移，每一次以三十分钟的步长平移，分析实时数据是否与曲线数据能够完成匹配，当能够完成匹配，则获取此时的总的平移步长并发送至反馈单元，当不能完成匹配时，则认为数据出现异常，生成异常警报信号并发送至反馈单元。
9.根据权利要求8所述的一种基于数字孪生的白酒发酵预测和反馈干预系统，其特征在于，所述反馈单元接收到反馈调节信号，根据对应窖池所处的发酵阶段和专家经验数据，调整后续发酵工艺中参数值，参数值包括温湿度、压力以及发酵时长，参数值的调整是在设定的范围内朝向补偿数据异常的方向进行的。
10.根据权利要求8所述的一种基于数字孪生的白酒发酵预测和反馈干预系统，其特征在于，所述反馈单元在获取到总的平移步长后，则将对应窖池的开窖时间进行平移，平移步长与获取到的总的平移补偿保持一致，且在后续预警反馈中使用进行过平移的拟合标准曲线进行比较。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310692952.3A CN116665805A (zh) | 2023-06-13 | 2023-06-13 | 一种基于数字孪生的白酒发酵预测和反馈干预系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310692952.3A CN116665805A (zh) | 2023-06-13 | 2023-06-13 | 一种基于数字孪生的白酒发酵预测和反馈干预系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116665805A true CN116665805A (zh) | 2023-08-29 |
Family
ID=87709462
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310692952.3A Pending CN116665805A (zh) | 2023-06-13 | 2023-06-13 | 一种基于数字孪生的白酒发酵预测和反馈干预系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116665805A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118211879B (zh) * | 2024-05-20 | 2024-07-12 | 中科肽谷(山东)生命科学研究有限公司 | 一种低温蛋白酶的生产工艺 |
-
2023
- 2023-06-13 CN CN202310692952.3A patent/CN116665805A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118211879B (zh) * | 2024-05-20 | 2024-07-12 | 中科肽谷(山东)生命科学研究有限公司 | 一种低温蛋白酶的生产工艺 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113711843B (zh) | 一种食用菌生长参数寻优的系统和方法 | |
| Jiang et al. | Three-dimensional time-lapse analysis reveals multiscale relationships in maize root systems with contrasting architectures | |
| US20200202051A1 (en) | Method for Predicting Outcome of an Modelling of a Process in a Bioreactor | |
| EP4107591A1 (en) | Computer-implemented method, computer program product and hybrid system for cell metabolism state observer | |
| CN110531722B (zh) | 基于数据采集的工艺参数推荐系统及方法 | |
| CN108227664A (zh) | 基于样本数据训练的产品质量控制设备及质量控制方法 | |
| CN107330454B (zh) | 非线性海量高维序列数据分类特性可视化及定量分析方法 | |
| CN111553519B (zh) | 基于供应链追溯评价体系的粮食加工优化方法及装置 | |
| CN116933210A (zh) | 基于多维传感器的食品加工灌装设备监测方法及系统 | |
| CN117391482B (zh) | 一种基于大数据监测的大棚温度智能预警方法及系统 | |
| Cunha et al. | An assessment of seed quality and its influence on productivity estimation in an industrial antibiotic fermentation | |
| CN116665805A (zh) | 一种基于数字孪生的白酒发酵预测和反馈干预系统 | |
| CN115774391A (zh) | 一种食用菌生长参数寻优的系统和方法 | |
| CN116776252A (zh) | 一种改进Mallow's Cp变量选择的工业过程软测量方法和系统 | |
| CN116720079A (zh) | 基于多特征融合的风力发电机故障模式识别方法及系统 | |
| Hongyang et al. | Detection of browning of fresh‐cut potato chips based on machine vision and electronic nose | |
| CN115203895A (zh) | 一种刀具制造过程数字孪生系统 | |
| CN112990682A (zh) | 一种基于大数据的化工装置控制参数优化方法和系统 | |
| CN113778042A (zh) | 基于信息化建模的工控设备指令模拟运行通信系统 | |
| CN201000564Y (zh) | 食用菌培育监控装置 | |
| CN117475245B (zh) | 一种用于制备阻燃聚烯烃绝缘料的智能化生产方法及系统 | |
| CN117950324B (zh) | 一种智能化塑胶供料控制方法及装置 | |
| CN116724276B (zh) | 可由计算机系统进行读取的存储介质、运转改善辅助装置及运转改善辅助方法 | |
| CN118153913A (zh) | 一种橡胶配料系统的综合管理方法及系统 | |
| CN113885362B (zh) | 一种室外网络机柜的运行调控系统 |
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 |