謝玉球，時(shí)　曉，周二干，王　東，劉　亮（江蘇洋河酒廠股份有限公司，江蘇宿遷223800）

?

基于物聯(lián)網(wǎng)技術(shù)的窖池智能監(jiān)測(cè)系統(tǒng)在濃香型白酒固態(tài)發(fā)酵中的應(yīng)用

謝玉球，時(shí)曉，周二干，王東，劉亮
（江蘇洋河酒廠股份有限公司，江蘇宿遷223800）

摘要：溫度是影響酒醅發(fā)酵的重要因素，酒醅溫度的變化是由環(huán)境溫度（主要是地溫）和窖池微生物生長(zhǎng)代謝共同作用的結(jié)果［1］。利用基于物聯(lián)網(wǎng)技術(shù)的窖池智能監(jiān)測(cè)系統(tǒng)對(duì)濃香型白酒窖內(nèi)不同空間位置的溫度進(jìn)行多排次跟蹤監(jiān)測(cè)，繪制變化曲線，并擬合出數(shù)學(xué)模型。結(jié)果表明，各排窖內(nèi)溫度變化曲線基本符合傳統(tǒng)經(jīng)驗(yàn)［2］；使用MATLAB軟件分析數(shù)據(jù)，采用高斯八階函數(shù)曲線模型擬合原始溫度數(shù)據(jù)的效果較好，與各排次以及層次的原始數(shù)據(jù)都非常接近。

關(guān)鍵詞：物聯(lián)網(wǎng)技術(shù)；數(shù)字化窖池管控系統(tǒng)；濃香型酒醅發(fā)酵；發(fā)酵溫度；高斯擬合；發(fā)酵模型

優(yōu)先數(shù)字出版時(shí)間：2016-04-25；地址：http：//www.cnki.net/kcms/detail/52.1051.TS.20160425.1006.003.html。

酒醅發(fā)酵過程具有強(qiáng)非線性、時(shí)變性和相關(guān)性，要實(shí)現(xiàn)對(duì)發(fā)酵過程的進(jìn)一步優(yōu)化和控制，必須獲得足夠的發(fā)酵過程信息，但其中很多重要生化變量通常無法在線測(cè)量，且沒有準(zhǔn)確的機(jī)理模型可參考利用［3］。因此，準(zhǔn)確及時(shí)地獲得酒醅發(fā)酵信息，對(duì)確保當(dāng)前生產(chǎn)穩(wěn)定、優(yōu)化生產(chǎn)工藝具有極其重要的意義。

酒醅發(fā)酵過程主要包括主發(fā)酵期、生酸期、產(chǎn)香味期三大階段，通過建立單一的全局模型來描述其發(fā)酵過程的難度較大。因此，本研究主要考慮在不同發(fā)酵周期中主發(fā)酵期時(shí)段的發(fā)酵溫度變化趨勢(shì)，以便構(gòu)造更合理的數(shù)學(xué)模型。

本研究使用基于ZigBee無線傳輸技術(shù)的智能化窖池檢測(cè)系統(tǒng)，其具有安裝簡(jiǎn)便、低功耗、可靠性高、安全性好的特點(diǎn)，可實(shí)時(shí)動(dòng)態(tài)監(jiān)測(cè)酒醅發(fā)酵狀況。

1材料與方法

1.1材料

洋河酒廠濃香窖池：選擇釀酒車間各小組中，產(chǎn)質(zhì)量最好、最穩(wěn)定的小組為研究對(duì)象，共計(jì)90口窖池。

1.2實(shí)驗(yàn)工具

無線測(cè)溫儀：北京旗碩公司數(shù)字化窖池管控系統(tǒng)。

測(cè)溫裝置整體結(jié)構(gòu)見圖1［4］，由MCU、測(cè)溫模塊等五大模塊構(gòu)成。電源模塊用于給系統(tǒng)供電，測(cè)量模塊可自動(dòng)監(jiān)測(cè)窖池內(nèi)3種不同深度的溫度值，在裝置顯示模塊（LCD）顯示，并通過基于ZigBee技術(shù)的通訊模塊將數(shù)據(jù)發(fā)送到局域網(wǎng)服務(wù)器上，降低了人工測(cè)量時(shí)的主觀誤差，增強(qiáng)數(shù)據(jù)的準(zhǔn)確性。該種無線傳感器網(wǎng)絡(luò)可以通過在網(wǎng)路中添加中轉(zhuǎn)路由進(jìn)行無限擴(kuò)展，進(jìn)而實(shí)現(xiàn)近程和遠(yuǎn)程監(jiān)測(cè)的目的［4］。

圖1　　 MCU模塊

圖2　　數(shù)字化窖池管控系統(tǒng)結(jié)構(gòu)

整套系統(tǒng)（圖2）其特點(diǎn)如下：

（1）簡(jiǎn)安裝。安裝簡(jiǎn)易，現(xiàn)場(chǎng)布控難度較低。

（2）低功耗：ZigBee的發(fā)射功率僅為10 mW，其依靠2節(jié)5號(hào)電池即可維持長(zhǎng)達(dá)6～24個(gè)月的使用時(shí)間。

（3）低成本：ZigBee模塊的成本在1.5～2.5美元，且無專利使用費(fèi)。

（4）短時(shí)延：通信及休眠激活時(shí)延非常短，典型的搜索設(shè)備時(shí)延30 ms、休眠激活時(shí)延15 ms、活動(dòng)設(shè)備信道接入時(shí)延15 ms。

（5）大容量：一個(gè)星型結(jié)構(gòu)的Zigbee網(wǎng)絡(luò)最多可容納254個(gè)從設(shè)備和一個(gè)主設(shè)備，整個(gè)網(wǎng)絡(luò)最大容量為65535個(gè)節(jié)點(diǎn)。

（6）可靠：采取碰撞避免策略，預(yù)留固定帶寬通信業(yè)務(wù)的專用時(shí)隙，有效避免發(fā)送數(shù)據(jù)的競(jìng)爭(zhēng)和沖突。MAC層采用完全確認(rèn)的數(shù)據(jù)傳輸模式，每個(gè)數(shù)據(jù)包必須等待接收方的確認(rèn)信息，在傳輸過程中出現(xiàn)問題時(shí)可重發(fā)。

（7）安全：提供基于循環(huán)冗余校驗(yàn)（CRC）的數(shù)據(jù)包完整性檢查功能，支持鑒權(quán)和認(rèn)證，采用AES-128的加密算法。

1.3實(shí)驗(yàn)方法

利用數(shù)字化窖池管控系統(tǒng)實(shí)時(shí)收集窖內(nèi)酒醅發(fā)酵溫度數(shù)據(jù)，并匯總統(tǒng)計(jì)。探頭對(duì)窖池正常測(cè)溫區(qū)域（距窖池側(cè)壁30 cm左右）的上層（距窖頂0.5 m深處）、中層（距窖頂1.3 m深處）、下層（距窖頂1.6 m深處）共3個(gè)點(diǎn)的酒醅溫度進(jìn)行實(shí)時(shí)監(jiān)測(cè)，從封窖開始直到落火為止。

1.4數(shù)據(jù)分析

利用MINITAB軟件對(duì)數(shù)據(jù)進(jìn)行原始數(shù)據(jù)測(cè)繪，再使用MATLAB軟件對(duì)收集數(shù)據(jù)進(jìn)行擬合分析。

2結(jié)果與分析

2.1各排次酒醅發(fā)酵溫度數(shù)據(jù)收集

按復(fù)工一排、二排、壓窖一排3個(gè)排次，測(cè)量時(shí)監(jiān)控上中下3個(gè)層面的發(fā)酵溫度變化。每排次收集30個(gè)池口共計(jì)30 d的發(fā)酵溫度數(shù)據(jù)，對(duì)每天所測(cè)溫度數(shù)據(jù)取平均值后進(jìn)行分析。

2.1.1復(fù)工一排池口各層溫度變化分析

表1　復(fù)工一排池口各層溫度統(tǒng)計(jì)?。ā妫?/p>

由表1可知，下層酒醅平均入池溫度18.5℃，頂火溫度31.0℃，頂火時(shí)間10 d，升溫幅度12.5℃，占火時(shí)間11 d；中層酒醅平均入池溫度21.5℃，頂火溫度32.3℃，頂火時(shí)間10 d，升溫幅度10.8℃，占火時(shí)間10 d；上層酒醅平均入池溫度28.2℃，發(fā)酵8 d溫度降至25.5℃，下降幅度2.7℃，發(fā)酵16 d溫度再升至27.4℃，隨后發(fā)酵溫度逐漸下降（圖3）。

2.1.2二排池口各層溫度變化分析

由表2可知，下層酒醅平均入池溫度17.6℃，頂火溫度28.5℃，頂火時(shí)間12 d，升溫幅度10.9℃，占火時(shí)間9 d；中層酒醅平均入池溫度22.3℃，頂火溫度26.4℃，頂火時(shí)間11 d，升溫幅度4.1℃，占火時(shí)間8 d；上層酒醅平均入池溫度32.1℃，發(fā)酵9 d，發(fā)酵溫度降至24.2℃，下降幅度7.9℃，發(fā)酵16 d溫度再升至26.2℃，隨后發(fā)酵溫度逐漸下降（圖4）。

圖3　復(fù)工一排各層次發(fā)酵溫度變化曲線

發(fā)酵時(shí)間（d）1 2 3 4 5 6 7 8 9 1 0 11 12 13 14 15下層溫度17.6 17.9 18.3 18.9 20.5 22.5 24.3 25.8 26.9 27.7 28.2 28.5 28.5 28.5 28.5中層溫度22.3 23.1 24.0 24.7 25.3 25.6 25.9 26.1 26.3 26.3 26.4 26.4 26.3 26.3 26.2上層溫度32.1 29.6 28.1 27.0 26.1 25.4 24.7 24.4 24.2 24.4 24.7 24.9 25.3 25.7 26.0發(fā)酵時(shí)間（d）16 17 18 19 20 21 22 23 24 25 26 27 28 29 30下層溫度28.6 28.3 28.0 27.8 27.7 27.5 27.4 26.9 26.5 26.3 26.1 25.8 25.6 25.5 25.3中層溫度26.1 26.0 25.7 25.2 25.0 24.7 24.7 24.5 24.4 24.2 24.1 23.8 23.5 23.2 23.0上層溫度26.2 26.1 25.9 25.3 24.2 23.7 23.0 22.4 22.1 21.8 21.6 21.3 21.2 21.1 21.0

圖4　二排各層次發(fā)酵溫度變化曲線

表2二排池口各層溫度統(tǒng)計(jì)（℃）2.1.3壓窖一排池口各層溫度變化分析

由表3可知，下層酒醅入池溫度18.7℃，頂火溫度31.5℃，頂火時(shí)間8 d，升溫幅度12.8℃，占火時(shí)間12 d；中層酒醅入池溫度24.0℃，頂火溫度31.2℃，頂火時(shí)間10 d，升溫幅度8.2℃，占火時(shí)間10 d；上層酒醅入池溫度34.2℃，發(fā)酵6 d溫度降到27.1℃，下降幅度7.1℃，發(fā)酵10 d溫度再升至30.2℃，隨后發(fā)酵溫度逐漸下降（圖5）。

2.2使用MATLAB軟件分析排次發(fā)酵溫度擬合曲線

對(duì)各排次窖池的各層酒醅發(fā)酵溫度變化曲線使用MATLAB軟件進(jìn)行了高斯擬合。結(jié)果發(fā)現(xiàn)，與原始數(shù)據(jù)繪圖對(duì)比，符合度較好，高斯曲線模型對(duì)數(shù)據(jù)擬合效果非常好，各層溫度均滿足高斯方程（圖6、圖7、圖8），只是具體參數(shù)有所不同。

表3　壓窖一排池口各層溫度統(tǒng)計(jì)

圖5　壓窖一排各層次發(fā)酵溫度變化曲線

圖6　復(fù)工一排各層發(fā)酵溫度高斯曲線擬合結(jié)果

限于文章篇幅，此處只列出壓窖一排中層酒醅溫度曲線的高斯方程如下：

General model Gauss8：

f（x）=a1×exp｛-［（x-b1）/c1］2｝+a2×exp｛-［（x-b2）/c2］2｝+ a3×exp｛-［（x-b3）/c3］2｝+a4×exp｛-［（x-b4）/c4］2｝+a5×exp｛-［（x-b5）/c5］2｝+a6×exp｛-［（x-b6）/c6］2｝+a7×exp｛-［（x-b7）/ c7］2｝+a8×exp｛-［（x-b8）/c8］2｝

圖7　二排各層發(fā)酵溫度高斯曲線擬合結(jié)果

圖8　壓窖一排各層發(fā)酵溫度高斯曲線擬合結(jié)果

Coefficients（with 95%confidence bounds）：

a1=32.300（-5.633，35.88），b1=11.000（-12.31，15.36），c1 = 2.282（-0.816，3.2）；

a2=31.334（4.679，40.821），b2 =16.000（-10.235，94），c2=1.907（-2.156，3.758）；

a3= 30.268（-12.312，58.924），b3 =21.000（-98.215，102.31），c3=2.094（1.021，15.236）；

a4= 29.099（14.561，82.547），b4 = 26.000（17.546，29.687），c4=4.061（-0.213，9.875）；

a5= 29.034（12.258，254.21），b5 = 6.000（1.023，98.215），c5=1.062（-5.879，13.564）；

a6= 24.925（18.579，69.524），b6 = 8.000（0.952，109.152），c6=1.475（1.025，98.121）；

a7= 24.744（-9.568，94.259），b7 = 4.000（-100.23，56.231），c7=1.565（-12.589，47.861）；

a8=28.536（15.684，159.948），b8 = 12.000（-10.236，99.548），c8=2.314（1.236，213.65）；

Goodness of fit：

SSE：35.42

R-square：0.4009

Adjusted R-square：0.001609

RMSE：4.165

3　討論

3.1溫度參數(shù)對(duì)發(fā)酵過程的重要性

傳統(tǒng)白酒固態(tài)發(fā)酵是一個(gè)多菌種協(xié)同發(fā)酵過程［5］，微生物的種類和數(shù)量都處在動(dòng)態(tài)變化中。由于客觀條件的限制，很難連續(xù)地測(cè)定實(shí)際生產(chǎn)發(fā)酵過程中微生物的種類和數(shù)量變化。但每一種微生物都有其適宜的生長(zhǎng)溫度范圍，如酵母菌的最適溫度為28～30℃、細(xì)菌的最適溫度為35～37℃，因此發(fā)酵過程中的溫度變化，必然會(huì)影響發(fā)酵微生物種類和數(shù)量，從而影響固態(tài)白酒的產(chǎn)、質(zhì)量。濃香型白酒固態(tài)發(fā)酵為實(shí)現(xiàn)產(chǎn)質(zhì)量最大化，發(fā)酵過程溫度變化要求前緩、中挺、后緩落。

為了解實(shí)際生產(chǎn)中酒醅的溫度變化情況，通常采用溫度計(jì)插入窖池內(nèi)的方式，測(cè)量酒醅發(fā)酵過程中的溫度變化。但這種方式有三大弊端，一是測(cè)量范圍有限，只能測(cè)量窖池內(nèi)某點(diǎn)的溫度，無法反映發(fā)酵過程中不同部位的升溫變化；二是無法連續(xù)記錄，并存在主觀測(cè)量誤差；三是破壞發(fā)酵環(huán)境，測(cè)量時(shí)會(huì)破壞酒醅發(fā)酵的厭氧環(huán)境。因此必須采用合適的溫度監(jiān)控系統(tǒng)，連續(xù)記錄生產(chǎn)中的酒醅發(fā)酵過程，通過分析溫度的變化情況，揭示白酒固態(tài)發(fā)酵溫度變化與產(chǎn)量和質(zhì)量之間的關(guān)系，為不同季節(jié)釀酒工藝及時(shí)合理地調(diào)整提供了科學(xué)的依據(jù)［6］。

但白酒行業(yè)中的技術(shù)應(yīng)用及進(jìn)步相對(duì)遲緩，信息化、自動(dòng)化水平不高。根據(jù)白酒行業(yè)的“十二五”規(guī)劃，用現(xiàn)代化技術(shù)改造白酒工藝過程中各生產(chǎn)單元的傳統(tǒng)操作模式，徹底將白酒生產(chǎn)從手工勞動(dòng)生產(chǎn)方式中解脫出來，全面提高企業(yè)生產(chǎn)效益；加強(qiáng)科研開發(fā)，在原料處理加工、原酒儲(chǔ)存、勾兌調(diào)配、產(chǎn)品包裝等工段已經(jīng)向機(jī)械化、大型化、計(jì)算機(jī)輔助控制等方面發(fā)展的基礎(chǔ)上，爭(zhēng)取在發(fā)酵、蒸餾機(jī)理和裝備上取得突破性進(jìn)步，促進(jìn)白酒企業(yè)整體向機(jī)械化、自動(dòng)化、現(xiàn)代化發(fā)展［7］。物聯(lián)網(wǎng)的崛起和推廣應(yīng)用極大地促進(jìn)了工業(yè)信息化進(jìn)程，為精確測(cè)量、精細(xì)生產(chǎn)、信息無縫共享、高效管理提供了強(qiáng)有力的手段，使之成為可能。在目前的技術(shù)背景下，高效利用基于Zig-Bee技術(shù)的智能化窖池管控系統(tǒng)，使24小時(shí)多點(diǎn)在線監(jiān)控酒醅發(fā)酵成為可能。

3.2溫度數(shù)據(jù)的數(shù)字化采集

基于物聯(lián)網(wǎng)的白酒固態(tài)釀造工藝數(shù)字化綜合管控系統(tǒng)包括了智能感知、信息采集與傳輸、智能控制、生產(chǎn)過程數(shù)字化管理、生產(chǎn)過程智能決策。涵蓋了制曲、發(fā)酵、釀造、蒸餾、鑒定分級(jí)等原酒生產(chǎn)環(huán)節(jié)。

整個(gè)數(shù)據(jù)采集包括：①數(shù)據(jù)自動(dòng)采集和人工錄入；②全過程的數(shù)字化管理系統(tǒng)；③基于云計(jì)算技術(shù)的白酒發(fā)酵生產(chǎn)過程智能決策系統(tǒng)。

共收集90個(gè)池口上中下層溫度，共計(jì)270個(gè)測(cè)溫點(diǎn)。

3.3溫度數(shù)據(jù)的分析

經(jīng)MINITAB軟件取平均值進(jìn)行分析，得出各排次、層次發(fā)酵溫度平均值，并進(jìn)行繪圖，發(fā)現(xiàn)各排次的底層發(fā)酵溫度曲線走勢(shì)符合“前緩、中挺、后緩落”的傳統(tǒng)經(jīng)驗(yàn)。

經(jīng)MATLAB軟件分析，對(duì)各層發(fā)酵溫度平均值進(jìn)行高斯方程曲線擬合，發(fā)現(xiàn)高斯函數(shù)對(duì)溫度數(shù)據(jù)的擬合效果較好，而且隨著次數(shù)的升高，擬合程度越好，與原始數(shù)據(jù)非常接近。

3.4對(duì)濃香型各排次、各層次發(fā)酵模型的探索

經(jīng)統(tǒng)計(jì)分析，匯總各排次發(fā)酵溫度數(shù)據(jù)后發(fā)現(xiàn)：

下層酒醅發(fā)酵模型符合“前緩、中挺、后緩落”的發(fā)酵趨勢(shì)，這與傳統(tǒng)經(jīng)驗(yàn)是高度契合的。

中層酒醅發(fā)酵模型符合“前緩、中挺、后緩落”的發(fā)酵趨勢(shì)，這與其酒醅構(gòu)成、工藝操作是一一對(duì)應(yīng)的。

上層酒醅發(fā)酵模型符合“先急落、后快升、再緩降”的發(fā)酵趨勢(shì)，這與整個(gè)上層酒醅的發(fā)酵環(huán)境、酒醅構(gòu)成是高度契合的。

由于酒醅發(fā)酵受外界多種環(huán)境影響因子的影響，理論上說擬合的曲線只是最大程度的逼近原始數(shù)據(jù)，因此可能存在更好的數(shù)學(xué)模型適合濃香型窖池發(fā)酵的溫度變化趨勢(shì)。并且由于不同季節(jié)、不同窖池、不同操作等的差異，因此本文的溫度模型公式也有其局限性。

基于數(shù)字化窖池管控系統(tǒng)的實(shí)時(shí)監(jiān)測(cè)特性，工作人員一方面可根據(jù)發(fā)酵溫度的變化，及時(shí)、準(zhǔn)確地微調(diào)工藝參數(shù)，確保酒醅發(fā)酵順利，維持釀酒生產(chǎn)的穩(wěn)定高效；另一方面在大數(shù)據(jù)支持的基礎(chǔ)上，不斷健全、完善白酒發(fā)酵溫度模型。

參考文獻(xiàn)：

［1］周新虎，陳翔，楊勇，等.濃香型白酒窖內(nèi)參數(shù)變化規(guī)律及相關(guān)性研究（Ⅱ）溫度及其數(shù)學(xué)模型［J］.釀酒科技，2012（5）：44-46.

［2］黃治國(guó)，羅惠波，程鐵轅，等.酒醅發(fā)酵過程中溫度變化曲線的實(shí)時(shí)檢測(cè)及其數(shù)學(xué)模型建立［J］.釀酒科技，2008（10）：20-25.

［3］王貴成.智能控制理論在發(fā)酵過程中的應(yīng)用研究［D］.沈陽：東北大學(xué)，2006.

［4］趙殿臣，翟順，王衛(wèi)紅，等.基于ZigBee的白酒廠窖池?zé)o線測(cè)溫裝置［J］.釀酒科技，2011（7）：60-63.

［5］樊偉偉，黃惠華.固態(tài)發(fā)酵數(shù)學(xué)模型研究進(jìn)展［J］.釀酒科技，2007（5）：81-84.

［6］周慶伍.白酒固態(tài)發(fā)酵溫度變化與產(chǎn)、質(zhì)量關(guān)系的研究［J］.釀酒，2008（6）：62-64.

［7］任玉杰.探索白酒有益成分持續(xù)提升產(chǎn)品質(zhì)量［J］.釀酒，2007 （5）：12-13.

中圖分類號(hào)：TS262.3；3TS261.4；TP27

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1001-9286（2016）05-0075-05

收稿日期：2016-02-24

作者簡(jiǎn)介：謝玉球（1957-），男，高級(jí)經(jīng)濟(jì)師，高級(jí)工程師，高級(jí)評(píng)酒師，中國(guó)白酒專家組成員，國(guó)家白酒評(píng)委，江蘇洋河酒廠股份有限公司總工藝師。

Application of Internet-of-Things-Based Intelligent Pits Monitoring System in Solid Fermentation of Nongxiang Baijiu

XIE Yuqiu，SHI Xiao，ZHOU Ergan，WANG Dong and LIU Liang
（Yanghe Distillery Co. Ltd.，Suqian，Jiangsu 223800，China）

Abstract：Temperature is an important factor influencing the fermentation of fermented grains. The change of fermented grains temperature is determined by ambient temperature（mainly ground temperature）and microbial growth and metabolism in pits. Internet-of-things-based intelligent pits monitoring system had been applied for tracking and monitoring of the temperature at different spatial location in pits for multiple production rounds. Then the changing curves were drawn and the relative fitting mathematical models were obtained. The results showed that，temperature changing curves in pit in each production round were almost in line with traditional experience，and data analysis by MATLAB software proved Gaussian eight-order function curve model for the fitting of original temperature data was the best choice（very close to the original data in each production round/ at different spatial location）.

Key words：internet of things；digital pits control system；Nongxiang fermented grains；fermentation temperature；Gaussian fitting；fermentation model