CN117093956A - 干混成品振实密度预测方法及装置 - Google Patents
干混成品振实密度预测方法及装置 Download PDFInfo
- Publication number
- CN117093956A CN117093956A CN202311355390.XA CN202311355390A CN117093956A CN 117093956 A CN117093956 A CN 117093956A CN 202311355390 A CN202311355390 A CN 202311355390A CN 117093956 A CN117093956 A CN 117093956A
- Authority
- CN
- China
- Prior art keywords
- raw material
- dry
- tap density
- finished product
- material category
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000002994 raw material Substances 0.000 claims abstract description 96
- 238000012360 testing method Methods 0.000 claims abstract description 35
- 230000008859 change Effects 0.000 claims abstract description 27
- 238000012795 verification Methods 0.000 claims abstract description 23
- 230000003993 interaction Effects 0.000 claims abstract description 9
- 238000000611 regression analysis Methods 0.000 claims abstract description 9
- 239000000463 material Substances 0.000 claims description 18
- 239000001506 calcium phosphate Substances 0.000 claims description 17
- 235000013325 dietary fiber Nutrition 0.000 claims description 17
- QORWJWZARLRLPR-UHFFFAOYSA-H tricalcium bis(phosphate) Chemical compound [Ca+2].[Ca+2].[Ca+2].[O-]P([O-])([O-])=O.[O-]P([O-])([O-])=O QORWJWZARLRLPR-UHFFFAOYSA-H 0.000 claims description 17
- 229940078499 tricalcium phosphate Drugs 0.000 claims description 17
- 229910000391 tricalcium phosphate Inorganic materials 0.000 claims description 17
- 235000019731 tricalcium phosphate Nutrition 0.000 claims description 17
- 239000000203 mixture Substances 0.000 claims description 16
- 150000001720 carbohydrates Chemical class 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000002156 mixing Methods 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000012417 linear regression Methods 0.000 claims description 2
- 125000000837 carbohydrate group Chemical group 0.000 claims 2
- 238000004519 manufacturing process Methods 0.000 abstract description 10
- 239000000843 powder Substances 0.000 description 26
- 238000013461 design Methods 0.000 description 9
- 235000013336 milk Nutrition 0.000 description 9
- 239000008267 milk Substances 0.000 description 9
- 210000004080 milk Anatomy 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 7
- GUBGYTABKSRVRQ-QKKXKWKRSA-N lactose group Chemical group OC1[C@H](O)[C@@H](O)[C@H](O[C@H]2[C@H](O)[C@@H](O)[C@@H](O)[C@H](O2)CO)[C@H](O1)CO GUBGYTABKSRVRQ-QKKXKWKRSA-N 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000009472 formulation Methods 0.000 description 4
- 229920001202 Inulin Polymers 0.000 description 3
- 240000008042 Zea mays Species 0.000 description 3
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 3
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 235000005822 corn Nutrition 0.000 description 3
- 235000013350 formula milk Nutrition 0.000 description 3
- FTSSQIKWUOOEGC-RULYVFMPSA-N fructooligosaccharide Chemical compound OC[C@H]1O[C@@](CO)(OC[C@@]2(OC[C@@]3(OC[C@@]4(OC[C@@]5(OC[C@@]6(OC[C@@]7(OC[C@@]8(OC[C@@]9(OC[C@@]%10(OC[C@@]%11(O[C@H]%12O[C@H](CO)[C@@H](O)[C@H](O)[C@H]%12O)O[C@H](CO)[C@@H](O)[C@@H]%11O)O[C@H](CO)[C@@H](O)[C@@H]%10O)O[C@H](CO)[C@@H](O)[C@@H]9O)O[C@H](CO)[C@@H](O)[C@@H]8O)O[C@H](CO)[C@@H](O)[C@@H]7O)O[C@H](CO)[C@@H](O)[C@@H]6O)O[C@H](CO)[C@@H](O)[C@@H]5O)O[C@H](CO)[C@@H](O)[C@@H]4O)O[C@H](CO)[C@@H](O)[C@@H]3O)O[C@H](CO)[C@@H](O)[C@@H]2O)[C@@H](O)[C@@H]1O FTSSQIKWUOOEGC-RULYVFMPSA-N 0.000 description 3
- 229940107187 fructooligosaccharide Drugs 0.000 description 3
- 235000021255 galacto-oligosaccharides Nutrition 0.000 description 3
- 150000003271 galactooligosaccharides Chemical group 0.000 description 3
- JYJIGFIDKWBXDU-MNNPPOADSA-N inulin Chemical group O[C@H]1[C@H](O)[C@@H](CO)O[C@@]1(CO)OC[C@]1(OC[C@]2(OC[C@]3(OC[C@]4(OC[C@]5(OC[C@]6(OC[C@]7(OC[C@]8(OC[C@]9(OC[C@]%10(OC[C@]%11(OC[C@]%12(OC[C@]%13(OC[C@]%14(OC[C@]%15(OC[C@]%16(OC[C@]%17(OC[C@]%18(OC[C@]%19(OC[C@]%20(OC[C@]%21(OC[C@]%22(OC[C@]%23(OC[C@]%24(OC[C@]%25(OC[C@]%26(OC[C@]%27(OC[C@]%28(OC[C@]%29(OC[C@]%30(OC[C@]%31(OC[C@]%32(OC[C@]%33(OC[C@]%34(OC[C@]%35(OC[C@]%36(O[C@@H]%37[C@@H]([C@@H](O)[C@H](O)[C@@H](CO)O%37)O)[C@H]([C@H](O)[C@@H](CO)O%36)O)[C@H]([C@H](O)[C@@H](CO)O%35)O)[C@H]([C@H](O)[C@@H](CO)O%34)O)[C@H]([C@H](O)[C@@H](CO)O%33)O)[C@H]([C@H](O)[C@@H](CO)O%32)O)[C@H]([C@H](O)[C@@H](CO)O%31)O)[C@H]([C@H](O)[C@@H](CO)O%30)O)[C@H]([C@H](O)[C@@H](CO)O%29)O)[C@H]([C@H](O)[C@@H](CO)O%28)O)[C@H]([C@H](O)[C@@H](CO)O%27)O)[C@H]([C@H](O)[C@@H](CO)O%26)O)[C@H]([C@H](O)[C@@H](CO)O%25)O)[C@H]([C@H](O)[C@@H](CO)O%24)O)[C@H]([C@H](O)[C@@H](CO)O%23)O)[C@H]([C@H](O)[C@@H](CO)O%22)O)[C@H]([C@H](O)[C@@H](CO)O%21)O)[C@H]([C@H](O)[C@@H](CO)O%20)O)[C@H]([C@H](O)[C@@H](CO)O%19)O)[C@H]([C@H](O)[C@@H](CO)O%18)O)[C@H]([C@H](O)[C@@H](CO)O%17)O)[C@H]([C@H](O)[C@@H](CO)O%16)O)[C@H]([C@H](O)[C@@H](CO)O%15)O)[C@H]([C@H](O)[C@@H](CO)O%14)O)[C@H]([C@H](O)[C@@H](CO)O%13)O)[C@H]([C@H](O)[C@@H](CO)O%12)O)[C@H]([C@H](O)[C@@H](CO)O%11)O)[C@H]([C@H](O)[C@@H](CO)O%10)O)[C@H]([C@H](O)[C@@H](CO)O9)O)[C@H]([C@H](O)[C@@H](CO)O8)O)[C@H]([C@H](O)[C@@H](CO)O7)O)[C@H]([C@H](O)[C@@H](CO)O6)O)[C@H]([C@H](O)[C@@H](CO)O5)O)[C@H]([C@H](O)[C@@H](CO)O4)O)[C@H]([C@H](O)[C@@H](CO)O3)O)[C@H]([C@H](O)[C@@H](CO)O2)O)[C@@H](O)[C@H](O)[C@@H](CO)O1 JYJIGFIDKWBXDU-MNNPPOADSA-N 0.000 description 3
- 229940029339 inulin Drugs 0.000 description 3
- 239000008101 lactose Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 239000006188 syrup Substances 0.000 description 3
- 235000020357 syrup Nutrition 0.000 description 3
- 239000004375 Dextrin Substances 0.000 description 2
- 229920001353 Dextrin Polymers 0.000 description 2
- DLRVVLDZNNYCBX-UHFFFAOYSA-N Polydextrose Polymers OC1C(O)C(O)C(CO)OC1OCC1C(O)C(O)C(O)C(O)O1 DLRVVLDZNNYCBX-UHFFFAOYSA-N 0.000 description 2
- 235000019742 Vitamins premix Nutrition 0.000 description 2
- TVXBFESIOXBWNM-UHFFFAOYSA-N Xylitol Natural products OCCC(O)C(O)C(O)CCO TVXBFESIOXBWNM-UHFFFAOYSA-N 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- HEBKCHPVOIAQTA-NGQZWQHPSA-N d-xylitol Chemical compound OC[C@H](O)C(O)[C@H](O)CO HEBKCHPVOIAQTA-NGQZWQHPSA-N 0.000 description 2
- 235000019425 dextrin Nutrition 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- DLRVVLDZNNYCBX-RTPHMHGBSA-N isomaltose Chemical group O[C@@H]1[C@@H](O)[C@H](O)[C@@H](CO)O[C@@H]1OC[C@@H]1[C@@H](O)[C@H](O)[C@@H](O)C(O)O1 DLRVVLDZNNYCBX-RTPHMHGBSA-N 0.000 description 2
- JCQLYHFGKNRPGE-FCVZTGTOSA-N lactulose Chemical group OC[C@H]1O[C@](O)(CO)[C@@H](O)[C@@H]1O[C@H]1[C@H](O)[C@@H](O)[C@@H](O)[C@@H](CO)O1 JCQLYHFGKNRPGE-FCVZTGTOSA-N 0.000 description 2
- 229960000511 lactulose Drugs 0.000 description 2
- PFCRQPBOOFTZGQ-UHFFFAOYSA-N lactulose keto form Chemical group OCC(=O)C(O)C(C(O)CO)OC1OC(CO)C(O)C(O)C1O PFCRQPBOOFTZGQ-UHFFFAOYSA-N 0.000 description 2
- HEBKCHPVOIAQTA-UHFFFAOYSA-N meso ribitol Natural products OCC(O)C(O)C(O)CO HEBKCHPVOIAQTA-UHFFFAOYSA-N 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 239000011812 mixed powder Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 235000008476 powdered milk Nutrition 0.000 description 2
- 235000020183 skimmed milk Nutrition 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 235000008939 whole milk Nutrition 0.000 description 2
- 239000000811 xylitol Substances 0.000 description 2
- HEBKCHPVOIAQTA-SCDXWVJYSA-N xylitol Chemical compound OC[C@H](O)[C@@H](O)[C@H](O)CO HEBKCHPVOIAQTA-SCDXWVJYSA-N 0.000 description 2
- 229960002675 xylitol Drugs 0.000 description 2
- 235000010447 xylitol Nutrition 0.000 description 2
- GUBGYTABKSRVRQ-XLOQQCSPSA-N Alpha-Lactose Chemical compound O[C@@H]1[C@@H](O)[C@@H](O)[C@@H](CO)O[C@H]1O[C@@H]1[C@@H](CO)O[C@H](O)[C@H](O)[C@H]1O GUBGYTABKSRVRQ-XLOQQCSPSA-N 0.000 description 1
- 229920001100 Polydextrose Polymers 0.000 description 1
- 239000011149 active material Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011230 binding agent Substances 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000009924 canning Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000007580 dry-mixing Methods 0.000 description 1
- 239000013022 formulation composition Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000001259 polydextrose Substances 0.000 description 1
- 235000013856 polydextrose Nutrition 0.000 description 1
- 229940035035 polydextrose Drugs 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000001694 spray drying Methods 0.000 description 1
- 239000011882 ultra-fine particle Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N9/00—Investigating density or specific gravity of materials; Analysing materials by determining density or specific gravity
- G01N9/02—Investigating density or specific gravity of materials; Analysing materials by determining density or specific gravity by measuring weight of a known volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及干混成品振实密度预测方法及装置，包括以下：获取经确定的干混成品的原料类别；剔除原料类别中低于重量占比阈值的原料类别，并获取对剔除的原料类别的实验验证的结果，保留实验验证的结果中通过的原料类别，得到剩余原料类别；获取对每种剩余原料类别进行不同振实密度的测试所得到的变化曲线，基于所述变化曲线确定影响因子；获取对所确定的各个影响因子进行多元交互试验的结果，并基于所述结果通过多元回归分析建立预测模型；获取待预测的实际生产的干混成品所包含的影响因子的对应参数，基于干混成品振实密度的所述预测模型进行振实密度预测。本发明能够为干混成品的实际生产提供切实有效的指导。
Description
技术领域
本发明涉及振实密度预测技术领域，尤其涉及干混成品振实密度预测方法及装置。
背景技术
对干混粉末颗粒群施加振动等外力后，会达到极限堆积密度，称为振实密度，记作ρr。视密度（堆积密度）和振实密度是与超细颗粒尺寸、形貌及其尺寸分布和干燥程度（含水率）有关的可测量的宏观特性之一，也是超细粉末产品生产与应用最常用的质量控制参数。
婴幼儿配方奶粉的生产工艺分为湿法工艺，干法工艺和干湿复合工艺；湿法工艺和干湿复合工艺可以通过调整喷雾干燥生产工艺参数生产出理想振实密度的奶粉，满足每平勺的奶粉重量要求以及期望的罐内粉位高度；但对于干法工艺所生产的干混产品，由于各种原料直接进行混合，因此各原料的密度基本没有调整的空间，这样一来，也就很难预测新配方产品的振实密度。在这种情况下，新配方产品在生产过程中有可能在包装时遇到问题，例如罐子装太满，甚至装不下或者罐内粉位太低。此外，振实密度还会导致奶粉勺盛粉的问题，因为产品所使用的奶粉勺容量一般是固定的，那么由于振实密度差异将会导致奶粉的能量密度达不到要求，从而需要重新设计配方，影响生产进度。
当今市场中，婴幼儿配方奶粉企业应对此类问题的现有做法基本只能够通过试生产和检验来了解奶粉的罐装情况或每平勺粉的重量是否满足要求。现有做法存在需要进行多轮试生产，耗时长，投入大的问题。目前没有合适的工具亦或是方法可以根据不同的原料配比，对成品振实密度进行预测。
发明内容
本发明的目的是为了至少解决现有技术的不足之一，提供干混成品振实密度预测方法及装置。
为了实现上述目的，本发明采用以下的技术方案：
具体的，提出干混成品振实密度预测方法，包括以下：
获取经确定的干混成品的原料类别；
剔除所述原料类别中低于重量占比阈值的原料类别，并获取对剔除的原料类别的实验验证的结果，保留实验验证的结果中通过的原料类别，得到剩余原料类别；
获取对每种剩余原料类别进行不同振实密度的测试所得到的变化曲线，基于所述变化曲线确定与干混成品振实密度相关的影响因子；
获取对所确定的各个影响因子进行多元交互试验的结果，并基于所述结果通过多元回归分析建立干混成品振实密度的预测模型；
获取待预测的实际生产的干混成品所包含的影响因子的对应参数，基于干混成品振实密度的所述预测模型进行振实密度预测。
进一步，具体的，所述重量占比阈值为0.5%。
进一步，具体的，所述实验验证的过程，包括以下，
从剔除的原料类别中找寻出所有干混成品所必定含义的原料类别，针对必定含有的每个原料类别，
通过对不同重量占比的原料类别以及基料进行混合后测试振实密度，保留原料类别的相关性验证P小于0.05的原料类别。
进一步，具体的，基于所述变化曲线确定与干混成品振实密度相关的影响因子，包括，
将变化曲线不同的剩余原料种类定义为影响因子。
进一步，所述方法还包括，
获取对每种剩余原料类别进行不同振实密度的测试时的振动次数以及振实密度测试结果，将不同种类的剩余原料种类之间振动次数相同、振实密度测试结果相差在预设范围内且变化曲线重合率高于预设程度的原料合并为一个。
进一步，具体的，确定的所述影响因子包括1号基料、2号基料、碳水化合物载体1、碳水化合物载体2、膳食纤维1、膳食纤维2、膳食纤维3以及磷酸三钙；
相对应的所述预测模型为，
；
其中，X1表示1号基料，X2表示2号基料, X3表示碳水化合物载体1，X4表示碳水化合物载体2，X5表示膳食纤维1，X6表示膳食纤维2，X7表示膳食纤维3，X8表示磷酸三钙，且磷酸三钙为有限制使用量范围0-0.35%。
进一步的，X1的1号基料，具体，1阶基粉和/或2阶基粉可以用1号基料表示， X1可以为0；X2的2号基料，具体，全脂奶粉、脱脂奶粉 和/或3阶基粉可以用2号基料表示， X3表示固体玉米糖浆或木糖醇，X4表示乳糖、乳果糖，X5表示菊粉 或 抗性糊精 ，X6表示低聚半乳糖 或 低聚异麦芽糖，X7表示低聚果糖、低聚木糖和/或聚葡萄糖。
进一步，具体的，所述多元回归分析基于spss多元线性回归分析实现，并在所述预测模型推导过程中去除两两交互P值大于0.05的项。
进一步，具体的，所述预设范围为[-0.02，+0.02]。
本发明还提出干混成品振实密度预测装置，包括以下：
原料类别确定模块，用于获取经确定的干混成品的原料类别；
预处理模块，用于剔除所述原料类别中低于重量占比阈值的原料类别，并获取对剔除的原料类别的实验验证的结果，保留实验验证的结果中通过的原料类别，得到剩余原料类别；
影响因子确定模块，用于获取对每种剩余原料类别进行不同振实密度的测试所得到的变化曲线，基于所述变化曲线确定与干混成品振实密度相关的影响因子；
预测模型建立模块，用于获取对所确定的各个影响因子进行多元交互试验的结果，并基于所述结果通过多元回归分析建立干混成品振实密度的预测模型；
振实密度预测模块，用于获取待预测的实际生产的干混成品所包含的影响因子的对应参数，基于干混成品振实密度的所述预测模型进行振实密度预测。
本发明的有益效果为：
本发明提供的干混成品振实密度预测方法，按照策略对所有干混成品的原料类别进行筛选，并基于对每种剩余原料类别进行不同振实密度的测试所得到的变化曲线，最终得到与干混成品振实密度相关的影响因子，结合混料设计的单纯形格点和极端顶点的试验设计方法制定测试计划，然后利用多元回归对数据进行分析得到干混成品振实密度的预测模型，能够为干混成品的实际生产提供切实有效的指导。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的输出电压，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，在附图中：
图1所示为本发明干混成品振实密度预测方法的流程图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。附图中各处使用的相同的附图标记指示相同或相似的部分。
参照图1，本发明提出干混成品振实密度预测方法，包括以下：
步骤110、获取经确定的干混成品的原料类别；
步骤120、剔除所述原料类别中低于重量占比阈值的原料类别，并获取对剔除的原料类别的实验验证的结果，保留实验验证的结果中通过的原料类别，得到剩余原料类别；
步骤130、获取对每种剩余原料类别进行不同振实密度的测试所得到的变化曲线，基于所述变化曲线确定与干混成品振实密度相关的影响因子；
步骤140、获取对所确定的各个影响因子进行多元交互试验的结果，并基于所述结果通过多元回归分析建立干混成品振实密度的预测模型；
步骤150、获取待预测的实际生产的干混成品所包含的影响因子的对应参数，基于干混成品振实密度的所述预测模型进行振实密度预测。
本发明所提出干混成品振实密度预测方法，按照策略对所有干混成品的原料类别进行筛选，并基于对每种剩余原料类别进行不同振实密度的测试所得到的变化曲线，最终得到与干混成品振实密度相关的影响因子，结合混料设计的单纯形格点和极端顶点的试验设计方法制定测试计划，然后利用多元回归对数据进行分析得到干混成品振实密度的预测模型，能够为干混成品的实际生产提供切实有效的指导。
本发明在确定与干混样本振实密度的影响因子的原料时，
首先根据原料重量占比进行分类，对于重量占比少于0.5%的微量原料（每个配方不一定全部含有的活性原料）。一般认为对于整体的密度和罐内粉位高度影响不大；
对于维生素预混料和矿物质预混料（磷酸三钙除外），由于是每个配方必须含有的，因此也对其对于密度的影响进行了验证：通过对不同重量占比（0-0.5%）的维生素预混料和矿物质预混料，以及基料（99-100%）的混合后测试振实密度（振实密度的单位G/cm3）来验证，发现密度基本不变，具体数据如下表1：
表1
对于磷酸三钙这个物质，发明人发现，虽然含量也是很低，但是其产生的静电排斥特性，和对水具有的强烈排斥能力，会增加不同粉体之间的空隙，从而影响密度；通过测试不同占比的磷酸三钙和基料的混合物振实密度，发现即使只加入小于0.35%的磷酸三钙，整体的密度也会随之减少，磷酸三钙和75Tap密度的相关性检验P<0.05,呈高度相关，具体数据如下表2：
表2
虽然磷酸三钙不是必定含有的原料类别，但仍将磷酸三钙作为补充意见由工作人员整理并进行对应验证，以确保尽可能地找寻到影响因子，因此考虑到此类特殊情况的存在，通过获取原料类别的补充意见，对所述补充意见中添加的原料类别进行相关性验证，将所述补充意见中相关性验证P小于0.05的原料类别添加至所述剩余原料类别。其中，补充意见通过工程师进行评估补充以文本文档的形式输入到计算机中进行读取以获取相应的添加的原料类别的内容，进而进行相关性验证。
对于重量占比大于0.5%的各种不同的原料进行不同振实密度的测试，对比他们的变化曲线，对于变化曲线不同的原料定义为影响因子；
但对于振动次数相同，振实密度测试结果基本相等（或相差0.01-0.02左右），相关性分析高度显著，密度变化曲线也基本重合的原料，此处指的是变化曲线重合率高于预设程度（可以通过曲线相似度算法进行图像识别，识别率高于预设值即为变化曲线重合率高于预设程度），合并为一个，例如根据振实密度测试结果，将3阶段奶粉基粉、脱脂奶粉和全脂奶粉合并为 2号基料；
最后整理出的影响因子分别为1号基料，2号基料，碳水化合物载体1，碳水化合物载体2，膳食纤维1，膳食纤维2和膳食纤维3，磷酸三钙（使用量范围0-0.35%）；碳水化合物载体1表示固体玉米糖浆或木糖醇，碳水化合物载体2表示乳糖、乳果糖，膳食纤维1表示菊粉或 抗性糊精 ，膳食纤维2表示低聚半乳糖 或 低聚异麦芽糖，膳食纤维3表示低聚果糖或低聚木糖 。然后按照下面混料设计实验进行干混合，并测试振实密度作为响应变量；设计思路是8分量，设计阶数为1，随机化实验设计点为29，混料总量为500（这是基于实验量为500克混料设计），样本检测数据如下表3：
表3
通过试验条件验证预测模型的回归统计结果如下：
相对应的所述预测模型为，
；
Y为振实75次的振实密度，X1表示1号基料（2阶基粉 X1可以0），X2表示2号基料（全脂、脱脂 或3阶基粉）, X3表示固体玉米糖浆，X4表示乳糖，X5表示菊粉 ，X6表示低聚半乳糖，X7表示低聚果糖，X8表示磷酸三钙；其中磷酸三钙为有限制使用量范围0-0.35%； 计算时，将自变量Xi (即X1、X2和X3)百分号前面的数值直接代入预测模型中计算，例如，以500份为总重量的奶粉中1号基料的重量百分含量为300份时，则直接将300作为X1值代入预测模型中计算。
在模型推导过程，已经去掉了两两交互P值大于0.05的项目，化简得出以上的模型；
该模型的拟合度和方差如下表4：
表4
该模型的拟合度达到99.20%，统计显著性<0.01,说明该预测模型回归相关性显著。
利用该模型，进行比较预测值和实际测量值的统计结果如下表5：
表5
数据显示预测模型的预测值与实际值吻合度较高，准确性较好，该预测模型具有实际指导意义。
具体的在进行实施时，本发明所提出的干混成品振实密度预测方法应用于如下表6所示的4个实施例，每个实施例按照下表的配方组成（单位为克），配制干混的小样，
表6
测试其振实密度和回归方程计算的预测值进行比较如下表7：
表7
从上表数据可看出，实施例1～4的干混合样品通过模型预测的振实密度与实际检测值基本吻合，这样可以非常方便地让研发人员准确地估计粉在罐中到顶高的位置，以及评估平勺的重量是否合适。
本发明还提出干混成品振实密度预测装置，包括以下：
原料类别确定模块，用于获取经确定的干混成品的原料类别；
预处理模块，用于剔除所述原料类别中低于重量占比阈值的原料类别，并获取对剔除的原料类别的实验验证的结果，保留实验验证的结果中通过的原料类别，得到剩余原料类别；
影响因子确定模块，用于获取对每种剩余原料类别进行不同振实密度的测试所得到的变化曲线，基于所述变化曲线确定与干混成品振实密度相关的影响因子；
预测模型建立模块，用于获取对所确定的各个影响因子进行多元交互试验的结果，并基于所述结果通过多元回归分析建立干混成品振实密度的预测模型；
振实密度预测模块，用于获取待预测的实际生产的干混成品所包含的影响因子的对应参数，基于干混成品振实密度的所述预测模型进行振实密度预测。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例中的方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储的介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，都应属于本发明的保护范围。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
Claims (10)
1.干混成品振实密度预测方法，其特征在于，包括以下：
获取经确定的干混成品的原料类别；
剔除所述原料类别中低于重量占比阈值的原料类别，并获取对剔除的原料类别的实验验证的结果，保留实验验证的结果中通过的原料类别，得到剩余原料类别；
获取对每种剩余原料类别进行不同振实密度的测试所得到的变化曲线，基于所述变化曲线确定与干混成品振实密度相关的影响因子；
获取对所确定的各个影响因子进行多元交互试验的结果，并基于所述结果通过多元回归分析建立干混成品振实密度的预测模型；
获取待预测的实际生产的干混成品所包含的影响因子的对应参数，基于干混成品振实密度的所述预测模型进行振实密度预测。
2.根据权利要求1所述的干混成品振实密度预测方法，其特征在于，具体的，所述重量占比阈值为0.5%。
3.根据权利要求1所述的干混成品振实密度预测方法，其特征在于，具体的，所述实验验证的过程，包括以下，
从剔除的原料类别中找寻出所有干混成品所必定含有的原料类别，针对必定含有的每个原料类别，通过对不同重量占比的原料类别以及基料进行混合后测试振实密度，保留原料类别的相关性验证P小于0.05的原料类别。
4.根据权利要求3所述的干混成品振实密度预测方法，其特征在于，获取原料类别的补充意见，对所述补充意见中添加的原料类别进行相关性验证，将所述补充意见中相关性验证P小于0.05的原料类别添加至所述剩余原料类别，所述补充意见中至少包括磷酸三钙。
5.根据权利要求1所述的干混成品振实密度预测方法，其特征在于，具体的，基于所述变化曲线确定与干混成品振实密度相关的影响因子，包括，
将变化曲线不同的剩余原料种类定义为影响因子。
6.根据权利要求1所述的干混成品振实密度预测方法，其特征在于，所述方法还包括，
获取对每种剩余原料类别进行不同振实密度的测试时的振动次数以及振实密度测试结果，将不同种类的剩余原料种类之间振动次数相同、振实密度测试结果相差在预设范围内且变化曲线重合率高于预设程度的原料合并为一个。
7.根据权利要求6所述的干混成品振实密度预测方法，其特征在于，具体的，确定的所述影响因子包括1号基料、2号基料、碳水化合物载体1、碳水化合物载体2、膳食纤维1、膳食纤维2、膳食纤维3以及磷酸三钙；
相对应的所述预测模型为，
；
其中，X1表示1号基料，X2表示2号基料, X3表示碳水化合物载体1，X4表示碳水化合物载体2，X5表示膳食纤维1，X6表示膳食纤维2，X7表示膳食纤维3，X8表示磷酸三钙，且磷酸三钙为有限制使用量范围0-0.35%。
8.根据权利要求1所述的干混成品振实密度预测方法，其特征在于，具体的，所述多元回归分析基于spss多元线性回归分析实现，并在所述预测模型推导过程中去除两两交互P值大于0.05的项。
9.根据权利要求6所述的干混成品振实密度预测方法，其特征在于，具体的，所述预设范围为[-0.02，+0.02]。
10.干混成品振实密度预测装置，其特征在于，包括以下：
原料类别确定模块，用于获取经确定的干混成品的原料类别；
预处理模块，用于剔除所述原料类别中低于重量占比阈值的原料类别，并获取对剔除的原料类别的实验验证的结果，保留实验验证的结果中通过的原料类别，得到剩余原料类别；
影响因子确定模块，用于获取对每种剩余原料类别进行不同振实密度的测试所得到的变化曲线，基于所述变化曲线确定与干混成品振实密度相关的影响因子；
预测模型建立模块，用于获取对所确定的各个影响因子进行多元交互试验的结果，并基于所述结果通过多元回归分析建立干混成品振实密度的预测模型；
振实密度预测模块，用于获取待预测的实际生产的干混成品所包含的影响因子的对应参数，基于干混成品振实密度的所述预测模型进行振实密度预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311355390.XA CN117093956B (zh) | 2023-10-19 | 2023-10-19 | 干混成品振实密度预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311355390.XA CN117093956B (zh) | 2023-10-19 | 2023-10-19 | 干混成品振实密度预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117093956A true CN117093956A (zh) | 2023-11-21 |
| CN117093956B CN117093956B (zh) | 2024-02-20 |
Family
ID=88780083
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311355390.XA Active CN117093956B (zh) | 2023-10-19 | 2023-10-19 | 干混成品振实密度预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117093956B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100082227A1 (en) * | 2008-09-17 | 2010-04-01 | Harman Becker Automotive Systems Gmbh | Method for displaying traffic density information |
| CN113383937A (zh) * | 2021-06-23 | 2021-09-14 | 佛山市海天(高明)调味食品有限公司 | 一种食品水分活度的预测方法及其应用 |
| CN116362394A (zh) * | 2023-03-22 | 2023-06-30 | 山东大学 | 一种海洋藻类生长污染协整预测方法及系统 |
-
2023
- 2023-10-19 CN CN202311355390.XA patent/CN117093956B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100082227A1 (en) * | 2008-09-17 | 2010-04-01 | Harman Becker Automotive Systems Gmbh | Method for displaying traffic density information |
| CN113383937A (zh) * | 2021-06-23 | 2021-09-14 | 佛山市海天(高明)调味食品有限公司 | 一种食品水分活度的预测方法及其应用 |
| CN116362394A (zh) * | 2023-03-22 | 2023-06-30 | 山东大学 | 一种海洋藻类生长污染协整预测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| LI XIAO HAI ET AL: "The application of factor analysis to evaluate deforming behaviors of directly compressed powders", 《POWDER TECHNOLOGY》, 31 December 2013 (2013-12-31), pages 47 - 54 * |
| 杜若飞 等: "基于神经网络算法的中药制剂处方流动性预测模型研究", 《世界科学技术-中医药现代化》, no. 4, 20 April 2016 (2016-04-20), pages 67 - 75 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117093956B (zh) | 2024-02-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lehoux et al. | The five-factor structure of the PANSS: a critical review of its consistency across studies | |
| CN109753684A (zh) | 一种用于变电站能耗基准修正的多元线性回归建模方法 | |
| US7739064B1 (en) | Inline clustered defect reduction | |
| Chen et al. | Effect of rice kernel thickness on degree of milling and associated optical measurements | |
| CN117093956B (zh) | 干混成品振实密度预测方法及装置 | |
| CN108694023A (zh) | 一种马歇尔试件稳定度和流值的测试方法 | |
| El-Sayed et al. | Analysis of grain size statistic and particle size distribution of biomass powders | |
| Chaloupkova et al. | Sieve analysis of biomass: accurate method for determination of particle size distribution | |
| JP6852537B2 (ja) | 穀物処理設備及び穀物処理方法 | |
| Hopkins et al. | Cluster alignments and ellipticities in ΛCDM cosmology | |
| US20180060280A1 (en) | Nonparametric method for measuring clustered level of time rank in binary data | |
| Watts et al. | Stress relaxation of alfalfa under constant displacement | |
| Sahli et al. | Ab initio molecular dynamics simulation of self-interstitial diffusion in silicon | |
| CN109840314A (zh) | 一种装备维修费用估算方法 | |
| O Aziz | A study on fleece characterization of Hamadani sheep in Erbil plain | |
| Chattopadhyay et al. | Performance of neural networks for predicting yarn properties using principal component analysis | |
| Bohnhoff et al. | Physical properties of Upper Midwest US-grown hybrid hazelnuts | |
| Ćwiklińska et al. | Nonparametric methods in the analysis of the quality of kernel of selected winter wheat cultivars | |
| Senthilkumar et al. | Construction and selection of repetitive deferred variables sampling (RDVS) plan indexed by quality levels | |
| Zawislak et al. | The analysis of mixing degree of granular products with the use of microtracers | |
| Botlhoko et al. | Application of RhoVol information for coal washability analysis | |
| GonzÁLez et al. | Bayesian acceptance sampling plans following economic criteria: an application to paper pulp manufacturing | |
| Bigorgne et al. | Investigation of softwood fracture criteria at the mesoscopic scale | |
| JPH0429988B2 (zh) | ||
| CN102323194A (zh) | 一种聚合物多元醇粒度的检测方法 |
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 |