KR20200046193A

KR20200046193A - 막걸리 품질센서

Info

Publication number: KR20200046193A
Application number: KR1020180125595A
Authority: KR
Inventors: 김준용
Original assignee: 주식회사 지농
Priority date: 2018-10-20
Filing date: 2018-10-20
Publication date: 2020-05-07

Abstract

막걸리의 담금과정은 환경과 날씨의 영향을 많이 받는 것이어서, 막걸리 양조에 노하우가 있는 기술자가 온도와 습도 등을 조절하며, 생산하여왔다. 그렇기 때문에 막걸리의 알코올농도와 산도 등이 일정하지 않은 문제가 있어왔다. 본 발명은 상기와 같은 문제를 해결하기 위하여, 막걸리의 초기조건과 환경조건을 이용하여 막걸리 담금 탱크에서 발효되는 막걸리의 품질을 예측하는 막걸리 품질 예측장치를 제공한다. 상기와 같은 막걸리 품질 예측장치의 제공으로 기존에 인간의 경험적인 요소에 의하여 운영되는 막걸리 양조장의 막걸리 담금 방법을 빅데이터를 이용하여 학습시킨 인공신경회로망 제어기를 사용함으로써 보다 정확한 품질을 관리할 수 있는 수단을 제공하였다.

Description

막걸리 품질센서{.}

막걸리의 발효과정을 모니터링 하는 기술에 관한 발명이다.

본 발명 이전의 선행기술로는 막걸리 품질 예측 분광분석 방법에 관한 것으로, 근적외선 분광기를 통해 막걸리의 투과 스펙트럼을 획득하고, 막걸리 품질인자의 예측 모델을 선정해서 발효조에서 발효되는 막걸리의 품질을 예측하며, 예측 결과를 이용해서 막걸리 발효 모니터링 시스템의 성능을 평가하고, 상기 품질인자는 알코올 함량, 환원당 함량 및 유기산에 의해 결정되는 적정산도 중에서 하나 이상을 포함하는 구성을 마련하여, 발효 중인 막걸리의 품질인자를 비파괴적으로 신속하게 측정할 수 있는 근적외선 분광분석 방법을 이용해서 품질예측 모델을 선정하고, 이를 통해 발효 중인 막걸리의 알코올 함량, 환원당 함량, 적정산도를 예측하는 발명이 개시되어 있으며,

또 다른 선행기술로는 담금조, 교반기 그리고 냉각 재킷을 포함하여 이루어지는 막걸리 제조장치에서 담금조의 내측으로는 막걸리 원료가 투입되면, 교반기는 담금조에 구비되어 투입된 막걸리 원료를 저속교반하고, 냉각 재킷은 담금조의 외측면에 밀착 구비되고, 담금조를 1차 냉각시킴으로써 2차로 담금조에 투입된 막걸리 원료의 온도를 낮추는 제조 장치를 제공한다.

등록특허공보 10-1605995 등록특허공보 10-1401650

막걸리의 담금 과정은 환경과 날씨의 영향을 많이 받는 것이어서, 막걸리 양조에 노하우가 있는 기술자가 온도와 습도 등을 조절하며, 생산하여왔다. 그렇기 때문에 막걸리의 알코올농도와 산도 등이 일정하지 않은 문제가 있어왔다.

본 발명은 상기와 같은 문제를 해결하기 위하여,

막걸리의 초기조건과 환경조건을 이용하여 막걸리 담금 탱크에서 발효되는 막걸리의 품질을 예측하는 막걸리 품질 예측장치를 제공한다.

또한, 본 발명은

학습된 인공신경회로망 막걸리 품질예측 제어기(100); 및

상기 막걸리 품질예측 제어기에 입력되는 막걸리 초기조건(200); 및

상기 막걸리 품질예측 제어기에 입력되는 막걸리 발효실 온도, 막걸리 담금 탱크 온도, 발효실 적산온도, 막걸리 담금 탱크 적산온도를 포함하는 환경변수 측정데이터; 및

상기 환경변수 측정데이터와 상기 막걸리 품질예측 제어기에서 출력되는 막걸리 품질예측값 및 막걸리 품질 실측값을 저장하는 상기 학습된 인공신경회로망의 인공신경망노드의 새로운 학습을 위한 DB를 포함하는 것을 특징으로 하는 막걸리 품질 예측장치를 제공한다.

또한, 본 발명은

학습된 인공신경망노드(110)를 포함하는 학습된 인공신경회로망 막걸리 품질예측 제어기(100); 및

상기 막걸리 발효실 온도, 막걸리 담금 탱크 온도, 발효실 적산온도, 막걸리 담금 탱크 적산온도를 포함하는 환경변수의 미래 예측 값을 생성하여 상기 학습된 인공신경회로망 막걸리 품질예측 제어기에 입력하여 예측된 환경변수에 따라 변화되는 미래의 막걸리 품질을 예측하도록 하는 미래 환경예측 모델(600); 및

상기 환경변수 측정데이터와 상기 막걸리 품질예측 제어기에서 출력되는 막걸리 품질예측값 및 막걸리 품질 실측값 및 상기 미래 환경예측 모델에서 예측된 환경변수 값을 저장하는 상기 학습된 인공신경회로망의 인공신경망노드의 새로운 학습을 위한 DB; 및

상기 DB에 저장된 데이터의 양에 따라 상기 학습된 인공신경망노드(110)를 추가 학습할 것인지 판단하는 인공신경망노드 학습조건 충족 판단기(500)를 포함하는 것을 특징으로 하는 막걸리 품질 예측장치를 제공한다.

또한, 본 발명은

상기 막걸리 발효실 온도, 막걸리 담금 탱크 온도, 발효실 적산온도, 막걸리 담금 탱크 적산온도를 포함하는 환경변수를 히터 및 냉각기로 제어하여 막걸리의 품질을 제어하는 제어장치의 온도프로파일을 생성하는 온도제어프로파일 생성기(700); 및

상기 환경변수 측정데이터와 상기 막걸리 품질예측 제어기에서 출력되는 막걸리 품질예측값 및 막걸리 품질 실측값 및 상기 온도제어프로파일 생성기에서 생성된 온도제어프로파일 값을 저장하는 상기 학습된 인공신경회로망의 인공신경망노드의 새로운 학습을 위한 DB; 및

본 발명은 상기와 같은 구성에 의하여 기존에 인간의 경험적인 요소에 의하여 운영되는 막걸리 양조장의 담금 방법을 빅데이터를 이용하여 학습시킨 인공신경회로망 제어기를 사용함으로써 보다 정확한 품질을 관리할 수 있는 수단을 제공하였다.

도 1 본 발명의 독립변수와 종속변수의 상관관계분석 그래프
도 2 본 발명의 학습된 인공신경회로망을 이용하여 원료별
막걸리 품질 예측결과
도 3 본 발명의 기존의 환경데이터를 이용한 막걸리 품질 예측결과
도 4 본 발명의 미래 환경예측 모델을 적용한 막걸리 품질 예측결과
도 5 본 발명의 학습된 인공신경회로망을 이용한 막걸리 품질 예측 장치
도 6 본 발명의 미래 환경예측 모델과 학습업데이트를 적용한
막걸리 품질 예측 장치
도 7 본 발명의 온도제어프로파일과 학습업데이트를 적용한 막걸리 품질 예측 장치

막걸리는 전분질 원료(발아 곡류 제외)와 국(麴), 식물성 원료, 물 등을 원료로 하여 발효시킨 술덧을 혼탁하게 제성한 것 또는 제성 과정에 탄산가스 등을 첨가한 것을 말한다. 막걸리는 쌀을 원료로 하는 전통주로 누룩곰팡이의 효소에 의해서 당화가 이루어지고 분해된 당은 효모에 의해 알코올로 전환되는 병행 복발효주로, 담금 후에도 누룩 미생물에 의한 지속적인 효소 작용으로 다량의 당분, 아미노산 및 유기산 등의 맛 성분과 효모, 젖산균 등의 미생물에 의한 알코올 발효로 휘발성 성분들이 생성된다.

막걸리의 품질은 알코올, ph, 총산, 휘발산, 총당 등의 일반적인 품질 특성과 유기산, 유리당, 향기 성분, 미량 알코올 성분 등의 미량 성분에 의하여 결정되며, 이러한 요인들은 전분질 원료, 발효 조건, 누룩 및 효모와 같은 발효제의 종류, 저장 조건에 따라 크게 달라진다. 이중 알코올은 막걸리의 보존성이나 향미에 영향을 주는 성분으로 알코올 발효가 진행됨에 따라 함량이 증가한다.

현재 (막걸리 발효과정에서) 알코올 농도는 정기적으로 샘플을 수집하여 공장 내 연구실에서 수집된 샘플을 증류하여 측정하고 있다. 알코올 센서를 가지고 있는 업체도 있으나 센서의 가격이 수 천만 원 대로 비싸고, 맥주 등 서양 주류에 특화되어 있어 막걸리에 적용하는데 문제가 있어왔다.

막걸리 제조에서 발효과정을 담금이라고 하는데, 보통 2단 담금을 사용한다. 1단 담금은 상대적으로 적은 물량을 사용하여 발효를 위한 균을 생성하는 단계이고, 2단 담금은 목표치의 막걸리 생산량을 얻기 위해 많은 양을 물을 추가적으로 공급하여 발효하는 단계이다. 전체 담금 기간은 약 일주일 정도소요 된다.

1. 담금 과정에서 반응열이 많이 발생하게 되고, 발효를 위한 균이 활동하기 좋은 온도에서 알코올 생성이 잘 이루어지기 때문에 담금 시, 막걸리를 담는 탱크의 온도를 조절하는 것이 중요하다. 온도가 너무 낮으면 균의 활동성이 줄어들고, 온도가 너무 높으면 좋지 않은 균의 활동이 늘어 막걸리가 상하게 된다.

즉, 담금 시의 막걸리 탱크 온도가 알코올 생성의 중요한 기준이 된다.

2. 알코올 농도는 2단 담금 기간 중 약 10%에서 시작해서 16% 정도로 증가하게 된다. 여기서 원재료 및 1단 담금의 상황에 따라서 시작점의 위치가 달라지고, 담금 과정 중의 발효조 역할을 하는 탱크의 온도에 따라서 종료 점의 위치가 달라진다고 할 수 있다.

3. 이러한 정보를 바탕으로 독립변수가 될 수 있는 변수들을 정리하였다.

3.1 우선, 원재료의 특성을 나타내는 변수로 원재료의 산도, 함수율, 역가를 사용량을 기준으로 환산하여 사용하였다.

3.2 막걸리 발효과정은 온도에 영향을 받기 때문에 막걸리 담금 탱크의 온도와 발효실의 온도를 측정하였다.

3.3 또한 알코올 생성량은 반응열의 적산 값과 유사할 것으로 판단하여 담금 탱크 온도의 적산량도 계산하여 사용하였다.

3.4 그 외 반응시간, 탱크 번호(탱크 위치) 등도 사용하였다.

본 발명의 막걸리 담금 과정에서의 독립변수의 약어는 하기와 같다.

tm : 시간

dt : 탱크온도

tk : 탱크번호

fqual : 최초 측정 값

(연구실에서 샘플로 알코올 농도를 측정한 값 중 가장 처음 값)

titer : 원재료의 역가

aci : 원재료의 산도

wt : 원재료의 함수율

acct : 탱크온도의 적산

rt : 발효실 온도

difft : 탱크온도와 발효실 온도의 차

dacct : 탱크온도와 발효실 온도 차의 적산

acl : 알코올 농도(종속변수)

dacl : 알코올 농도의 변화량(종속변수)

상기 독립변수와 종속변수간의 상관관계를 분석한 것이 도 1이다.

도 1의 기재로부터 탱크온도와 발효실 온도의 적산 값이 종속변수인 알코올농도 및 알코올농도 변화량과 높은 상관관계를 보여주고 있다.

본 발명에 사용된 적산온도 계산방법은 15℃ 이상의 탱크온도와 발효실 온도를 기준으로 적산온도를 계산하였다.

본 발명의 인공신경망회로를 이용한 학습모델은 알코올 농도를 종속변수로 사용하였으며, 독립변수는 tm : 시간, dt : 탱크온도, tk : 탱크번호, fqual : 최초 측정 값 (연구실에서 샘플로 알코올 농도를 측정한 값 중 가장 처음 값), titer : 원재료의 역가. aci : 원재료의 산도, wt : 원재료의 함수율, acct : 탱크온도의 적산, rt : 발효실 온도, difft : 탱크온도와 발효실 온도의 차, dacct : 탱크온도와 발효실 온도 차의 적산을 모두 사용하였다.

상기 인공신경망회로의 학습은 scikit-learn 이라는 파이썬 라이브러리 중 MLPRegressor 를 사용해서 수행했고, 레이어 및 뉴런 수, 알고리즘, 활성화 함수 등을 조합하여 약 10 만여 가지의 조합으로 학습을 수행하여 결과를 비교하였다.

막걸리 담금 방법의 인공신경회로망 학습에 사용된 데이터는 1년 동안의 수집된 데이터를 사용하였다.

상기 10만여 가지의 학습 수행결과 많은 인공신경회로망 모델이 R^2 = 0.9 이상의 결과를 보였고, 상기 R^2 값이 높은 모델 중 검증을 통하여 과도학습(과학습, 오버피팅, Over fitting)이 이루어지지 않은 모델을 선정하여 사용하였다.

도 2의 그래프는 2개 종류의 원재료(101, 102) 를 각각 3개, 4개의 탱크에서 담금 하였을 때, 시간에 따른 알코올 농도의 변화를 어떻게 예측하는지 보여주고 있는 그래프이다. 원재료에 따라서 알코올 농도가 구분되어 나타나는 것을 확인할 수 있다.

지금 현재 개발한 모델은 초기 조건과 환경조건이 주어졌을 때 알코올농도를 담금 시간에 따라 예측하는 모델이다.

즉, 초기조건에 대하여 미래의 변화되는 환경조건이 주어졌을 때 변화되는 알코올농도를 예측하는 인공신경회로망 모델의 개발이 본 발명의 최종 목표이다.

이를 위하여 본 발명에서 상기 예측모델을 만들면서 알게 된 사실을 이용하였다.

즉, 상기 예측 인공신경망회로 모델의 개발결과 fqual(연구실에서 샘플로 알코올 농도를 측정한 값 중 가장 처음 값) 이 사용되는 경우와 사용되지 않는 경우가 큰 차이를 보였으며, 사용한 경우가 매우 정확했다. 즉, fqual 변수를 사용하는 것은 담금 초기와 담금 후 첫 샘플링 이후로 구분하여 모델을 사용한 경우를 의미한다.

본 활용시스템에서는 fqual 값이 존재하는 경우와 존재하지 않는 경우로 구분하여 인공신경회로망 모델을 사용하였다.

이러한 이유로 담금 초기에는 대략적인 수준의 예측을 수행하고, 첫 샘플링(fqual) 이후에 좀 더 정확한 예측을 수행하는 방식을 사용하였다.

본 연구에서 개발된 인공신경회로망 예측모델은 학습에 사용된 데이터에 따라, 다른 성능을 보인다. 따라서, 개개의 막걸리 담금 조건에 따라 추가 생성되는 데이터를 이용하여 상기 인공신경회로망 예측모델의 추가적인 재학습이 필요하다.

이를 위한 상기 인공신경회로망의 학습의 기준을 선정하였다. 즉, 데이터양을 기준으로 새로운 데이터가 1% 이상 추가되면 상기 인공신경회로망을 재학습 시킨다.

또는 기간을 기준으로 분기별로 축적된 데이터로 재학습하는 방법이 사용될 수 있다.

또한, 인공신경회로망 학습의 종료 조건은 일반적으로 계속적인 학습에 의하여서도 인공신경망을 이류는 연결강도의 변화가 없는 경우에 종료하는 것이 일반적이지만, 연결강도의 변화가 있더라도, 학습결과가 원하는 방향으로 이루어지지 않는 경우 중단할 수 있다.

또한, 본 발명의 인공신경회로망의 모델 선정기준은 하기와 같다.

1. 학습모델과 테스트모델의 점수가 기준 점수(0.85) 보다 높아야 한다.

2. (1- (두 모델의 점수의 평균)) + (두 모델의 점수 차) 를 계산한다.

3. 상기 값 중 최솟값을 갖는 모델을 선정한다.

4.기존에 활용하던 모델이 있는 경우 신규 모델과 상기 전체 점수를 계산하여 더 좋은 모델을 선정한다.

이렇게 선정된 인공신경회로망 모델을 현장에서 사용하여 막걸리의 최적 담음 제어를 실행하기 위해서는, 현재의 상태에서 미래의 정보를 인공신경회로망에 입력하여 다음 단계의 막걸리 담금 결과를 예측할 수 있어야 한다.

이를 위하여 본 발명에서는 미래의 환경정보를 제공하는 2가지 방법과 직접 미래 품질 정보를 예측하는 방법을 하기와 같이 적용하였다.

첫 번째 방법은 막걸리 담금 탱크의 온도를 어떻게 제어할지 온도제어 프로파일을 결정하면, 그 담금 탱크 온도 제어 프로파일로부터 막걸리의 미래 품질을 예측하여 상기 온도제어 프로파일을 수정하여 최적의 막걸리 담금 프로세스를 제어하는 방법을 사용한다. 이때 상기 온도제어 프로파일은 적산온도 모델을 사용하여 생성할 수 있다.

두 번째 방법은 인공신경회로망을 이용하여 발효실의 온도와 담금 탱크의 미래의 환경정보를 예측하고, 이를 상기 개발된 막걸리 담금의 인공신경회로망 모델에 입력하여 막걸리의 미래 품질 정보를 예측하여 최적의 막걸리 담금이 될 수 있도록 상기 미래의 예측된 환경정보를 제어할 수 있다.

상기 발효실과 막걸리 담금 탱크의 미래의 적산온도는 R^2 0.99 수준으로 예측 가능하며, 이를 본 발명에서 개발된 막걸리 담금 인공신경회로망 모델에서 R^2 = 0.93 로 막걸리의 품질을 예측할 수 있다.

도 4는 기존의 환경정보를 사용하여 본 발명의 막걸리 담금 품질 인공신경회로망에 적용한 경우의 막걸리 품질을 예측한 그래프이고,

도 5는 미래의 변화되는 환경정보를 예측 생성하여 본 발명의 막걸리 담금 품질 인공신경회로망에 적용하여 예측한 막걸리 품질 예측 결과이다.

도 4의 예측 결과는 직접 미래 품질을 예측하는 경우 성능이 R^2 = 0.72로 그리 높은 편은 아니다. 도 5의 경우는 R^2 = 0.93 으로 높은 예측 정확도를 보여주고 있다.

본 발명은 상기와 같은 실험 결과로 하기의 발명을 제공한다.

본 발명은 막걸리의 초기조건과 환경조건을 이용하여 막걸리 담금 탱크에서 발효되는 막걸리의 품질을 예측하는 막걸리 품질 예측장치를 제공한다.

또한, 본 발명은

학습된 인공신경회로망 막걸리 품질예측 제어기(100); 및

또한, 본 발명은

상기 막걸리 발효실 온도, 막걸리 담금 탱크 온도, 발효실 적산온도, 막걸리 담금 탱크 적산온도를 포함하는 환경변수의 미래 예측값을 생성하여 상기 학습된 인공신경회로망 막걸리 품질예측 제어기에 입력하여 예측된 환경변수에 따라 변화되는 미래의 막걸리 품질을 예측하도록 하는 미래 환경예측 모델(600); 및

또한, 본 발명은

또한, 상기 온도프로파일 생성기의 시뮬레이션을 통하여, 학습된 인공신경회로망노드를 이용하여 막걸리 초기조건에서의 최고의 품질이 나올 수 있는 온도프로파일을 생성하고, 상기 히터 및 냉각기를 제어하여 막걸리 품질을 향상시킬 수 있는 막걸리 품질 제어장치를 제공한다.

100 : 학습된 인공신경회로망
110 : 인공신경망노드
200 : 막걸리 초기 발효조건(원재료의 산도, 함수율, 역가, fqual)
300 : 측정된 환경변수(시간, 탱크온도, 탱크온도 적산, 발효실 온도)
400 : 새로운 학습을 위한 DB(측정된 환경변수값, 막걸리 초기조건, 예측된 막걸리 품질, 실측된 막걸리 품질)
500 : 인공신경망노드 학습조건 충족 판단기
600 : 미래 환경예측모델
700 : 온도제어프로파일 생성기

Claims

막걸리의 초기조건과 환경조건을 이용하여 막걸리 담금 탱크에서 발효되는 막걸리의 품질을 예측하는 막걸리 품질 예측장치.
학습된 인공신경회로망 막걸리 품질예측 제어기(100); 및
상기 막걸리 품질예측 제어기에 입력되는 막걸리 초기조건(200); 및
상기 막걸리 품질예측 제어기에 입력되는 막걸리 발효실 온도, 막걸리 담금 탱크 온도, 발효실 적산온도, 막걸리 담금 탱크 적산온도를 포함하는 환경변수 측정데이터; 및
상기 환경변수 측정데이터와 상기 막걸리 품질예측 제어기에서 출력되는 막걸리 품질예측값 및 막걸리 품질 실측값을 저장하는 상기 학습된 인공신경회로망의 인공신경망노드의 새로운 학습을 위한 DB를 포함하는 것을 특징으로 하는 막걸리 품질 예측장치.
학습된 인공신경망노드(110)를 포함하는 학습된 인공신경회로망 막걸리 품질예측 제어기(100); 및
상기 막걸리 품질예측 제어기에 입력되는 막걸리 초기조건(200); 및
상기 막걸리 품질예측 제어기에 입력되는 막걸리 발효실 온도, 막걸리 담금 탱크 온도, 발효실 적산온도, 막걸리 담금 탱크 적산온도를 포함하는 환경변수 측정데이터; 및
상기 막걸리 발효실 온도, 막걸리 담금 탱크 온도, 발효실 적산온도, 막걸리 담금 탱크 적산온도를 포함하는 환경변수의 미래 예측값을 생성하여 상기 학습된 인공신경회로망 막걸리 품질예측 제어기에 입력하여 예측된 환경변수에 따라 변화되는 미래의 막걸리 품질을 예측하도록 하는 미래 환경예측 모델(600); 및
상기 환경변수 측정데이터와 상기 막걸리 품질예측 제어기에서 출력되는 막걸리 품질예측값 및 막걸리 품질 실측값 및 상기 미래 환경예측 모델에서 예측된 환경변수 값을 저장하는 상기 학습된 인공신경회로망의 인공신경망노드의 새로운 학습을 위한 DB; 및
상기 DB에 저장된 데이터의 양에 따라 상기 학습된 인공신경망노드(110)를 추가 학습할 것인지 판단하는 인공신경망노드 학습조건 충족 판단기(500)를 포함하는 것을 특징으로 하는 막걸리 품질 예측장치.
학습된 인공신경망노드(110)를 포함하는 학습된 인공신경회로망 막걸리 품질예측 제어기(100); 및
상기 막걸리 품질예측 제어기에 입력되는 막걸리 초기조건(200); 및
상기 막걸리 품질예측 제어기에 입력되는 막걸리 발효실 온도, 막걸리 담금 탱크 온도, 발효실 적산온도, 막걸리 담금 탱크 적산온도를 포함하는 환경변수 측정데이터; 및
상기 막걸리 발효실 온도, 막걸리 담금 탱크 온도, 발효실 적산온도, 막걸리 담금 탱크 적산온도를 포함하는 환경변수를 히터 및 냉각기로 제어하여 막걸리의 품질을 제어하는 제어장치의 온도프로파일을 생성하는 온도제어프로파일 생성기(700); 및
상기 환경변수 측정데이터와 상기 막걸리 품질예측 제어기에서 출력되는 막걸리 품질예측값 및 막걸리 품질 실측값 및 상기 온도제어프로파일 생성기에서 생성된 온도제어프로파일 값을 저장하는 상기 학습된 인공신경회로망의 인공신경망노드의 새로운 학습을 위한 DB; 및
상기 DB에 저장된 데이터의 양에 따라 상기 학습된 인공신경망노드(110)를 추가 학습할 것인지 판단하는 인공신경망노드 학습조건 충족 판단기(500)를 포함하는 것을 특징으로 하는 막걸리 품질 예측장치.