李時(shí)初，徐保國(guó)，于　泉(.紹興女兒紅釀酒有限公司，浙江紹興335；.江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院，江蘇無錫4)

?

黃酒釀造過程的智能控制系統(tǒng)

李時(shí)初1，徐保國(guó)2，于泉2
(1.紹興女兒紅釀酒有限公司，浙江紹興312352；2.江南大學(xué)物聯(lián)網(wǎng)工程學(xué)院，江蘇無錫214122)

摘要：黃酒釀造過程中大多采用人工操作的半機(jī)械化生產(chǎn)方式，自動(dòng)化程度低和批次穩(wěn)定性差，針對(duì)黃酒發(fā)酵過程的智能控制理論的研究基本處于空白狀態(tài)的情況，在已經(jīng)建立的黃酒釀造過程計(jì)算機(jī)控制系統(tǒng)的基礎(chǔ)上，基于數(shù)據(jù)驅(qū)動(dòng)技術(shù)、實(shí)時(shí)學(xué)習(xí)、高斯混合模型及貝葉斯推斷等相關(guān)理論，針對(duì)發(fā)酵過程的不同階段，利用已采集的大量生產(chǎn)過程信息，結(jié)合多模型技術(shù)，建立相應(yīng)的高斯過程回歸局部模型，并對(duì)相關(guān)參數(shù)進(jìn)行估計(jì)，實(shí)現(xiàn)關(guān)鍵變量的自適應(yīng)在線軟測(cè)量；通過改進(jìn)型迭代學(xué)習(xí)控制算法，逐漸跟蹤設(shè)定的工藝軌線，建立批次方向上的控制量迭代學(xué)習(xí)率，實(shí)現(xiàn)設(shè)定軌線的快速跟蹤，最終實(shí)現(xiàn)多模型融合輸出和優(yōu)化控制，提升了黃酒企業(yè)的兩化融合深度，推進(jìn)了黃酒釀造的智能控制與優(yōu)化、產(chǎn)品質(zhì)量和批次穩(wěn)定性的提升，具有重要的理論意義和應(yīng)用價(jià)值。

關(guān)鍵詞：黃酒；智能控制；數(shù)據(jù)驅(qū)動(dòng)；自適應(yīng)；軟測(cè)量；迭代學(xué)習(xí)率

黃酒作為我國(guó)所特有的古老酒種，不僅具有佐餐、烹飪和保健功能，并且還有悠久的歷史底蘊(yùn)，享有“液體蛋糕”“東方名酒之冠”“酒中之國(guó)粹”的美譽(yù)。從2009年開始，浙江古越龍山紹興黃酒有限責(zé)任公司、紹興女兒紅等眾多黃酒生產(chǎn)骨干企業(yè)和江南大學(xué)本課題組合作，以擴(kuò)大生產(chǎn)能力和減輕工人勞動(dòng)強(qiáng)度為目的，在國(guó)內(nèi)首次研究并實(shí)現(xiàn)了黃酒主體生產(chǎn)過程的機(jī)械化和自動(dòng)化。根據(jù)近幾年運(yùn)行情況看，由于其操作自動(dòng)化及部分智能化，提高了產(chǎn)品質(zhì)量，大大降低了人工勞動(dòng)強(qiáng)度，受到企業(yè)與職工的歡迎。目前，先進(jìn)的自動(dòng)化、信息化、網(wǎng)絡(luò)化和智能化生產(chǎn)是我國(guó)黃酒釀造工業(yè)實(shí)現(xiàn)可持續(xù)發(fā)展的必由之路。

根據(jù)建立模型的方法不同可將數(shù)學(xué)模型分為3種類型：機(jī)理模型(完全知道內(nèi)部動(dòng)力學(xué)變化的白箱模型，例如代謝流分析(MFA)[1]，流量平衡分析(FBA)以及生化系統(tǒng)理論分析)[2-3]、數(shù)據(jù)驅(qū)動(dòng)模型(如統(tǒng)計(jì)模型以及基于人工神經(jīng)網(wǎng)絡(luò)的黑箱模型，不需要知道內(nèi)部的變化，但需要大量數(shù)據(jù)提高模型性能)[4-5]和機(jī)理數(shù)據(jù)混合的“灰箱”模型(只需要知道主要反應(yīng)及適量實(shí)驗(yàn)數(shù)據(jù)即可)[6-12]。

近二十幾年來，基于數(shù)據(jù)驅(qū)動(dòng)的建模算法不需要了解整個(gè)過程的內(nèi)部機(jī)理也不需要建立復(fù)雜的機(jī)理模型，只需要收集日常過程中的運(yùn)行數(shù)據(jù)，即充分地挖掘整個(gè)過程中的有價(jià)值的信息，由于這種建模算法代價(jià)低，可實(shí)現(xiàn)性比較強(qiáng)，逐漸形成了學(xué)術(shù)界研究熱潮[13]。隨著計(jì)算機(jī)技術(shù)、自動(dòng)化技術(shù)、現(xiàn)代測(cè)量等技術(shù)的快速發(fā)展，現(xiàn)代生物發(fā)酵過程逐步裝備了先進(jìn)的傳感器和儀器儀表，積累的數(shù)據(jù)也越來越多，包含的過程運(yùn)行信息也越來越多，這些都為生物發(fā)酵過程中數(shù)據(jù)驅(qū)動(dòng)建模方法的應(yīng)用研究提供了有利條件。

國(guó)內(nèi)外學(xué)者在本領(lǐng)域的一些研究情況，如PetrK等對(duì)比了基于機(jī)理模型的軟測(cè)量技術(shù)和基于數(shù)據(jù)驅(qū)動(dòng)軟測(cè)量技術(shù)，指出了數(shù)據(jù)驅(qū)動(dòng)的建模算法的極大優(yōu)勢(shì)，以及在各行業(yè)的廣泛應(yīng)用[14]。Zamprogna等[15]在發(fā)酵過程中，利用主成分分析法提取該相關(guān)矩陣屬性，用關(guān)鍵的輔助變量作為整個(gè)模型的輸入變量，建立了蒸餾過程的軟傳感器。Jain等[16]采用支持向量回歸技術(shù)，建立間歇蒸餾過程模型。劉毅等[17]針對(duì)生化過程的非線性和復(fù)雜動(dòng)態(tài)性，采用最小二乘支持向量機(jī)建模算法，建立了青霉素產(chǎn)物濃度、菌體濃度等發(fā)酵過程重要參數(shù)的在線預(yù)報(bào)模型。王福利等[18]針對(duì)發(fā)酵過程存在未知的時(shí)滯性特性問題，提出了基于主元分析法的優(yōu)化建模方法。近幾年，隨著高斯過程回歸能夠基于相似準(zhǔn)則建立局部模型，作為一種非參數(shù)概率模型，該模型不僅可以給出預(yù)測(cè)值，還可以得到預(yù)測(cè)值對(duì)模型的信任度，因此也用于一些復(fù)雜工業(yè)過程的建模中[19-23]。其中，劉毅等[23]利用高斯過程回歸建立了一種化工過程的在線軟測(cè)量模型，并通過對(duì)比分析，得到的模型精度高于常規(guī)的最小二乘支持向量機(jī)等方法。

黃酒發(fā)酵過程是一種典型的間歇分階段、大滯后、非線性、時(shí)變的復(fù)雜生化過程，所以一些非線性建模方法的研究成果一般無法直接應(yīng)用。為了提高其發(fā)酵過程控制的性能，必須對(duì)黃酒大罐發(fā)酵工藝進(jìn)行深入分析，研究發(fā)酵動(dòng)力學(xué)模型、基于數(shù)據(jù)和知識(shí)的軟測(cè)量模型是實(shí)現(xiàn)黃酒發(fā)酵過程控制與優(yōu)化的關(guān)鍵。

由于黃酒是我國(guó)所特有的區(qū)域性酒種，加上其發(fā)酵工藝的特殊與復(fù)雜性，目前鮮有學(xué)者對(duì)黃酒發(fā)酵過程的建模進(jìn)行研究。已有的報(bào)道主要集中在對(duì)黃酒發(fā)酵過程中各種環(huán)境變量變化對(duì)黃酒質(zhì)量有何影響的少量報(bào)道，如趙梅等[24]對(duì)黃酒發(fā)酵過程及其關(guān)鍵點(diǎn)控制進(jìn)行了分析研究，簡(jiǎn)要分析了發(fā)酵過程中各種物質(zhì)的變化，分析了各階段的溫度變化及其對(duì)黃酒中各成分變化的影響。魏桃英[25]對(duì)黃酒發(fā)酵中溫度及pH值的影響進(jìn)行了研究，找出了黃酒發(fā)酵中淀粉糖化及酵母生長(zhǎng)的合適溫度。趙梅等[26]分析了黃酒發(fā)酵過程中某些時(shí)間點(diǎn)的糖類數(shù)據(jù)，研究了從一糖到四糖的動(dòng)態(tài)變化。雖然以上研究先后涉及到了糖化與發(fā)酵過程，但是這些研究所取得的數(shù)據(jù)點(diǎn)非常離散，遠(yuǎn)遠(yuǎn)達(dá)不到建立模型的需求，也就是說對(duì)于黃酒發(fā)酵的實(shí)際過程目前并沒有大量數(shù)據(jù)可供使用，同時(shí)對(duì)該過程的了解不是很充分，由于發(fā)酵機(jī)理較復(fù)雜,在一定程度上，黃酒發(fā)酵的建模研究基本上處于空白狀態(tài)。

本研究面向黃酒釀造工業(yè)的具體需求，針對(duì)黃酒釀造和發(fā)酵過程控制中的基本問題，綜合運(yùn)用大數(shù)據(jù)、物聯(lián)網(wǎng)等新一代信息技術(shù)，研究并構(gòu)建黃酒釀造過程的智能優(yōu)化控制系統(tǒng)；針對(duì)黃酒釀造工藝中的雙邊發(fā)酵特點(diǎn)，建立在物料平衡和能量平衡等生化反應(yīng)規(guī)律基礎(chǔ)上的發(fā)酵動(dòng)力學(xué)模型；以高斯過程回歸、高斯混合模型、實(shí)時(shí)學(xué)習(xí)思想和貝葉斯推斷理論，結(jié)合多模型技術(shù)，實(shí)現(xiàn)黃酒發(fā)酵關(guān)鍵變量的自適應(yīng)在線軟測(cè)量及控制；最后結(jié)合黃酒發(fā)酵間歇控制的特點(diǎn)，通過構(gòu)建改進(jìn)的復(fù)合型迭代學(xué)習(xí)算法，逐漸跟蹤設(shè)定的工藝軌線，建立批次方向上的控制量迭代學(xué)習(xí)率，最終實(shí)現(xiàn)發(fā)酵過程的智能優(yōu)化控制。

1　系統(tǒng)設(shè)計(jì)

采用理論與實(shí)驗(yàn)相結(jié)合的研究方法和技術(shù)路線，以實(shí)際需求為驅(qū)動(dòng)，研究黃酒釀造過程的智能控制系統(tǒng)的構(gòu)建，并使其中的關(guān)鍵技術(shù)、實(shí)際系統(tǒng)設(shè)計(jì)等研究工作相輔相成?？傮w設(shè)計(jì)見圖1。

圖1　系統(tǒng)設(shè)計(jì)結(jié)構(gòu)圖

1.1在數(shù)據(jù)驅(qū)動(dòng)下建立黃酒發(fā)酵過程的新型模型結(jié)構(gòu)

目前存在的生物模型主要是從微觀機(jī)理出發(fā)，建立復(fù)雜的生化機(jī)理模型，其模型結(jié)構(gòu)比較復(fù)雜，不能直接應(yīng)用于控制研究。而目前存在的控制模型又因?yàn)槿狈Ρ匾臋C(jī)理研究而僅處于理論層面，與實(shí)際發(fā)酵過程缺乏聯(lián)系。

本研究擬通過對(duì)生物模型和控制模型的理論分析，結(jié)合發(fā)酵過程的實(shí)際環(huán)境因素以及微生物生長(zhǎng)的呼吸熵，在發(fā)酵過程動(dòng)力學(xué)模型中加入能量動(dòng)態(tài)變化的平衡方程，同時(shí)考慮環(huán)境因素中的熱傳遞方程，建立包含發(fā)酵過程機(jī)理以及主要控制因素的適合于控制系統(tǒng)研究的新型模型。本項(xiàng)目黃酒發(fā)酵動(dòng)力學(xué)建模的技術(shù)路線見圖2。

圖2　發(fā)酵過程建模流程圖

發(fā)酵過程的一般動(dòng)力學(xué)模型較少考慮發(fā)酵過程中的能量變化，以及環(huán)境因素對(duì)發(fā)酵過程帶來的影響。本研究擬通過考慮在傳統(tǒng)的動(dòng)力學(xué)模型變量x中加入能量變化量q，通過考慮呼吸熵以及主要環(huán)境因素等變量，通過能量變化與溫度之間的關(guān)系加入輸出參數(shù)溫度Tw，從而建立適合于發(fā)酵過程的新型模型=f(x(t),t,x(0),u,v,b)， y=g(x(t),t,w,x)，其中：x為狀態(tài)向量，u為控制輸入向量，v為擾動(dòng)向量，w為測(cè)量誤差向量，b為系統(tǒng)參數(shù)矩陣，y為輸出向量。基于所建模型，進(jìn)行理論分析并通過簡(jiǎn)單實(shí)驗(yàn)驗(yàn)證對(duì)模型中相關(guān)次要變量進(jìn)行簡(jiǎn)化，得出與之等價(jià)的提升系統(tǒng)模型。

在發(fā)酵過程的提升模型y(kT + tj) =u(kT+ti)中，這類輸入輸出數(shù)據(jù){u(kT+ti),y(kT+ti),(i=0,1,2L,r-1；j=0,1,2L,s-1),k=0,1,2L, N}，由于不能在線快速測(cè)量的關(guān)鍵變量采樣周期較長(zhǎng)，因此存在某些不可測(cè)得的非均勻采樣輸出y(kT+ti)，因此不能直接進(jìn)行模型參數(shù)向量的估計(jì)。

對(duì)于該問題，本項(xiàng)目擬利用遞階辨識(shí)原理，將傳統(tǒng)的傳遞函數(shù)模型辨識(shí)方法推廣用于發(fā)酵過程非均勻采樣系統(tǒng)的新型傳遞函數(shù)模型辨識(shí)，改變采樣周期，使其達(dá)到輸入與輸出同步的效果，并基于已知的數(shù)據(jù)辨識(shí)得到參數(shù)向量b。然后基于提出的新模型，利用辨識(shí)得到的參數(shù)向量b計(jì)算不可測(cè)量的損失輸出數(shù)據(jù)y(kT+ti)，利用該交互估計(jì)的方法將實(shí)現(xiàn)模型的辨識(shí)。

為了進(jìn)一步分析模型的有效性，需要對(duì)模型與數(shù)值之間的誤差分布情況進(jìn)行更加詳細(xì)的分析。本研究擬利用隨機(jī)過程理論，采用游程檢驗(yàn)分析模型殘差的隨機(jī)分布情況，進(jìn)而驗(yàn)證模型的有效性。在此檢驗(yàn)中，用n1記錄模型殘差為正數(shù)的情況，用n2記錄模型殘差為負(fù)數(shù)的情況，用r記錄模型殘差在該狀態(tài)變量模擬過程中符號(hào)的變化次數(shù)。r的分布應(yīng)該服從正態(tài)分布。Brownlee定義變量r的均值和方差為：

1.2基于實(shí)時(shí)學(xué)習(xí)的高斯過程回歸多模型融合建模

黃酒釀造過程中的非線性、多階段性和不同的局部動(dòng)態(tài)特性，常常對(duì)產(chǎn)品質(zhì)量的控制產(chǎn)生很大的影響。傳統(tǒng)的全局單一模型往往忽略了這些特征，導(dǎo)致軟測(cè)量模型的預(yù)測(cè)性能降低。為了改善這種狀況，擬采用一種在線不斷更新的多模型策略。該方法用高斯混合模型對(duì)過程的不同階段進(jìn)行辨識(shí)，并采用一種自適應(yīng)實(shí)時(shí)學(xué)習(xí)方法，不斷更新所建立的高斯過程回歸模型。當(dāng)新的數(shù)據(jù)到來時(shí)，在每個(gè)不同的階段，基于歐式距離和角度原則選擇部分相似的數(shù)據(jù)，用于建立局部的高斯過程回歸(Gaussian Process Regression, GPR )模型。最終根據(jù)計(jì)算得到的新數(shù)據(jù)隸屬于每個(gè)不同階段的后驗(yàn)概率，對(duì)局部模型進(jìn)行融合輸出。與傳統(tǒng)的單個(gè)模型相比，這種實(shí)時(shí)學(xué)習(xí)軟測(cè)量模型的結(jié)構(gòu)更加靈活，而且能更好地跟蹤過程的動(dòng)態(tài)。

對(duì)于任意一個(gè)給定的輸入，利用GPR模型可以得到關(guān)于對(duì)應(yīng)輸出的一個(gè)高斯分布。給定訓(xùn)練樣本集X∈RD×N和y∈RN，其中X={xi∈RD}i=1L N，y={yi∈R}i=1L N分別代表D維的輸入和輸出數(shù)據(jù)。輸入和輸出之間的關(guān)系由公式(2)產(chǎn)生：

對(duì)于一個(gè)新的輸入x*，相應(yīng)的概率預(yù)測(cè)輸出y*也滿足高斯分布，其均值和方差如式(3)和(4)所示：

式中：c(x*)=[c(x*,x1),…,c(x*,xn)]T是訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)之間的協(xié)方差矩陣；C=Σ+σ2nI是訓(xùn)練數(shù)據(jù)之間的協(xié)方差矩陣，I是N×N維的單位矩陣；c(x*,x*)是測(cè)試數(shù)據(jù)的自協(xié)方差。選擇的高斯協(xié)方差函數(shù)如公式(5)：

式中：v為控制協(xié)方差的量度，ωd代表每個(gè)成分xd的相對(duì)重要性。

對(duì)式(5)中的未知參數(shù)v,ω1,L,ωD和高斯噪聲方差σ2n的估計(jì),一般最簡(jiǎn)單的方法就是通過極大似然估計(jì)得到參數(shù)θ=[v,σ2n,ω1,L,ωD]。

對(duì)于多模型建模理論，數(shù)據(jù)的聚類分析是影響建模精度的重要因素之一，高斯混合模型是處理無監(jiān)督學(xué)習(xí)的一種常用方法，本研究中將采用高斯混合模型作為對(duì)黃酒發(fā)酵過程數(shù)據(jù)分階段的方法。在高斯混合模型中多階段過程的數(shù)據(jù)X∈Rn×m的概率密度函數(shù)可以表示為：

θGM={μ1Lμk,σ12,L,σ2k,π1,L,πk}是高斯混合模型的參數(shù)，其中μk、σ2k和πk分別代表第k個(gè)高斯成分的均值、協(xié)方差和權(quán)值。同時(shí)，參數(shù)πk滿足πk=1和0≤πk≤1。

假設(shè)訓(xùn)練樣本X={xi∈Rm}i=1Ln是獨(dú)立同分布的，高斯混合模型的參數(shù)可以通過極大化如公式(8)所示的似然函數(shù)獲得：

通過期望最大化算法估計(jì)模型的參數(shù)，根據(jù)估計(jì)得到的高斯混合模型的參數(shù)，對(duì)于新的輸入x*，其關(guān)于每個(gè)高斯成分的后驗(yàn)概率可以通過式(9)求得：

一種基于實(shí)時(shí)學(xué)習(xí)(just-in-time learning，JITL)的方法能夠很好地處理過程的時(shí)變性和非線性。與傳統(tǒng)方法所建立的全局模型不同，JITL方法所建立的模型具有局部動(dòng)態(tài)結(jié)構(gòu)。傳統(tǒng)的全局模型是離線建立的，而基于JITL方法的局部模型是在線建立的，該模型能夠更好地跟蹤過程當(dāng)前的狀態(tài)。同時(shí)，由于JITL建立的是局部模型，因此它能更好地處理過程的非線性?；谶@些優(yōu)點(diǎn)，本研究選擇JITL方法對(duì)模型進(jìn)行動(dòng)態(tài)更新?；贘ITL 和GPR的多模型建模過程見圖3。

圖3　基于JITL和GPR的多模型建模過程

1.3黃酒發(fā)酵過程的迭代學(xué)習(xí)控制算法

黃酒發(fā)酵過程是屬于間歇批次控制，用迭代學(xué)習(xí)控制方法可適應(yīng)上述的控制特點(diǎn)，通過引進(jìn)學(xué)習(xí)機(jī)制，不斷地積累溫度這一被控變量的信息，在線完成控制器的設(shè)計(jì)和改進(jìn)，即把在線的學(xué)習(xí)、控制與控制系統(tǒng)性能改善的功能綜合在一個(gè)算法里，通過發(fā)酵過程批次間的不斷重復(fù)加以實(shí)現(xiàn)。

利用神經(jīng)網(wǎng)絡(luò)對(duì)任意非線性映射的理想逼近能力，研究一種基于ANNs的迭代學(xué)習(xí)控制算法，使控制系統(tǒng)具有更強(qiáng)的適應(yīng)性和魯棒性。該算法通過神經(jīng)網(wǎng)絡(luò)優(yōu)化對(duì)控制器參數(shù)進(jìn)行約束和優(yōu)化求解，基本思想是：在每一次迭代學(xué)習(xí)過程中，利用迭代學(xué)習(xí)控制在線地學(xué)習(xí)被控對(duì)象的特性，使得在一定的控制輸入下被控對(duì)象的輸出良好地跟蹤期望輸出，并且利用BP神經(jīng)網(wǎng)絡(luò)來優(yōu)化PID型迭代學(xué)習(xí)律的增益，在每一次的迭代學(xué)習(xí)過程之后，利用神經(jīng)網(wǎng)絡(luò)對(duì)當(dāng)次輸出的數(shù)據(jù)進(jìn)行優(yōu)化計(jì)算，找出本次最優(yōu)的學(xué)習(xí)增益并替換原來的學(xué)習(xí)增益，使得學(xué)習(xí)算法獲得更快的學(xué)習(xí)速率，在更少的迭代次數(shù)下達(dá)到控制性能的要求。

基于神經(jīng)網(wǎng)絡(luò)的迭代學(xué)習(xí)控制系統(tǒng)見圖4，主要由兩部分組成：

(1)迭代學(xué)習(xí)控制器：選用PID型學(xué)習(xí)律的控制器，其中：

式中，uk(t)、yd(t)、yk(t)分別為控制輸入、期望輸出和實(shí)際輸出，ek(t)為輸出誤差，控制器的3個(gè)可調(diào)參數(shù)kp、ki、kd通過神經(jīng)網(wǎng)絡(luò)離線調(diào)整。

(2)神經(jīng)網(wǎng)絡(luò)：采用BP算法，通過梯度下降法調(diào)整權(quán)值系數(shù)，將系統(tǒng)誤差性能指標(biāo)進(jìn)行優(yōu)化。網(wǎng)絡(luò)以不同時(shí)刻輸出誤差為輸入層神經(jīng)元的輸入，輸出層神經(jīng)元的輸出對(duì)應(yīng)迭代控制器的kp、ki、kd。根據(jù)系統(tǒng)的運(yùn)行狀態(tài)，調(diào)節(jié)控制器參數(shù)，以加快學(xué)習(xí)速率，減少迭代次數(shù)，使輸出軌跡能盡快準(zhǔn)確跟蹤期望軌跡。

2　結(jié)論

圖4　基于神經(jīng)網(wǎng)絡(luò)的迭代學(xué)習(xí)控制結(jié)構(gòu)圖

針對(duì)黃酒釀造工藝中的雙邊發(fā)酵特點(diǎn)，以高斯過程回歸、高斯混合模型、實(shí)時(shí)學(xué)習(xí)思想和貝葉斯推斷理論，結(jié)合多模型技術(shù)，實(shí)現(xiàn)黃酒發(fā)酵關(guān)鍵變量的自適應(yīng)在線軟測(cè)量及控制；本研究對(duì)于提升黃酒企業(yè)的自動(dòng)化和信息化融合深度，實(shí)現(xiàn)黃酒發(fā)酵過程的智能優(yōu)化控制、產(chǎn)品質(zhì)量和批次穩(wěn)定性的提升，具有重要的理論意義和應(yīng)用價(jià)值。

參考文獻(xiàn)：

[1] Wiechert W. 13C metabolic flux analysis[J]. Metabolic Engineering, 2001, 3 (3):195-206.

[2] Kauffman K J, Prakash P, Edwards J S.Advances in flux balance analysis[J]. Current Opinion in Biotechnology, 2003, 14 (5)：491-496.

[3] Curto R, Sorribas A, Cascante M. Comparative characterization of the fermentation pathway of Saccharomyces cerevisiae using biochemical systems theory and metabolic control analysis: Model definition and nomenclature[J]. Mathematical Biosciences, 1995, 130(1)：25-50.

[4] Jeyamkondan S, Jayas D S, Holley RA. Microbial growth modelling with artificial neural networks[J]. International Journal of Food Microbiology, 2001, 64(3)：343-354.

[5] Pugh GA. Synthetic neural networks for process control[J]. Computers & Industrial Engineering, 1989, 17(1-4)：24-26.

[6] Kroumov AD, Módenes AN, Tait M C DA. Development of new unstructured model for simultaneous saccharification and fermentation of starch to ethanol by recombinant strain[J]. Biochemical Engineering Journal, 2006, 28(3)：243-255.

[7] Jones K D, Kompala D S. Cybernetic model of the growth dynamics of Saccharomyces cerevisiae in batch and continuous cultures[J]. Journal of Biotechnology, 1999,71(1-3)：105-131.

[8] Ramakrishna R, Ramkrishna D, Konopka AE. Cybernetic modeling of growth in mixed, substitutable substrate environments: Preferential and simultaneous utilization[J]. Biotechnology and Bioengineering,1996,52(1)：141-151.

[9] Shen J,Agblevor F. The operable modeling of simultaneous saccharification and fermentation of ethanol production from cellulose[J].Applied Biochemistry and Biotechnology, 2010, 160(3)：665-681.

[10] Ko J, Su W J, Chien I L, et al. Dynamic modeling and analyses of simultaneous saccharification and fermentation process to produce bio-ethanol from rice straw[J]. Bioprocess and Biosystems Engineering, 2010, 33(2)：195-205.

[11] Mishima K, Mimura A, Takahara Y, et al. On-line monitoring of cell concentrations by dielectric measurements[J]. Journal of Fermentation and Bioengineering, 1991, 72(4)：291-295.

[12]史仲平,潘豐.發(fā)酵過程解析、控制與檢測(cè)技術(shù)[M].北京：北京化工出版社, 2005.

[13] Kadlec P, GrbiR, Gabrys B. Review of adaptation mechanisms for data-driven soft sensors[J]. Computers and Chemical Engineering, 2011, 35(1)：1-24.

[14] Petr K, Bogdan G, Sibylle S. Data-driven soft sensors in the process industry[J]. Computers and Chemical Engineering, 2009, 33(4)：795-814.

[15] Zamprogna E, Barolo M, Seborg D E. Optimal selection of soft sensor inputs for batch distillation columns using principal component analysis[J]. Journal of Process Control, 2005, 15(1)：39-52.

[16] Jain P, Rahman I, Kulkarni B D. Development of a soft sensor for a batch distillation column using support vector regression techniques[J]. Chemical Engineering Research and Design, 2007, 85(2)：283-287.

[17]劉毅,王海清.采用最小二乘支持向量機(jī)的青霉素發(fā)酵過程建模研究[J].生物工程學(xué)報(bào), 2006, 22(1)：144-148.

[18]賈明興,王福利,何大闊,等.時(shí)滯多變量系統(tǒng)PCA優(yōu)化建模[J].控制與決策, 2007, 22(6)：777-780.

[19] Desai K, Badhe Y, Tambe S S, et al. Soft-sensor development for fed-batch bioreactors using support vector regression[J]. Biochemical Engineering Journal, 2006, 27(3)：225-239.

[20] Yu J.ABayesian inference based two-stage support vector regression framework for soft sensor development in batch bioprocesse[J]. Computers & Chemical Engineering, 2012, 41(5)：134-144.

[21] Ge Z Q, Chen T, Song Z H. Quality prediction for polypropylene production process based on CLGPR model[J]. Control Engineering Practice, 2011, 19(5)：423-432.

[22] Liu Y, Chen J. Integrated soft sensor using just-in-time support vector regression and probabilistic analysis for quality prediction of multi-grade processes[J]. Journal of Process Control, 2013, 23(6)：793-804.

[23] Liu Y, Chen T, Chen J.Auto-switch gaussian process regression-based probabilistic soft sensors for industrial multi-grade processes with transitions[J]. Ind Eng Chem Res, 2015,54：5037-5047.

[24]趙梅,冷云偉,李鵬.黃酒發(fā)酵過程分析及關(guān)鍵點(diǎn)的控制[J].江蘇調(diào)味副食品, 2009, 26 (5)：30-34.

[25]魏桃英.關(guān)于黃酒發(fā)酵過程中pH的探討[J].釀酒科技, 2005 (3)：78-79.

[26]趙梅,冷云偉,葉輝,等.黃酒大罐發(fā)酵及其過程的糖代謝研究[J].釀酒, 2010, 37(2)：58-61.

Intelligent Control System in Yellow Rice Wine Production

LI Shichu1,XU Baoguo2and YU Quan2
(1.Shaoxing Nverhong Wine Co.Ltd,Shaoxing,Zhejiang 312352; 2.School of Internet of Things Engineering, Jiangnan University,Wuxi,Jiangsu 214122,China)

Abstract:Semi-mechanized production mode is the mainstream in yellow rice wine production. It has the disadvantages such as low automation level and poor quality stability among different production turns. Besides, the research on the intelligent control theories about yellow rice wine fermentation is rare. In this study, in view of different stages in yellow rice wine fermentation, on the basis of the related theories such as data driven technology, real time learning, Gauss mixture model and Bayesian inference etc., the corresponding local model of Gauss process regression was established using the collected large amount of production data, the relevant parameters were estimated, and adaptive online soft measurement of key variables were set up. Through the improved iterative learning control algorithm and gradual tracking of the setted technical trajectory, the iterative learning rate of batch direction control was established which could realize fast tracking of the setted orbits. Finally, multi-model fusion output and optimal control were achieved which promoted the intelligent control and optimization of product quality and stability of yellow rice wine. Such system was of important theoretical significance and application value.

Key words:yellow rice wine; intelligent control; data driven; adaptive; soft measurement; iterative learning rate

通訊作者：于泉(1990-)，男，碩士研究生，研究方向：無線傳感器網(wǎng)絡(luò)。

作者簡(jiǎn)介：李時(shí)初(1986-),男，浙江杭州人，大學(xué)本科，主要研究方向：釀酒控制系統(tǒng)；徐保國(guó)(1951-)，男，教授，研究方向：無線傳感器網(wǎng)絡(luò)，現(xiàn)場(chǎng)總線，計(jì)算機(jī)系統(tǒng)。

收稿日期：2015-11-05

基金項(xiàng)目：江蘇省研究生培養(yǎng)創(chuàng)新工程項(xiàng)目(CXZZ11_0465)；江南大學(xué)博士研究生科學(xué)研究基金項(xiàng)目(JUDCF11003)。

DOI：10.13746/j.njkj.2015424

中圖分類號(hào)：TS262.4；TS261.4；TP27

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1001-9286（2016）03-0091-05

優(yōu)先數(shù)字出版時(shí)間：2015-12-28；地址：http://www.cnki.net/kcms/detail/52.1051.TS.20151228.1443.005.html。