萬 順 ，戴衛(wèi)斌，李 烘，羅 欽，唐伯超，劉振國，高 輝

（1.電子科技大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院，四川成都 611731；2.成都數(shù)之聯(lián)科技有限公司，四川成都 610094；3.宜賓五糧液股份有限公司，四川宜賓 644000；4.中國酒業(yè)協(xié)會，北京 100831）

隨著互聯(lián)網(wǎng)、云計(jì)算、物聯(lián)網(wǎng)等新一代信息技術(shù)與各行各業(yè)的融合創(chuàng)新，大數(shù)據(jù)技術(shù)及應(yīng)用已逐漸成為提升各行各業(yè)生產(chǎn)力、競爭力、創(chuàng)新能力的重要因素。四川是全國著名的白酒生產(chǎn)大省，中國白酒金三角產(chǎn)區(qū)，在互聯(lián)網(wǎng)與大數(shù)據(jù)的浪潮之下，也面臨著如何推動白酒行業(yè)與互聯(lián)網(wǎng)、大數(shù)據(jù)等新一代信息技術(shù)的融合發(fā)展的課題。

目前，酒業(yè)主要還是依托于傳統(tǒng)釀酒工藝，而要實(shí)現(xiàn)白酒生產(chǎn)的優(yōu)產(chǎn)、高產(chǎn)的目標(biāo)，就要立足于傳統(tǒng)的經(jīng)驗(yàn)傳承，走向基于數(shù)據(jù)科學(xué)的分析和優(yōu)化的道路。這就需要更加精準(zhǔn)的獲取各工藝流程的生產(chǎn)參數(shù)，輔以大數(shù)據(jù)分析，根據(jù)不同的基礎(chǔ)條件與關(guān)聯(lián)關(guān)系，實(shí)現(xiàn)各窖池的有效投入，高效產(chǎn)出。釀酒企業(yè)希望的是實(shí)現(xiàn)針對生產(chǎn)過程各影響因素的大數(shù)據(jù)分析，推動關(guān)于白酒釀造密碼的破譯，最終實(shí)現(xiàn)白酒品質(zhì)與產(chǎn)量的雙重提升。

數(shù)據(jù)挖掘已經(jīng)廣泛應(yīng)用于工業(yè)、農(nóng)業(yè)、交通運(yùn)輸及管理、電力電網(wǎng)、醫(yī)學(xué)等各個領(lǐng)域。Rostami等[1]將數(shù)據(jù)挖掘用于質(zhì)量描述，質(zhì)量分類、質(zhì)量預(yù)測和參數(shù)優(yōu)化，使用支持向量機(jī)進(jìn)行質(zhì)量評估。Chien等[2]使用K 均值聚類和決策樹預(yù)測提高半導(dǎo)體的生產(chǎn)合格率。Sim 等[3]使用貝葉斯網(wǎng)絡(luò)分析PCB 板制造中不合格產(chǎn)品的質(zhì)量缺陷緣由。Liu 等[4]使用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行電力能源消耗的時(shí)序分析。Tsai 等[5]使用決策樹和隨機(jī)森林幫助提升顯示材料的合格率。集成學(xué)習(xí)方法如XGboost 和LightGBM 算法與傳統(tǒng)數(shù)據(jù)挖掘算法相比準(zhǔn)確度高，可擴(kuò)展的優(yōu)勢，近年來也被廣泛使用。杜師帥等[6]利用梯度提升樹GBDT 配合近紅外光譜分析技術(shù)進(jìn)行藥品分析鑒別。張鈺等[7]利用XGboost 算法來進(jìn)行滾動軸承故障的診斷。吳紹武等[8]使用LightGBM 算法進(jìn)行血壓檢測。王悅等[9]使用基于LightGBM 的算法進(jìn)行乳腺癌預(yù)測。除此之外，集成學(xué)習(xí)方法還被用于商業(yè)銷售預(yù)測[10]、網(wǎng)絡(luò)輿情預(yù)測[11]、電子商務(wù)產(chǎn)品推薦[12]等方面。

通過對實(shí)際生產(chǎn)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，抽取出與一級酒產(chǎn)量相關(guān)的生產(chǎn)工藝參數(shù)特征，并構(gòu)造出合適的新特征，然后應(yīng)用集成學(xué)習(xí)模型（LightGBM）建立一級酒產(chǎn)量分類預(yù)測模型，再應(yīng)用分類預(yù)測模型獲取更多滿足正交實(shí)驗(yàn)的數(shù)據(jù)，最后利用正交實(shí)驗(yàn)的數(shù)據(jù)來優(yōu)化生產(chǎn)工藝參數(shù)，以指導(dǎo)生產(chǎn)實(shí)踐。

1 數(shù)據(jù)采集與預(yù)處理

1.1 數(shù)據(jù)采集

了解數(shù)據(jù)采集的意義在于真正了解數(shù)據(jù)的原始面貌，包括數(shù)據(jù)的記錄時(shí)間、格式、內(nèi)容、長度等，幫助數(shù)據(jù)分析師更有針對性的控制數(shù)據(jù)生產(chǎn)和采集過程，避免由于違反數(shù)據(jù)采集規(guī)則出現(xiàn)的數(shù)據(jù)問題；同時(shí)，對數(shù)據(jù)采集邏輯的認(rèn)識增加了數(shù)據(jù)分析師對數(shù)據(jù)的業(yè)務(wù)理解程度，尤其是數(shù)據(jù)的異常變化。在數(shù)據(jù)采集階段，數(shù)據(jù)分析師需要更多地了解數(shù)據(jù)生產(chǎn)和采集過程的異常情況，如此才能更好地追朔本源，準(zhǔn)確去除無用的垃圾數(shù)據(jù)。本文的數(shù)據(jù)采集方法以人工為主，由工作人員在紙質(zhì)表格上記錄各項(xiàng)數(shù)據(jù)，再人工轉(zhuǎn)為電子文檔；少部分車間使用了信息化采集手段，可以直接得到釀酒過程的各項(xiàng)數(shù)據(jù)。從多糧濃香型白酒采集到的數(shù)據(jù)特征如下：室內(nèi)溫度、室內(nèi)濕度、糧粉用量、糠殼用量、量水溫度、量水用量、蒸餾開始上甑時(shí)間、蒸餾關(guān)汽出甑時(shí)間、曲粉用量、下曲溫度、入窖溫度、出窖時(shí)間、入窖時(shí)間、一級酒產(chǎn)量、二級酒產(chǎn)量，酸度，黏稠度。

1.2 數(shù)據(jù)預(yù)處理

作為數(shù)據(jù)分析對象，原始數(shù)據(jù)常常包含臟數(shù)據(jù)，臟數(shù)據(jù)一般是指不符合要求，不能直接用于數(shù)據(jù)分析的數(shù)據(jù)，常見的臟數(shù)據(jù)包括：缺失值、異常值、不一致的值等。為得到高質(zhì)量的數(shù)據(jù)分析效果，在進(jìn)行數(shù)據(jù)分析之前，必須對原始數(shù)據(jù)進(jìn)行預(yù)處理。據(jù)統(tǒng)計(jì)，數(shù)據(jù)預(yù)處理要花費(fèi)的時(shí)間占整個數(shù)據(jù)分析的60%。目前對數(shù)據(jù)挖掘的研究主要集中于數(shù)據(jù)清洗、特征變換、特征離散化等。

數(shù)據(jù)清洗是發(fā)現(xiàn)并糾正原始數(shù)據(jù)中可識別的錯誤，包括檢查數(shù)據(jù)一致性，處理異常值和缺失值等。

對于缺失值，從整體上分為簡單刪除法和缺失值填補(bǔ)。簡單刪除法是對缺失值處理的最原始方法，以減少樣本數(shù)據(jù)來換取信息的完備。當(dāng)樣本量很大且缺失值所占樣本比例較大時(shí)（＞75 %），可以考慮列刪除法，如入窖糟醅分析（水分，淀粉和殘?zhí)呛浚┑?。填補(bǔ)法是用一定的值去填補(bǔ)空值，從而使信息完備化?；卺劸七^程中存在丟糟等環(huán)節(jié)，使得數(shù)據(jù)缺失較多，為使數(shù)據(jù)分析盡量準(zhǔn)確，本處理采用刪除法，刪除含有缺失值的樣本；采集到的數(shù)據(jù)總量4983 條，并且數(shù)據(jù)中存在大量因丟糟或其他原因造成的不完整數(shù)據(jù)，去除這些不可用的數(shù)據(jù)之后，完整可用的數(shù)據(jù)共488條。

異常值，即在數(shù)據(jù)集中存在不合理的值，又稱離群點(diǎn)。異常值還包括數(shù)據(jù)中不該存在的字符、數(shù)值等，如糠殼用量71∶1，室內(nèi)濕度715等。

一致性檢查是根據(jù)各個特征的合理取值范圍和相互關(guān)系，檢查數(shù)據(jù)是否符合實(shí)際，發(fā)現(xiàn)超出正常范圍、邏輯上不合理或者相互矛盾的數(shù)據(jù)，比如開始上甑時(shí)間大于關(guān)汽出甑時(shí)間。

特征變換是通過函數(shù)變換改變原始特征的分布，從某一維度轉(zhuǎn)換到另一維度，變換后一定程度上使得特征從沒有關(guān)系變成有關(guān)系，常用的變換有：標(biāo)準(zhǔn)化、歸一化、高斯變換等。根據(jù)目標(biāo)值的分布情況，研究應(yīng)用高斯變換對溫度特征進(jìn)行特征變換，將溫度特征轉(zhuǎn)換為服從均值為0，方差為1 的標(biāo)準(zhǔn)正態(tài)分布，其中公式如下：

在機(jī)器學(xué)習(xí)中，數(shù)據(jù)特征不一定都是完全可直接用于模型訓(xùn)練的，很多情況下存在不可用特征，這就需要對特征進(jìn)行衍生，特征衍生一般是對原有的特征進(jìn)行轉(zhuǎn)換，計(jì)算以及組合而產(chǎn)生的新的特征，最常用的特征衍生方法是四則運(yùn)算，兩個特征相加，相乘或特征間計(jì)算一個比率后得到新特征。如開始上甑時(shí)間和關(guān)汽出甑時(shí)間不能直接用于模型的訓(xùn)練，需要計(jì)算成新的特征（蒸餾時(shí)間），蒸餾時(shí)間=蒸餾關(guān)汽出甑時(shí)間-蒸餾開始上甑時(shí)間。本文中使用的衍生特征還有發(fā)酵時(shí)間=入窖時(shí)間-出窖時(shí)間、混合糧粉除以糠殼用量、混合糧粉除以量水用量、混合糧粉除以曲粉用量、糠殼用量除以量水用量、糠殼用量除以曲粉用量、量水用量除以曲粉用量、量水溫度減去室內(nèi)溫度、下曲溫度減去室內(nèi)溫度、入窖溫度減去室內(nèi)溫度。

源數(shù)據(jù)中黏稠度取值是0 到9 的整數(shù)值，本文將之進(jìn)行獨(dú)熱編碼（one hot），生成黏稠度0 到黏稠度9共10個特征。

經(jīng)過數(shù)據(jù)預(yù)處理過程之后，得到如下31 個數(shù)據(jù)特征：混合糧粉、糠殼用量、量水溫度、量水用量、曲粉用量、下曲溫度、入窖溫度、室內(nèi)溫度、室內(nèi)濕度、酸度、10 個離散化的黏稠度特征、蒸餾時(shí)間、發(fā)酵時(shí)間、混合糧粉除以糠殼用量、混合糧粉除以量水用量、混合糧粉除以曲粉用量、糠殼用量除以量水用量、糠殼用量除以曲粉用量、量水用量除以曲粉用量、量水溫度減去室內(nèi)溫度、下曲溫度減去室內(nèi)溫度、入窖溫度減去室內(nèi)溫度。

為了建立一級酒分類預(yù)測模型，本文對采集的生產(chǎn)數(shù)據(jù)中的一級酒產(chǎn)量進(jìn)行離散化處理，有一級酒產(chǎn)出，則將該條數(shù)據(jù)的標(biāo)簽標(biāo)記為1，沒有一級酒產(chǎn)出則將該條數(shù)據(jù)的標(biāo)簽標(biāo)記為0。

2 生產(chǎn)數(shù)據(jù)統(tǒng)計(jì)分析

經(jīng)初步預(yù)處理后，要考慮的問題是：數(shù)據(jù)集的數(shù)量和質(zhì)量是否滿足模型構(gòu)建的要求、數(shù)據(jù)特征和目標(biāo)有無明顯的規(guī)律和趨勢、各特征之間有無一定的關(guān)聯(lián)性。數(shù)據(jù)探索就是通過檢驗(yàn)數(shù)據(jù)集的數(shù)據(jù)質(zhì)量、繪制圖表、計(jì)算某些特征量等手段，對樣本數(shù)據(jù)集的結(jié)構(gòu)和規(guī)律進(jìn)行分析的過程。數(shù)據(jù)探索可以從數(shù)據(jù)統(tǒng)計(jì)分析和數(shù)據(jù)特征分布分析等兩個角度進(jìn)行展開。

對原始數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析是機(jī)器學(xué)習(xí)中數(shù)據(jù)準(zhǔn)備過程中的重要一環(huán)，是數(shù)據(jù)預(yù)處理的前提，也是數(shù)據(jù)挖掘分析結(jié)論有效性和準(zhǔn)確性的基礎(chǔ)。統(tǒng)計(jì)分析的主要任務(wù)是檢查原始數(shù)據(jù)特征的集中趨勢度量（均值、中位數(shù)、眾數(shù)）和離中趨勢度量（極差、標(biāo)準(zhǔn)差、四分位數(shù)間距）。糧粉是釀酒的主要原料，為了進(jìn)一步探求釀酒過程中各個參數(shù)特征的重要性，我們將結(jié)果歸一化到每100 kg 糧粉之后，再對各個生產(chǎn)過程的主要參數(shù)作基本統(tǒng)計(jì)分析，部分結(jié)果如表1所示。

由統(tǒng)計(jì)分析可得：（1）量水溫度基本在90 ℃以上；（2）由下曲溫度的25 %～75 %分位知，下曲溫度在24～29 ℃，入窖溫度同理；（3）一級酒產(chǎn)量的25%分位為0，表明不產(chǎn)一級酒的數(shù)據(jù)占有較大比例；（4）蒸餾時(shí)間在71～102 min 范圍內(nèi)，發(fā)酵時(shí)間集中在88～132 d。

分布分析能解釋數(shù)據(jù)的分布特征和分布類型。對于連續(xù)型數(shù)據(jù)，需了解數(shù)據(jù)的分布形式是對稱的還是非對稱的，發(fā)現(xiàn)特大或特效的可疑值，可通過繪制頻率分布表，頻率分布直方圖，散點(diǎn)圖直觀的進(jìn)行觀測；對于定性分類數(shù)據(jù)，可用餅圖和條形圖來顯示分布情況。

表1 基本統(tǒng)計(jì)分析

由基本統(tǒng)計(jì)分析可知，一級酒產(chǎn)量為0 的數(shù)據(jù)占有較大比例，對于非0 的數(shù)據(jù)，一級酒產(chǎn)量的分布情況如圖1所示。

從圖1 可以看出，每100 kg 糧粉，一級酒產(chǎn)量非0 的數(shù)據(jù)基本呈現(xiàn)偏正態(tài)分布，基本分布在3～13 kg 之間，一級酒產(chǎn)量13 kg 以上的數(shù)據(jù)異常稀少。

在模型建立前，了解各個基本特征與一級酒產(chǎn)量分布的整體情況，可以為數(shù)據(jù)分析提供直觀的參考依據(jù)。對于數(shù)據(jù)集，以一級酒產(chǎn)量為Y 軸坐標(biāo)，各個特征為X 軸坐標(biāo)，并且分別將糠殼、曲粉、量水轉(zhuǎn)化成100 kg 糧粉的用量，作出各個基本特征與一級酒的分布情況，各生產(chǎn)環(huán)節(jié)參數(shù)特征和一級酒產(chǎn)量的分布情況如圖2 所示。圖中，量水溫度、下曲溫度、量水用量、曲粉用量、糠殼用量基本呈偏正態(tài)分布，蒸餾時(shí)間與一級酒有一定的正相關(guān)性，混合糧粉的用量與一級酒的產(chǎn)量并無明顯相關(guān)性?？窔び昧看蠖嗉性?8～29 kg，約25 kg 時(shí)，一級酒產(chǎn)量相對較高。量水用量集中在70～135 kg，約100 kg 時(shí)，一級酒產(chǎn)量相對較高。曲粉用量集中在17.5～25 kg，約20 kg 時(shí)，一級酒產(chǎn)量相對較高。下曲溫度在24～30 ℃，約29 ℃時(shí)，一級酒產(chǎn)量較高。量水溫度基本在90 ℃以上，在91～92 ℃時(shí)，一級酒產(chǎn)量較高。一級酒產(chǎn)量與二級酒產(chǎn)量呈現(xiàn)一定的負(fù)相關(guān)性，當(dāng)單個窖池總產(chǎn)量一定時(shí)，一級酒在總產(chǎn)量的比重上升，二級酒的產(chǎn)量占比下降。發(fā)酵時(shí)間集中在70～150 d。入窖溫度集中在21～31 ℃，在27～30 ℃時(shí)，一級酒產(chǎn)量較高。

3 一級酒產(chǎn)量分類預(yù)測

本項(xiàng)目的特點(diǎn)是獲取釀酒過程數(shù)據(jù)耗時(shí)較長，因而用以訓(xùn)練的數(shù)據(jù)量規(guī)模較小，故不適合使用深度學(xué)習(xí)模型來提取特征。針對項(xiàng)目特點(diǎn)，我們決定采用以下處理方式對酒業(yè)數(shù)據(jù)進(jìn)行進(jìn)一步的處理。

源數(shù)據(jù)經(jīng)過預(yù)處理，得到發(fā)酵時(shí)間、蒸餾時(shí)間、糠殼用量、量水用量、量水溫度、曲粉用量、室內(nèi)溫度、室內(nèi)濕度、下曲溫度、入窖溫度等共31 個特征。接下來再用LightGBM 算法來對數(shù)據(jù)進(jìn)行建模，預(yù)測是否有一級酒產(chǎn)出。具體流程如圖3所示。

本文采用的LightGBM算法屬于集成學(xué)習(xí)算法的一種，集成學(xué)習(xí)就是將多個弱學(xué)習(xí)模型按照某種規(guī)則構(gòu)造出強(qiáng)學(xué)習(xí)模型，弱學(xué)習(xí)機(jī)決策樹算法不穩(wěn)定，容易過擬合。集成學(xué)習(xí)算法繼承決策樹優(yōu)點(diǎn)的同時(shí)，也克服了決策樹算法不穩(wěn)定和易過擬合的缺點(diǎn)。本文采用LightGBM模型預(yù)測有無一級酒產(chǎn)出的準(zhǔn)確率為0.9224（5 折交叉驗(yàn)證）。作為對照，本文還用到的分類預(yù)測模型有樸素貝葉斯、KNN、神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、XGBoost 等。實(shí)驗(yàn)可得各個模型的分類效果如表2 所示，分析可知LightGBM 模型相對于其他模型更為準(zhǔn)確，可用于補(bǔ)充正交試驗(yàn)中缺失的生產(chǎn)實(shí)驗(yàn)數(shù)據(jù)。

表2 模型預(yù)測結(jié)果

4 生產(chǎn)工藝參數(shù)優(yōu)化

白酒釀造各個環(huán)節(jié)影響因素很多，想要探求哪些因素對一級酒的產(chǎn)量具有明顯的影響，采用所有因素組合的全面實(shí)驗(yàn)法顯然不可取，所以本文選擇進(jìn)行正交試驗(yàn)來找出這些對一級酒產(chǎn)量影響明顯的因素。正交試驗(yàn)設(shè)計(jì)，是指研究多因素多水平的一種試驗(yàn)設(shè)計(jì)方法，是一種基于正交表的、高效率、快速、經(jīng)濟(jì)的試驗(yàn)。根據(jù)正交性從全面試驗(yàn)中挑選出部分有代表性的點(diǎn)進(jìn)行試驗(yàn)，這些有代表性的點(diǎn)具備均勻分散，齊整可比的特點(diǎn)。

研究首先對預(yù)處理得到的31 個數(shù)據(jù)特征進(jìn)行分桶離散化，具體離散化的方式如下：對每個生產(chǎn)因素分別取25 %、50 %、75 % 3 個分位數(shù)的數(shù)值，標(biāo)記為1、2、3 三個離散值。然后選取40 因素，3 水平的正交表[13]，選取前31 列，將表中的1、2、3 分別替換成上述的25 %、50 %、75 %分位數(shù)的數(shù)值，形成81 條測試樣本，然后使用前文所述的LightGBM模型生成正交實(shí)驗(yàn)仿真數(shù)據(jù)。

針對產(chǎn)生的正交實(shí)驗(yàn)仿真數(shù)據(jù)中與生產(chǎn)工藝相關(guān)的特征，本文采用極差分析的方法來給出重要生產(chǎn)因素的重要性及其推薦取值范圍。極差分析的流程主要有以下兩步：第一步，先計(jì)算第j個生產(chǎn)因素取值為m 時(shí)對應(yīng)的一級酒產(chǎn)量標(biāo)簽和Kjm，如糠殼用量選取某一個值m 時(shí)一級酒產(chǎn)量標(biāo)簽的和。然后求出Kjm的平均值Kjm。Kjm的大小可以判斷第j個生產(chǎn)因素的優(yōu)水平和各個生產(chǎn)因素的最優(yōu)水平組合，即最優(yōu)組合；第二步計(jì)算每一個生產(chǎn)因素的極差，Rj為第j 個生產(chǎn)因素的極差，即第j 個生產(chǎn)因素各個取值下一級酒產(chǎn)量標(biāo)簽平均值最大值與最小值之差：

Rj反映了第j 個生產(chǎn)因素的取值變動時(shí)，一級酒產(chǎn)量標(biāo)簽取值的變動幅度。Rj越大說明該生產(chǎn)因素對一級酒產(chǎn)量的影響越大，因此也就越重要，于是依據(jù)Rj的大小可以判斷各個生產(chǎn)因素的主次。

經(jīng)過上述極差分析之后，分別得出各個生產(chǎn)因素的重要性以及其對應(yīng)的最優(yōu)水平，然后把各個生產(chǎn)因素的最優(yōu)水平轉(zhuǎn)換成對應(yīng)的具體值，即把水平數(shù)1、2、3 轉(zhuǎn)換成對應(yīng)的25%、50%、75%分位數(shù)的值。經(jīng)正交試驗(yàn)得出，混合糧粉，糠殼用量，量水溫度，量水用量，曲粉用量，下曲溫度，入窖溫度等因素比其他生產(chǎn)因素更為重要，這些重要因素取值推薦范圍如表3所示。

5 結(jié)論

由于多糧濃香型白酒固態(tài)酒釀造工藝較為復(fù)雜，涉及到影響原酒產(chǎn)量和質(zhì)量的因素多種多樣，在這些因素中，哪些是影響原酒質(zhì)量和產(chǎn)量的本質(zhì)因素，哪些是非本質(zhì)的因素，目前主要還是靠經(jīng)驗(yàn)傳承，沒有形成科學(xué)的以數(shù)據(jù)為驅(qū)動的分析方法與釀酒知識庫。針對以上問題，本文提出了一套基于LightGBM 算法和正交實(shí)驗(yàn)的算法流程，通過對原始酒業(yè)數(shù)據(jù)的分析與處理，嘗試構(gòu)建生產(chǎn)數(shù)據(jù)與白酒產(chǎn)量、質(zhì)量之間的關(guān)聯(lián)分析模型以及優(yōu)化控制模型，經(jīng)實(shí)驗(yàn)驗(yàn)證了該解決方案的可行性以及準(zhǔn)確性，有助于幫助多糧濃香型白酒掌握白酒生產(chǎn)過程中影響原酒產(chǎn)量和質(zhì)量的關(guān)鍵因素及其內(nèi)在規(guī)律，從而指導(dǎo)多糧濃香型白酒釀造從以經(jīng)驗(yàn)為主的傳統(tǒng)生產(chǎn)模式向以數(shù)據(jù)為驅(qū)動的科學(xué)模式轉(zhuǎn)變，提升生產(chǎn)工藝、操作工序的科學(xué)性和合理性，最終科學(xué)有效地輔助提高多糧濃香型白酒優(yōu)質(zhì)酒的產(chǎn)量。

表3 重要生產(chǎn)因素推薦取值范圍