CN116774575B - 一种用于糊精生产过程中粘度控制方法及系统 - Google Patents

Abstract

本发明公开了一种用于糊精生产过程中粘度控制方法及系统，属于数据处理技术领域，该方法包括：获取糊精第一次液化过程的葡萄糖当量序列和影响因素矩阵；通过聚类算法获得聚类簇；建立聚类簇的影响因素直方图，并确定影响因素数据的加权均值和局部扰动特征值，构建权重向量；基于权重向量确定葡萄糖当量缓冲序列；使用灰色预测算法对获得预测值；基于预测值通过模糊PID控制算法对葡萄糖当量进行控制。对影响因素数据聚类后构建局部扰动特征并构建权重向量，基于权重向量和葡萄糖当量序列获得葡萄糖当量缓冲序列，葡萄糖当量缓冲序列作为缓冲算子进而通过灰色预测算法获得葡萄糖当量预测值，进而实现粘度控制，提高了粘度控制的准确性。

Description

一种用于糊精生产过程中粘度控制方法及系统

技术领域

本发明涉及数据处理技术领域，尤其涉及一种用于糊精生产过程中粘度控制方法及系统。

背景技术

糊精是淀粉通过酸或特异性酶处理时水解产生的一类降解产物，主要由D-葡萄糖、麦芽糖、麦芽二糖、三糖等一系列低聚糖和多糖组成。糊精的生产方法主要分为酸法、酶法和酸酶合并法。随着生物学的发展，人们对酶作用机理的了解程度不断加深。酶法制糊精具有条件温和、副反应少等优点，不仅能够提高淀粉的转化效率，而且能提高糊精的质量，使得酶法制备糊精逐渐成为主要的生产方式。

在酶法制糊精的生产过程中，需要调节糊精流动性和粘稠度，以满足特定的工艺要求和应用需求，需要对糊精生产过程中的粘度进行控制。粘度是由葡萄糖当量决定的。传统的葡萄糖当量（粘度）控制算法通常需要输入葡萄糖当量预测值与葡萄糖当量当前实际值，通过葡萄糖当量预测值与葡萄糖当量实际值的差异进行控制。当前，获取葡萄糖当量预测值的算法有基于多项式拟合回归的预测算法、基于分类预测的算法以及灰色预测算法，其中，多项式拟合回归的预测算法拟合效果较好，但容易出现过拟合的问题；基于分类预测的算法预测效果较好，但需要大量数据进行分析，而糊精生产过程中能采集到的数据较少，不具备大样本的条件，可能导致预测精度较低；灰色预测算法对数据量要求不高，能够将无规律的数据通过缓冲算子处理后得到具有规律性的数据，但是灰色预测算法需要选择合适的缓冲算子。当前没有可以直接用于粘度控制的缓冲算子。

发明内容

本发明提供一种用于糊精生产过程中粘度控制方法及系统，旨在获得适用于葡萄糖当量预测的灰色算法缓冲算子，提高粘度控制的准确性。

为实现上述目的，本发明提供一种用于糊精生产过程中粘度控制方法，所述方法包括：

基于糊精第一次液化过程中的相关数据获得葡萄糖当量序列和影响因素矩阵；

基于欧式距离通过K-means聚类算法对所述影响因素矩阵中的各项影响因素数据进行聚类，分别获得各项影响因素数据的多个聚类簇；

建立各个聚类簇的影响因素直方图，并基于影响因素直方图中的频率确定各个聚类簇中对应影响因素数据的加权均值；

基于所述加权均值确定局部扰动特征值，并基于所述局部扰动特征值构建权重向量；

基于所述权重向量以及所述葡萄糖当量序列获得确定葡萄糖当量缓冲序列；

使用灰色预测算法对所述葡萄糖当量缓冲序列进行预测，获得下一时刻的葡萄糖当量预测值；

将所述葡萄糖当量预测值、当前葡萄糖当量作为模糊PID控制算法的输入，通过模糊PID控制算法对葡萄糖当量进行控制。

可选地，所述基于糊精第一次液化过程中的数据获得葡萄糖当量序列和影响因素矩阵包括：

获取糊精第一次液化过程中各个时刻的多项相关数据；

对各项相关数据进行预处理，其中所述多项相关数据包括葡萄糖当量、温度数据、pH数据、-淀粉酶浓度数据与淀粉浓度数据；

将葡萄糖当量表示成葡萄糖当量序列，将温度数据、pH数据、-淀粉酶浓度数据与淀粉浓度数据表示成影响因素矩阵。

可选地，所述获取糊精第一次液化过程中各个时刻的多项相关数据包括：

在糊精第一次液化过程中通过传感器按预设时间间隔采集各个时刻的各项相关数据，其中通过温度传感器采集温度数据，通过pH计采集pH数据，通过光度计采集-淀粉酶的浓度数据，通过淀粉浓度测定仪采集淀粉浓度数据，通过渗透压仪测定淀粉的葡萄糖当量。

可选地，所述对各项相关数据进行预处理包括：

通过线性差值发对各项相关数据的缺失值进行填充，并通过Z_score方法进行归一化，以统一各项相关数据的量纲。

可选地，所述方法建立各个聚类簇的影响因素直方图，并基于影响因素直方图中的频率确定各个影响因素数据的加权均值包括：

分别计算各个聚类簇内元素的簇内均值，基于聚类簇内元素到对应簇内均值的距离构建对应的影响因素直方图，所述影响因素直方图的横坐标为聚类簇内元素到对应簇内均值的距离，纵坐标为各个距离出现的频率；

将各个影响因素直方图中的频率按照从大到小的顺序累加，直到累加频率达到阈值，并记录累加所包含的频率区间数；

基于所述频率区间数、各个频率对应区间内的数据均值以及各个频率计算各个影响因素数据的加权均值。

可选地，所述基于所述加权均值确定局部扰动特征值，并基于所述局部扰动特征值构建权重向量包括：

基于聚类簇中对应影响因素数据的加权均值和预先构建的局部数据序列计算各个时刻各个影响因素的局部扰动特征值；

基于所述局部扰动特征值、影响因素维度确定各个时刻的权重，并基于各个时刻的权重构建权重向量。

可选地，所述基于聚类簇中对应影响因素数据的加权均值和预先构建的局部数据序列计算各个时刻各个影响因素的局部扰动特征值之前，还包括：

以各个聚类簇中的每个影响因素数据为中心数据，确定所述中心数据的若干个邻居数据，所述邻居数据包括位于所述中心数据前面的若干个前数据和位于所述中心数据后面的若干个后数据，所述前数据与所述后数据的数量相同；

将所述若干个前数据、所述中心数据、所述若干个后数据按照各个影响因素的采集时间进行排列，获得对应影响因素数据的局部数据序列。

可选地，所述基于聚类簇中对应影响因素数据的加权均值和预先构建的局部数据序列计算各个时刻各个影响因素的局部扰动特征值包括：

计算所述局部数据序列中各个影响因素数据至中心数据的序列内欧式距离，并确定序列内最大欧式距离；

基于各个时刻的影响因素数据、各个聚类簇中影响因素的加权均值、所述序列内欧式距离、所述序列内最大欧式距离、以及所述局部数据序列中的极值确定各个时刻各个影响因素的局部扰动特征值。

可选地，所述使用灰色预测算法对所述葡萄糖当量缓冲序列进行预测，获得下一时刻的葡萄糖当量预测值包括：

对所述葡萄糖当量缓冲序列进行一次累加，获得一次累加序列；

对所述一次累加序列建立一阶线性微分方程；

对所述一阶线性微分方程进行求解，获得预测模型；

将所述预测模型进行累减获得灰色预测模型，通过所述灰色预测模型获得下一时刻的葡萄糖当量预测值。

此外，为实现上述目的，本实施例还提供一种用于糊精生产过程中粘度控制系统，所述系统包括：

数据获取模块，用于基于糊精第一次液化过程中的相关数据获得葡萄糖当量序列和影响因素矩阵；

聚类模块，用于基于欧式距离通过K-means聚类算法对所述影响因素矩阵中的各项影响因素数据进行聚类，分别获得各项影响因素数据的多个聚类簇；

第一确定模块，用于建立各个聚类簇的影响因素直方图，并基于影响因素直方图中的频率确定各个聚类簇中对应影响因素数据的加权均值；

构建模块，用于基于所述加权均值确定局部扰动特征值，并基于所述局部扰动特征值构建权重向量；

第二确定模块，用于基于所述权重向量以及所述葡萄糖当量序列获得确定葡萄糖当量缓冲序列；

预测模块，用于使用灰色预测算法对所述葡萄糖当量缓冲序列进行预测，获得下一时刻的葡萄糖当量预测值；

控制模块，用于将所述葡萄糖当量预测值、当前葡萄糖当量作为模糊PID控制算法的输入，通过模糊PID控制算法对葡萄糖当量进行控制。

相比现有技术，本发明提出的一种用于糊精生产过程中粘度控制方法及系统，该方法包括基于糊精第一次液化过程中的相关数据获得葡萄糖当量序列和影响因素矩阵；基于欧式距离通过K-means聚类算法对所述影响因素矩阵中的各项影响因素数据进行聚类，分别获得各项影响因素数据的多个聚类簇；建立各个聚类簇的影响因素直方图，并基于影响因素直方图中的频率确定各个聚类簇中对应影响因素数据的加权均值；基于所述加权均值确定局部扰动特征值，并基于所述局部扰动特征值构建权重向量；基于所述权重向量以及所述葡萄糖当量序列获得确定葡萄糖当量缓冲序列；使用灰色预测算法对所述葡萄糖当量缓冲序列进行预测，获得下一时刻的葡萄糖当量预测值；将所述葡萄糖当量预测值、当前葡萄糖当量作为模糊PID控制算法的输入，通过模糊PID控制算法对葡萄糖当量进行控制。如此对影响因素数据聚类后基于直方图构建局部扰动特征，基于局部扰动特征构建权重向量，并通过权重向量对葡萄糖当量序列进行校正获得葡萄糖当量缓冲序列，葡萄糖当量缓冲序列作为缓冲算子进而通过灰色预测算法获得葡萄糖当量预测值，进而基于PID控制算法实现粘度控制，提高了粘度控制的准确性。

附图说明

图1是本发明一种用于糊精生产过程中粘度控制方法一实施例的流程示意图；

图2是本发明一种用于糊精生产过程中粘度控制方法一实施例的细化流程示意图；

图3是本发明一种用于糊精生产过程中粘度控制方法一实施例的又一细化流程示意图；

图4是本发明一种用于糊精生产过程中粘度控制系统的组成示意图。

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。

请参照图1，图1是本发明一种用于糊精生产过程中粘度控制方法一实施例的流程示意图。

如图1所示，本发明一实施例提出一种用于糊精生产过程中粘度控制方法，所述方法包括：

步骤S101，基于糊精第一次液化过程中的相关数据获得葡萄糖当量序列和影响因素矩阵；

在工业上通过酶法制糊精的过程中，需要对粘度进行控制的工序主要为第一次液化，这个工序是生产糊精的关键工序，因为麦芽糊精是淀粉低转化产品，如果液化控制不好，会给后道工序带来许多困难，造成转化率低、产品质量差的问题。在酶法制糊精的过程中，影响糊精粘度的主要因素为酶的活性及酶促反映的快慢，酶的活性主要与温度、pH值有关，酶促反映的快慢主要与酶浓度、底物浓度有关，故糊精粘度的主要影响因素为温度、pH值、酶浓度与底物浓度，糊精粘度可以通过葡萄糖当量反映，随着葡萄糖当量的升高，糊精的粘合能力下降，进而造成糊精粘度降低。基于此本实施例基于对葡萄糖当量的控制实现对糊精粘度的控制。

为了实现糊精粘度的控制，首先需要采集第一次液化过程中的相关数据，获得葡萄糖当量序列和影响因素矩阵。参照图2，图2是本发明用于糊精生产过程中粘度控制方法一实施例的细化流程示意图，如图2所示，所述步骤S101包括：

步骤S1011，获取糊精第一次液化过程中各个时刻的多项相关数据；

在糊精第一次液化过程中通过传感器按预设时间间隔采集各个时刻的各项相关数据，其中通过温度传感器采集温度数据，通过pH计采集pH数据，通过光度计采集-淀粉酶的浓度数据，通过淀粉浓度测定仪采集淀粉浓度数据，通过渗透压仪测定淀粉的葡萄糖当量。

本实施例将采集次数记为N，采集时间间隔记为T，其中，采集次数N的经验值为360，采集时间间隔T取经验值30s。

步骤S1012，对各项相关数据进行预处理，其中所述多项相关数据包括葡萄糖当量、温度数据、pH数据、-淀粉酶浓度数据与淀粉浓度数据；

预处理包括缺失值填充和统一量纲，本实施例通过线性差值发对各项相关数据的缺失值进行填充，并通过Z_score方法进行归一化，以统一各项相关数据的量纲。

由于采集的数据可能会有数据缺失的情况，为避免缺失数据对后续分析造成的负面影响，本实施例需要对缺失数据进行填充。当前常用的数据填充方法有均值填充、众数填充、中位数填充、线性插值填充等。为使填充数据更符合实际意义，本实施例使用线性插值对缺失值进行填充，同时为避免量纲不同带来影响，本发明使用Z_score方法对原始数据进行归一化，其中线性插值与Z_score方法进行归一化为公知技术，具体过程不再赘述。

步骤S1013，将葡萄糖当量表示成葡萄糖当量序列，将温度数据、pH数据、-淀粉酶浓度数据与淀粉浓度数据表示成影响因素矩阵。

将预处理后的相关数据按时间顺序进行排列存储，并将葡萄糖当量表示成葡萄糖当量序列，将温度数据、pH数据、-淀粉酶浓度数据与淀粉浓度数据表示成影响因素矩阵。也即相关数据包括葡萄糖当量和影响因素数据。

将葡萄糖当量序列表示为Y，则有：

其中y(i)，表示预处理后的葡萄糖当量数据，i=1,2,...N，例如y(3)表示第三个时刻的处理后葡萄糖当量数据。

将影响因素矩阵表示为X，则有：

影响因素矩阵X中的行向量x1(i)，x2(i)，x3(i)，x4(i)分别表示经过预处理后的温度数据、pH数据、-淀粉酶浓度数据以及淀粉浓度数据。如x2(3)表示经过预处理后第三个时刻的pH数据。

步骤S102，基于欧式距离通过K-means聚类算法对所述影响因素矩阵中的各项影响因素数据进行聚类，分别获得各项影响因素数据的多个聚类簇；

在对淀粉进行第一次液化时，第一步先用-淀粉酶将淀粉浆液化到葡萄糖当量在2-5范围内；第二步迅速升温到140℃，使蛋白质类杂质凝结；第三步降温到88-90℃，添加-淀粉酶使淀粉继续转化为糊精。由此可知，对淀粉进行第一次液化的操作步骤主要分为三步，据此本实施例使用K-means聚类算法对各个时刻的影响因素数据进行聚类，聚类数K取经验值3，影响因素数据包括温度、pH值、酶浓度、底物浓度，最终将淀粉的第一次液化步骤聚类为三个时间段。如此，获得各个影响因素数据的三个聚类簇，每个聚类簇对应于一个时间段。由于各个影响因素数据已经进行归一化处理，故使用K-means聚类算法进行聚类时使用的度量距离为各个影响因素数据至对应影响因素数据均值的欧式距离，其中K-means聚类算法为公知技术，具体过程本发明不再赘述。

获得影响因素数据的聚类簇后，分析各影响因素数据的局部变化特征，计算局部扰动特征值。在灰色预测算法中，缓冲算子是为了弱化局部扰动，使通过缓冲算子计算得到的缓冲序列更接近真实值，据此本实施例通过各影响因素的局部变化特征构建局部扰动特征值反映局部扰动。

步骤S103，建立各个聚类簇的影响因素直方图，并基于影响因素直方图中的频率确定各个聚类簇中对应影响因素数据的加权均值；

具体地，先分别计算各个聚类簇内元素的簇内均值，基于聚类簇内元素到对应簇内均值的距离构建对应的影响因素直方图，所述影响因素直方图的横坐标为聚类簇内元素到对应簇内均值的距离，纵坐标为各个距离出现的频率；可以理解地，确定聚类簇内元素到对应簇内均值的距离后，统计各个距离的个数，然后将各个距离的个数与总次数的比值确定为对应距离出现的频率。将距离为横坐标，频率为纵坐标构建直方图，获得多个影响因素直方图。本实施例有四个影响因素，对于每一个聚类簇对应的获得4个影响因素直方图。

然后将各个影响因素直方图中的频率按照从大到小的顺序累加，直到累加频率达到阈值，并记录累加所包含的频率区间数；将影响因素直方图中的频率按照从大到小的顺序累加，累加频率达到阈值时(通常取经验值0.6)，停止累加。

再基于所述频率区间数、各个频率对应区间内的数据均值dka以及各个频率计算各个影响因素数据的加权均值。将影响因素数据k的加权均值表示为Mk，则有：

表示聚类簇中影响因素数据k的直方图中将频率按照从大到小的顺序累加后达到阈值/>时的频率区间数，/>表示聚类簇中影响因素k直方图中将频率按照从大到小的顺序中第a个频率所对应区间内的数据均值，/>表示聚类簇中影响因素k直方图中按照频率从高到低的顺序的第a个频率。如此获得了各个影响因素数据的加权均值Mk。

通常局部扰动在真实值附近变化，故本实施例通过影响因素直方图中频率出现最高的影响因素数据作为影响因素的真实值，便于后续计算局部扰动特征值。

步骤S104，基于所述加权均值确定局部扰动特征值，并基于所述局部扰动特征值构建权重向量；

参照图3，图3是本发明用于糊精生产过程中粘度控制方法一实施例的细化流程示意图，如图3所示，所述步骤S104包括：

步骤S1041，基于聚类簇中对应影响因素数据的加权均值和预先构建的局部数据序列计算各个时刻各个影响因素的局部扰动特征值；

本实施例预先构建局部数据序列，具体地，以各个聚类簇中的每个影响因素数据为中心数据，确定所述中心数据的若干个邻居数据，所述邻居数据包括位于所述中心数据前面的若干个前数据和位于所述中心数据后面的若干个后数据，所述前数据与所述后数据的数量相同；以聚类簇中第i个时刻第j个影响因素数据为数据中心、分别取第i个时刻前L个影响因素数据和后L个影响因素数据，将前L个影响因素数据和后L个影响因素数据确定为该数据中心的邻居数据。

将所述若干个前数据、所述中心数据、所述若干个后数据按照各个影响因素的采集时间进行排列，获得对应影响因素数据的局部数据序列。将前L个影响因素数据、数据中心以及后L个影响因素数据按照时间先后顺序构成一个序列，作为第i个时刻第j个影响因素的局部数据序列，将局部数据序列记为FD，该局部数据序列长度为。将局部数据序列中第b个影响因素数据表示为FDb。

获得局部数据序列后，计算所述局部数据序列中各个影响因素数据至中心数据的序列内欧式距离，并确定序列内最大欧式距离；将局部数据序列中影响因素数据b至中心数据的序列内欧式距离表示为distb，将序列内最大欧式距离表示为distmax。

基于各个时刻的影响因素数据、各个聚类簇中影响因素的加权均值、所述序列内欧式距离、所述序列内最大欧式距离、以及所述局部数据序列中的极值确定各个时刻各个影响因素的局部扰动特征值。将第i时刻第j影响因素的局部扰动特征值表示为，则有：

其中，表示聚类簇中第i个时刻第j个影响因素数据，/>表示聚类簇中第j个影响因素的加权均值。/>表示局部数据序列FD中第b个影响因素数据FDb与第b+1个影响因素数据FDb+1中的最大值，/>表示局部数据序列FD中第b个影响因素数据FDb与第b+1个影响因素数据FDb+1中的最小值。

若聚类簇中第i个时刻第j个影响因素的局部扰动较大，则/>与第j个影响因素加权均值/>的差异较大，即/>较大，计算出的局部扰动特征值较大；反之亦然。若聚类簇中第i个时刻第j个影响因素的局部数据序列变化较大，即越大，表明第i时刻第j个影响因素受到局部干扰的可能性越大，即局部扰动较大，此时计算出的局部扰动特征值较大；反之亦然。

步骤S1042，基于所述局部扰动特征值、影响因素维度确定各个时刻的权重，并基于各个时刻的权重构建权重向量W。

将第i个时刻的权重表示为wi，则有：

M表示影响因素维度数，M的取值是4，表示第i个时刻第j个影响因素的局部扰动，/>表示协调系数，避免出现计算出的权重为零的情况，本实施例/>取经验值1.1，/>表示第j个影响因素局部扰动的最大值。

当同一时刻各影响因素的局部扰动特征值较大时，表明该时刻的局部扰动较大，为使数据发展趋势更贴合实际，需要弱化该时刻的局部扰动，即给该时刻赋予较小的权重，即计算出的/>较小；当同一时刻各影响因素的局部扰动特征值/>较小时，表明该时刻的局部扰动较小，即该时刻的数据与真实值更为接近，为使数据发展趋势更贴合实际，需要强化该时刻的影响因素数据，即该时刻的权重应当较大，即计算出的/>较大。

通过上述步骤计算各时刻的权重后，则可以构建权重向量，将权重向量表示为W，则有：

步骤S105，基于所述权重向量以及所述葡萄糖当量序列获得确定葡萄糖当量缓冲序列；

葡萄糖当量缓冲序列中第k个元素的计算公式如下：

其中表示葡萄糖当量缓冲序列中第k个元素，/>表示葡萄糖当量序列中第k个元素，/>表示权重向量中第i个元素，即第i个时刻影响因素的权重，N表示葡萄糖当量序列长度，/>表示缓冲指数，当/>时，加权缓冲算子为强化缓冲算子，当/>时，加权缓冲算子为弱化缓冲算子，当/>时，加权缓冲算子为恒等算子，本实施例为更准确的对糊精粘度进行控制，需要将葡萄糖当量序列进行强化，故缓冲指数/>取值为0.3。

步骤S106，使用灰色预测算法对所述葡萄糖当量缓冲序列进行预测，获得下一时刻的葡萄糖当量预测值；

获得葡萄糖当量缓冲序列后，则可以使用灰色预测算法GM(1,1)对葡萄糖当量缓冲序列进行预测，得到下一时刻葡萄糖当量的预测值。灰色预测算法是一种对含有不确定因素的系统进行预测的方法。在建立灰色预测模型之前，需先对原始时间序列进行数据处理，经过数据处理后的时间序列即成为生成列。具体地。对所述葡萄糖当量缓冲序列进行一次累加，获得一次累加序列；葡萄糖当量缓冲序列的一次累加序列可表示为：对所述一次累加序列建立一阶线性微分方程：该一阶线性微分方程即为GM(1,1)模型；对所述一阶线性微分方程进行求解，获得预测模型；将所述预测模型进行累减获得灰色预测模型，通过所述灰色预测模型获得下一时刻的葡萄糖当量预测值。灰色预测算法为公知技术，此处不再赘述详细步骤。

步骤S107，将所述葡萄糖当量预测值、当前葡萄糖当量作为模糊PID控制算法的输入，通过模糊PID控制算法对葡萄糖当量进行控制。

PID算法：就是“比例（proportional）、积分（integral）、微分（derivative）”，是一种常见的“保持稳定”控制算法。比例控制考虑当前误差，误差值和一个表示比例的正值的常数相乘。微分控制考虑将来误差，计算误差的一阶导数，并和一个正值的常数相乘。积分控制考虑过去误差，将误差值过去一段时间和（误差和）乘以一个正值的常数。PID算法的参数调试通过调整控制参数（比例增益、积分增益/时间、微分增益/时间）让系统达到最佳的控制效果。将所述葡萄糖当量预测值、当前葡萄糖当量作为模糊PID控制算法的输入，本实施例通过模糊PID控制算法对葡萄糖当量进行控制，以将葡萄糖当量控制在合适的范围内，从而获得所需要的粘度。模糊PID控制算法为公知技术，此处不再赘述。

本实施例通过上述方案，基于糊精第一次液化过程中的相关数据获得葡萄糖当量序列和影响因素矩阵；基于欧式距离通过K-means聚类算法对所述影响因素矩阵中的各项影响因素数据进行聚类，分别获得各项影响因素数据的多个聚类簇；建立各个聚类簇的影响因素直方图，并基于影响因素直方图中的频率确定各个聚类簇中对应影响因素数据的加权均值；基于所述加权均值确定局部扰动特征值，并基于所述局部扰动特征值构建权重向量；基于所述权重向量以及所述葡萄糖当量序列获得确定葡萄糖当量缓冲序列；使用灰色预测算法对所述葡萄糖当量缓冲序列进行预测，获得下一时刻的葡萄糖当量预测值；将所述葡萄糖当量预测值、当前葡萄糖当量作为模糊PID控制算法的输入，通过模糊PID控制算法对葡萄糖当量进行控制。如此对影响因素数据聚类后基于直方图构建局部扰动特征，基于局部扰动特征构建权重向量，并通过权重向量对葡萄糖当量序列进行校正获得葡萄糖当量缓冲序列，葡萄糖当量缓冲序列作为缓冲算子进而通过灰色预测算法获得葡萄糖当量预测值，进而基于PID控制算法实现粘度控制，提高了粘度控制的准确性。

此外，为实现上述目的本发明还提供一种用于糊精生产过程中粘度控制系统，参照图4，图4是本发明用于糊精生产过程中粘度控制系统的组成示意图，如图4所示，所述系统包括：

数据获取模块10，用于基于糊精第一次液化过程中的相关数据获得葡萄糖当量序列和影响因素矩阵；

聚类模块20，用于基于欧式距离通过K-means聚类算法对所述影响因素矩阵中的各项影响因素数据进行聚类，分别获得各项影响因素数据的多个聚类簇；

第一确定模块30，用于建立各个聚类簇的影响因素直方图，并基于影响因素直方图中的频率确定各个聚类簇中对应影响因素数据的加权均值；

构建模块40，用于基于所述加权均值确定局部扰动特征值，并基于所述局部扰动特征值构建权重向量；

第二确定模块50，用于基于所述权重向量以及所述葡萄糖当量序列获得确定葡萄糖当量缓冲序列；

预测模块60，用于使用灰色预测算法对所述葡萄糖当量缓冲序列进行预测，获得下一时刻的葡萄糖当量预测值；

控制模块70，用于将所述葡萄糖当量预测值、当前葡萄糖当量作为模糊PID控制算法的输入，通过模糊PID控制算法对葡萄糖当量进行控制。

所述用于糊精生产过程中粘度控制系统在运行时实现所述用于糊精生产过程中粘度控制方法的所有步骤，此处不再赘述。

以上所述仅为本发明的优选实施例，并非因此限制本发明的范围，凡是利用本发明说明书及附图内容所作的等效结构或流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的保护范围内。

Claims (7)

1.一种用于糊精生产过程中粘度控制方法，其特征在于，所述方法包括：

基于糊精第一次液化过程中的相关数据获得葡萄糖当量序列和影响因素矩阵；

基于欧式距离通过K-means聚类算法对所述影响因素矩阵中的各项影响因素数据进行聚类，分别获得各项影响因素数据的多个聚类簇；

建立各个聚类簇的影响因素直方图，并基于影响因素直方图中的频率确定各个聚类簇中对应影响因素数据的加权均值；

基于所述加权均值确定局部扰动特征值，并基于所述局部扰动特征值构建权重向量；

基于所述权重向量以及所述葡萄糖当量序列获得确定葡萄糖当量缓冲序列；

使用灰色预测算法对所述葡萄糖当量缓冲序列进行预测，获得下一时刻的葡萄糖当量预测值；

将所述葡萄糖当量预测值、当前葡萄糖当量作为模糊PID控制算法的输入，通过模糊PID控制算法对葡萄糖当量进行控制；

所述基于所述加权均值确定局部扰动特征值，并基于所述局部扰动特征值构建权重向量包括：

基于聚类簇中对应影响因素数据的加权均值和预先构建的局部数据序列计算各个时刻各个影响因素的局部扰动特征值；

基于所述局部扰动特征值、影响因素维度确定各个时刻的权重，并基于各个时刻的权重构建权重向量；

所述基于聚类簇中对应影响因素数据的加权均值和预先构建的局部数据序列计算各个时刻各个影响因素的局部扰动特征值之前，还包括：

以各个聚类簇中的每个影响因素数据为中心数据，确定所述中心数据的若干个邻居数据，所述邻居数据包括位于所述中心数据前面的若干个前数据和位于所述中心数据后面的若干个后数据，所述前数据与所述后数据的数量相同；

将所述若干个前数据、所述中心数据、所述若干个后数据按照各个影响因素的采集时间进行排列，获得对应影响因素数据的局部数据序列；

所述基于聚类簇中对应影响因素数据的加权均值和预先构建的局部数据序列计算各个时刻各个影响因素的局部扰动特征值包括：

计算所述局部数据序列中各个影响因素数据至中心数据的序列内欧式距离，并确定序列内最大欧式距离；

基于各个时刻的影响因素数据、各个聚类簇中影响因素的加权均值、所述序列内欧式距离、所述序列内最大欧式距离、以及所述局部数据序列中的极值确定各个时刻各个影响因素的局部扰动特征值。

2.根据权利要求1所述的一种用于糊精生产过程中粘度控制方法，其特征在于，所述基于糊精第一次液化过程中的数据获得葡萄糖当量序列和影响因素矩阵包括：

获取糊精第一次液化过程中各个时刻的多项相关数据；

对各项相关数据进行预处理，其中所述多项相关数据包括葡萄糖当量、温度数据、pH数据、-淀粉酶浓度数据与淀粉浓度数据；

将葡萄糖当量表示成葡萄糖当量序列，将温度数据、pH数据、-淀粉酶浓度数据与淀粉浓度数据表示成影响因素矩阵。

3.根据权利要求2所述的一种用于糊精生产过程中粘度控制方法，其特征在于，所述获取糊精第一次液化过程中各个时刻的多项相关数据包括：

在糊精第一次液化过程中通过传感器按预设时间间隔采集各个时刻的各项相关数据，其中通过温度传感器采集温度数据，通过pH计采集pH数据，通过光度计采集-淀粉酶的浓度数据，通过淀粉浓度测定仪采集淀粉浓度数据，通过渗透压仪测定淀粉的葡萄糖当量。

4.根据权利要求2所述的一种用于糊精生产过程中粘度控制方法，其特征在于，所述对各项相关数据进行预处理包括：

通过线性差值发对各项相关数据的缺失值进行填充，并通过Z_score方法进行归一化，以统一各项相关数据的量纲。

5.根据权利要求1所述的一种用于糊精生产过程中粘度控制方法，其特征在于，所述方法建立各个聚类簇的影响因素直方图，并基于影响因素直方图中的频率确定各个影响因素数据的加权均值包括：

分别计算各个聚类簇内元素的簇内均值，基于聚类簇内元素到对应簇内均值的距离构建对应的影响因素直方图，所述影响因素直方图的横坐标为聚类簇内元素到对应簇内均值的距离，纵坐标为各个距离出现的频率；

将各个影响因素直方图中的频率按照从大到小的顺序累加，直到累加频率达到阈值，并记录累加所包含的频率区间数；

基于所述频率区间数、各个频率对应区间内的数据均值以及各个频率计算各个影响因素数据的加权均值。

6.根据权利要求1所述的一种用于糊精生产过程中粘度控制方法，其特征在于，所述使用灰色预测算法对所述葡萄糖当量缓冲序列进行预测，获得下一时刻的葡萄糖当量预测值包括：

对所述葡萄糖当量缓冲序列进行一次累加，获得一次累加序列；

对所述一次累加序列建立一阶线性微分方程；

对所述一阶线性微分方程进行求解，获得预测模型；

将所述预测模型进行累减获得灰色预测模型，通过所述灰色预测模型获得下一时刻的葡萄糖当量预测值。

7.一种用于糊精生产过程中粘度控制系统，其特征在于，所述系统包括：

数据获取模块，用于基于糊精第一次液化过程中的相关数据获得葡萄糖当量序列和影响因素矩阵；

聚类模块，用于基于欧式距离通过K-means聚类算法对所述影响因素矩阵中的各项影响因素数据进行聚类，分别获得各项影响因素数据的多个聚类簇；

第一确定模块，用于建立各个聚类簇的影响因素直方图，并基于影响因素直方图中的频率确定各个聚类簇中对应影响因素数据的加权均值；

构建模块，用于基于所述加权均值确定局部扰动特征值，并基于所述局部扰动特征值构建权重向量；

所述基于所述加权均值确定局部扰动特征值，并基于所述局部扰动特征值构建权重向量包括：

基于聚类簇中对应影响因素数据的加权均值和预先构建的局部数据序列计算各个时刻各个影响因素的局部扰动特征值；

基于所述局部扰动特征值、影响因素维度确定各个时刻的权重，并基于各个时刻的权重构建权重向量；

所述基于聚类簇中对应影响因素数据的加权均值和预先构建的局部数据序列计算各个时刻各个影响因素的局部扰动特征值之前，还包括：

以各个聚类簇中的每个影响因素数据为中心数据，确定所述中心数据的若干个邻居数据，所述邻居数据包括位于所述中心数据前面的若干个前数据和位于所述中心数据后面的若干个后数据，所述前数据与所述后数据的数量相同；

将所述若干个前数据、所述中心数据、所述若干个后数据按照各个影响因素的采集时间进行排列，获得对应影响因素数据的局部数据序列；

所述基于聚类簇中对应影响因素数据的加权均值和预先构建的局部数据序列计算各个时刻各个影响因素的局部扰动特征值包括：

计算所述局部数据序列中各个影响因素数据至中心数据的序列内欧式距离，并确定序列内最大欧式距离；

基于各个时刻的影响因素数据、各个聚类簇中影响因素的加权均值、所述序列内欧式距离、所述序列内最大欧式距离、以及所述局部数据序列中的极值确定各个时刻各个影响因素的局部扰动特征值；

第二确定模块，用于基于所述权重向量以及所述葡萄糖当量序列获得确定葡萄糖当量缓冲序列；

预测模块，用于使用灰色预测算法对所述葡萄糖当量缓冲序列进行预测，获得下一时刻的葡萄糖当量预测值；

控制模块，用于将所述葡萄糖当量预测值、当前葡萄糖当量作为模糊PID控制算法的输入，通过模糊PID控制算法对葡萄糖当量进行控制。