廖俊杰 胡光忠 夏 秋 朱文昌 賓秋月

(四川輕化工大學(xué)機(jī)械工程學(xué)院，四川 宜賓 644000)

大曲是中國傳統(tǒng)白酒釀造中特有的關(guān)鍵糖化發(fā)酵劑，主要包括菌系、酶系和物系，其中菌系和酶系是乙醇生成和復(fù)雜風(fēng)味化合物產(chǎn)生的必要條件，物系為釀酒提供部分發(fā)酵原料和風(fēng)味形成的前體物質(zhì)[1-2]。大曲質(zhì)量的好壞直接決定著白酒的產(chǎn)率和品質(zhì)，因而素有“曲為酒之骨”之說[3]。目前，大部分大曲生產(chǎn)車間仍依靠人工監(jiān)測大曲發(fā)酵，人工判斷大曲的發(fā)酵狀態(tài)與質(zhì)量，但人工測量容易帶入雜菌影響曲塊發(fā)酵。大曲的濕度是大曲發(fā)酵的重要指標(biāo)，也是大曲微生物發(fā)酵的關(guān)鍵條件之一，因此將大曲濕度作為大曲發(fā)酵狀態(tài)的監(jiān)測指標(biāo)具有一定的可行性。

劉國海等[4]提出了利用dbiPLS-SPA建立固體蛋白飼料發(fā)酵濕度模型，檢測發(fā)酵物濕度，但此方法不適于實(shí)時監(jiān)測發(fā)酵。劉慧等[5]探究了稻谷在不同貯藏溫、濕度中的霉菌生長規(guī)律，并采用Logistic方程擬合了稻谷霉菌在不同貯藏條件下的生長動力學(xué)模型。但此方法采集樣本比較困難，不適用于實(shí)時檢測。李清亮等[6]提出了融合遷移學(xué)習(xí)的土壤濕度預(yù)測時空模型，通過三維卷積層提取土壤濕度滯后時刻的空間特征對網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。但訓(xùn)練過程復(fù)雜，且采集樣本數(shù)量不夠，極易影響模型結(jié)果。徐佳樂等[7]提出了雙神經(jīng)網(wǎng)絡(luò)控制算法與內(nèi)循環(huán)管道結(jié)構(gòu)，僅解決了曲房內(nèi)溫濕度的檢測與控制，使得曲房內(nèi)溫度更均勻，但并未對大曲發(fā)酵狀態(tài)進(jìn)行研究，并不能反映大曲發(fā)酵情況。

研究擬建立一種實(shí)時預(yù)測診斷大曲發(fā)酵系統(tǒng)，采用Tent改進(jìn)麻雀搜索算法(SSA)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，實(shí)時預(yù)測大曲發(fā)酵濕度。通過預(yù)測值與濕度傳感器測量值比較，判斷大曲當(dāng)前發(fā)酵狀態(tài)。并采用濕度動態(tài)閾值法，通過調(diào)控曲房溫濕度，改變大曲發(fā)酵濕度至正常狀態(tài)，為保障大曲質(zhì)量研究提供依據(jù)。

1 大曲發(fā)酵監(jiān)控系統(tǒng)

1.1 監(jiān)控系統(tǒng)架構(gòu)

系統(tǒng)通過傳感器采集大曲發(fā)酵過程中的相關(guān)參數(shù)，傳輸至上位機(jī)數(shù)據(jù)庫，大曲發(fā)酵濕度預(yù)測模型輸出實(shí)時濕度預(yù)測值，系統(tǒng)比較預(yù)測值與真實(shí)值誤差進(jìn)行大曲發(fā)酵診斷，并將診斷結(jié)果反饋給工作人員。根據(jù)白酒行業(yè)標(biāo)準(zhǔn)，若差值超過正常發(fā)酵濕度的10%，則大曲發(fā)酵異常，系統(tǒng)通過動態(tài)閾值法調(diào)用執(zhí)行設(shè)備調(diào)控曲房環(huán)境溫濕度。大曲發(fā)酵實(shí)時監(jiān)控結(jié)構(gòu)如圖1所示。

圖1 大曲發(fā)酵實(shí)時預(yù)測診斷結(jié)構(gòu)圖

1.2 大曲濕度仿真預(yù)測模型

采用混沌算法(Tent)改進(jìn)的麻雀搜索算法作優(yōu)化算法，并利用Matlab以3種機(jī)器學(xué)習(xí)常用算法(BP/SVM/RF)建立預(yù)測仿真模型。通過設(shè)置模型最佳參數(shù)，比較3種仿真預(yù)測模型的收斂情況、誤差大小、決定系數(shù)等，選擇其中最適仿真預(yù)測模型，并采用改進(jìn)SSA算法優(yōu)化其預(yù)測模型，降低預(yù)測模型預(yù)測誤差至設(shè)定閾值范圍內(nèi)。預(yù)測模型建立流程圖如圖2所示。

圖2 仿真預(yù)測模型建立流程圖

1.2.1 預(yù)測模型建立 建立3種預(yù)測仿真模型(BP/SVM/RF)，模型輸入設(shè)定為發(fā)酵時長(△t)、起始溫度(Tf)、起始濕度(Hf)、實(shí)時溫度(Tt)；模型輸出設(shè)定為大曲實(shí)時濕度。利用采集所得的1 200組樣本進(jìn)行訓(xùn)練，其中隨機(jī)將900組設(shè)定為訓(xùn)練集，其余300組為測試集，3種預(yù)測模型分別以最佳參數(shù)進(jìn)行訓(xùn)練。

(1) 輸入：

(2) 輸出：

① BP神經(jīng)網(wǎng)絡(luò)仿真預(yù)測模型：

(1)

式中：

Sj——第j個神經(jīng)元輸入值；

W——權(quán)值；

b——偏置。

經(jīng)樣本不斷訓(xùn)練確定參數(shù)。

② SVM仿真預(yù)測模型：

y=f(X)=Wφ(x)+b，

(2)

式中：

W——權(quán)值向量；

b——偏置。

利用最小化確定參數(shù)。

③ RF仿真預(yù)測模型：

(3)

式中：

b——樣本個數(shù)。

1.2.2 Tent改進(jìn)麻雀搜索優(yōu)化算法 麻雀搜索算法[8](SSA)是一種近年提出的新型群體優(yōu)化算法，具有搜索精度高，收斂速度快，穩(wěn)定性好，魯棒性強(qiáng)等特點(diǎn)。但SSA仍然存在搜索接近全局最優(yōu)時，容易陷入局部最優(yōu)。文中利用Tent映射初始化種群，引入基于隨機(jī)變量的混沌映射[9]，使種群分布更加均勻，加快了種群優(yōu)化效率。根據(jù)改進(jìn)SSA算法對基礎(chǔ)預(yù)測模型進(jìn)行進(jìn)一步優(yōu)化，根據(jù)試驗(yàn)法選擇最佳模型參數(shù)，降低預(yù)測誤差，仿真預(yù)測模型輸出大曲濕度與真實(shí)發(fā)酵的大曲實(shí)時濕度基本一致。

(1) 麻雀搜索算法(SSA)：SSA主要模擬麻雀[10]的覓食與反捕食行為，其發(fā)現(xiàn)者位置公式：

(4)

式中：

t——迭代次數(shù)；

Xi,j——第i個麻雀種群在j維度中的位置；

α∈(0,1)；

Iitermax——最大迭代次數(shù)；

Q——服從正態(tài)分布隨機(jī)數(shù)；

L——1×d且元素均為1的矩陣；

R2∈(0,1)——麻雀預(yù)警值；

ST∈(0.5,1)——麻雀種群安全值。

跟隨者更新位置公式[11]：

(5)

式中：

A——元素為1或-1的d維矩陣，A+=A+(AAT)-1。

種群位置更新公式：

(6)

式中：

Xbest——全局最優(yōu)位置；

β∈(-1,1)；

fi——麻雀個體適應(yīng)值；

fg——全局最佳適應(yīng)值；

fw——全局最差適應(yīng)值。

(2) Tent改進(jìn)SSA算法：利用Tent混沌算法改進(jìn)SSA，避免陷入局部最優(yōu)，提高全局搜索能力和尋優(yōu)精度[12]。

步驟一：將Tent變量載波到待求解問題的求解空間。

newXd=mind+(maxd-mind)Zd，

(7)

式中：

mind、maxd——d維變量newXd的最大值與最小值。

步驟二：Tent擾動公式

newX′=(X′+newX)/2，

(8)

式中：

X′——需要Tent擾動的個體；

newX——產(chǎn)生的Tent擾動量；

newX′——Tent擾動后的個體。

1.3 監(jiān)控系統(tǒng)智能調(diào)控

2 數(shù)據(jù)采集與樣本建立

2.1 樣本來源

采用四川宜賓某酒廠發(fā)酵大曲作為采集對象，大曲重量約為4.96 kg，大曲組成為大麥粉約60%，豌豆粉40%，制曲時加水量為48%～50%，成曲水分37%～41%，呈中心凸起的長方體，大曲305 mm×180 mm×85 mm，凸起110 mm材料均勻。

2.2 樣本建立

通過傳感器在曲房中采集的溫濕度建立樣本。大曲發(fā)酵是大曲上的酵母菌、霉菌、細(xì)菌等微生物在淀粉、水、氧氣、適宜溫度等情況下大量增殖產(chǎn)生生物熱。大曲上的水分不斷被微生物吸收、產(chǎn)生，大曲內(nèi)濕度在發(fā)酵過程中維持一個穩(wěn)態(tài)，因此利用初始溫度、初始濕度、發(fā)酵時長、實(shí)時溫度作為模型輸入，以實(shí)時濕度作為輸出建立樣本。將所記錄樣本進(jìn)行擬合與插值可視化處理，樣本數(shù)據(jù)見表1。

表1 樣本數(shù)據(jù)

3 試驗(yàn)分析

3.1 預(yù)測模型評估

利用Matlab分別將BP神經(jīng)網(wǎng)絡(luò)算法、支持向量機(jī)(SVM)、隨機(jī)森林(RF)建立仿真預(yù)測模型，設(shè)定900組訓(xùn)練樣本，300組測試樣本進(jìn)行模型訓(xùn)練。訓(xùn)練樣本集測試結(jié)果的誤差平方、平均絕對誤差MAE、均方誤差MSE、均方根誤差RMSE、平均百分比誤差MAPE、相關(guān)系數(shù)及響應(yīng)時間見表2。

表2 模型評估

將模型響應(yīng)時間、相關(guān)系數(shù)、均方根誤差RMSE作為判定模型的評判標(biāo)準(zhǔn)；仿真預(yù)測模型測試如圖3所示。

圖3 預(yù)測模型測試圖

根據(jù)3種模型仿真測試結(jié)果與相關(guān)系數(shù)、RMSE和相應(yīng)時間，研究擬采用BP預(yù)測模型，但BP神經(jīng)網(wǎng)絡(luò)算法存在極小化、收斂速度慢等問題。因此，采用改進(jìn)SSA優(yōu)化BP算法解決以上問題并減小預(yù)測誤差，并采用試驗(yàn)法確定模型結(jié)構(gòu)。

3.2 仿真預(yù)測結(jié)果

根據(jù)改進(jìn)SSA算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)仿真預(yù)測模型，確定隱藏層層數(shù)與隱藏層節(jié)點(diǎn)數(shù)。預(yù)測模型隱含層設(shè)定為1層。BP神經(jīng)網(wǎng)絡(luò)算法確定隱含層節(jié)點(diǎn)一般依賴經(jīng)驗(yàn)公式[13]：

(9)

式中：

L——隱含層節(jié)點(diǎn)數(shù)；

m——輸入層節(jié)點(diǎn)數(shù)；

n——輸出層節(jié)點(diǎn)數(shù)；

a——調(diào)節(jié)常數(shù)(1～10)。

由表3可知，當(dāng)隱含層節(jié)點(diǎn)數(shù)為9時，均方差誤差最低，因此最佳模型結(jié)構(gòu)確定為4-9-1。預(yù)測模型正反向傳播調(diào)整權(quán)值，將輸出值逼近期望值，其模型結(jié)構(gòu)圖如圖4 所示。

在正向傳播中，輸出值：

(10)

在反向傳播中，樣本誤差：

(11)

全局誤差：

(12)

權(quán)值調(diào)整：

(13)

式中：

μ——學(xué)習(xí)率；

表3 隱含層不同節(jié)點(diǎn)誤差

圖4 預(yù)測模型結(jié)構(gòu)圖

由圖5～圖7可知，改進(jìn)SSA優(yōu)化仿真預(yù)測模型在迭代5次時即獲得最小值，均方誤差低于0.625，預(yù)測模型穩(wěn)定且可靠性強(qiáng)。改進(jìn)SSA優(yōu)化預(yù)測模型總體均方誤差(MSE)從優(yōu)化前的2.511 30降低至0.950 17，模型更穩(wěn)定。

圖5 改進(jìn)SSA優(yōu)化BP模型收斂曲線圖

圖6 模型預(yù)測偏差圖

圖7 誤差對比圖

4 結(jié)論

大曲發(fā)酵濕度預(yù)測診斷調(diào)控系統(tǒng)采用Tent-SSA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行大曲發(fā)酵濕度實(shí)時預(yù)測，實(shí)現(xiàn)了通過預(yù)測值與誤差值的比較診斷判斷大曲發(fā)酵狀態(tài)，同時可利用動態(tài)閾值法調(diào)用設(shè)備調(diào)控曲房環(huán)境溫濕度。系統(tǒng)具有精準(zhǔn)預(yù)測診斷大曲發(fā)酵的能力，均值百分比誤差約0.596%，且運(yùn)行穩(wěn)定，滿足大曲發(fā)酵監(jiān)控需求。但模型訓(xùn)練主要采用一個曲房內(nèi)的大曲，未考慮普遍采樣，且采樣時間太短，因此預(yù)測模型只適用于大曲階段性的濕度預(yù)測，后續(xù)應(yīng)通過不同曲房采樣，同時將采樣時間延長至整個大曲發(fā)酵周期，使預(yù)測模型更穩(wěn)定，且具有普遍適用性。