【技術實現步驟摘要】
本專利技術涉及生產控制，尤其涉及一種基于人工智能的油脂生產控制方法及系統。
技術介紹
1、油脂生產是一個復雜且要求高的工業過程，涉及從原材料處理到最終產品的多個環節。傳統的油脂生產控制方法主要依賴于人工經驗和常規的控制手段，難以實現對生產過程的精細化控制和優化。這不僅導致生產效率低下、資源浪費，還可能影響最終產品的質量和穩定性。特別是在浸出工藝中，溶劑的種類、配比、用量以及溫度和時間的控制對油脂的純度和產量有著重要影響。然而，現有技術在這些方面存在以下不足：
2、溶劑種類和配比的確定缺乏科學依據：傳統方法中，溶劑的種類和配比通常基于經驗或簡單的實驗確定，缺乏系統的分析和優化，難以適應不同批次原材料的質量波動，導致浸出效率不穩定、油脂純度難以保證。
3、溫度和時間的控制缺乏動態調整能力：浸出過程中的溫度和時間對油脂的提取效果至關重要。傳統的溫度和時間控制方法主要依賴預設的固定參數，無法根據實時監控的數據進行動態調整，容易出現過熱或不足的問題，影響浸出效率和產品質量。
4、隨著人工智能技術的迅速發展，將其應用于油脂生產過程控制中，可以有效解決上述問題，實現生產過程的智能化、自動化和高效化。
技術實現思路
1、基于上述目的，本專利技術提供了一種基于人工智能的油脂生產控制方法及系統。
2、一種基于人工智能的油脂生產控制方法，包括以下步驟：
3、s1，原材料預處理：利用多種傳感器對原材料進行實時檢測，獲取其物理和化學性質數據；>
4、s2，采用大數據分析技術，對檢測數據進行聚類分析和特征提取，生成原材料質量報告；
5、s3，浸出工藝智能控制：基于原材料質量報告和歷史壓榨殘渣的分析數據，智能調整溶劑的種類和配比；利用深度學習模型，預測最佳溶劑用量，以最大化浸出效率和油脂純度；
6、s4，實時監控浸出過程中溶劑和物料的溫度，使用模糊邏輯控制算法，動態調整浸出溫度和時間，確保浸出過程的高效和穩定。
7、進一步的，所述s1具體包括：
8、光譜傳感器：利用光譜傳感器對原材料進行光譜分析，獲取其成分光譜數據，包括脂肪酸組成、雜質含量和顏色參數；
9、濕度傳感器：通過濕度傳感器實時監測原材料的水分含量，獲取其濕度數據，以評估其含水量；
10、溫度傳感器：使用溫度傳感器檢測原材料的溫度，獲取其熱物理性質數據，包括熱導率和熱容；
11、數據聚合與清洗：將光譜傳感器、濕度傳感器和溫度傳感器獲取的多源數據進行聚合，形成原材料的綜合數據集，其中表示第個原材料樣本的多維特征向量，包括光譜數據、濕度數據和溫度數據，采用數據清洗技術，剔除異常值和噪聲數據。
12、進一步的，所述s2中的聚類分析基于層次聚類分析，
13、計算樣本之間的距離矩陣,其中表示樣本和之間的歐氏距離：，其中，和分別表示樣本和在第k個特征上的取值，m為特征維數；
14、采用自底向上的層次聚類方法，從每個樣本自身作為一個簇開始，不斷合并距離最近的簇，直到達到預定的聚類數量k或其他停止條件；
15、生成原材料的聚類樹，根據聚類樹確定樣本的類別。
16、進一步的，所述特征提取基于線性判別分析lda：對于每個類別k，計算類別內的均值向量類別間的均值向量：
17、；
18、；
19、其中表示第k個類別，表示類別k的樣本數量，n表示總樣本數量；
20、計算類別內散布矩陣和類別間散布矩陣：
21、；
22、求解廣義特征值問題：；
23、選擇對應于最大特征值的特征向量w作為線性判別投影方向；
24、將原始數據投影到新特征空間：，其中y為投影后的新特征，x為原始特征向量；
25、提取的特征，包括脂肪酸組成、水分含量、雜質含量。
26、進一步的，所述s3中的基于原材料質量報告和歷史壓榨殘渣的分析數據，智能調整溶劑的種類和配比具體包括：
27、s31，數據準備：將原材料質量報告中的特征數據和歷史壓榨殘渣分析數據結合，形成訓練數據集，其中表示第次實驗的浸出效果；
28、s32，模型訓練：使用線性回歸模型對訓練數據集進行訓練，獲得溶劑種類和配比與浸出效果的關系模型：，其中y為浸出效果(如油脂純度和產量)，為溶劑種類和配比的數學模型，為誤差項；
29、s33，模型應用：將實時的原材料質量報告和歷史壓榨殘渣分析數據輸入訓練好的模型，預測當前最佳的溶劑種類和配比：,其中和分別表示當前原材料和歷史壓榨殘渣的特征數據，s表示預測的溶劑種類，p表示預測的溶劑配比;
30、s34，智能調整：根據模型預測結果，動態調整當前浸出工藝中的溶劑種類和配比，以實現最佳的浸出效果。
31、進一步的，所述使用線性回歸模型對訓練數據集進行訓練具體包括：
32、線性回歸模型表示為：，其中，y是浸出效果(如油脂純度和產量)，是輸入特征(包括原材料質量特征和歷史壓榨殘渣特征)，是截距，是回歸系數，是誤差項；
33、計算輸入特征矩陣x和輸出向量y，將所有訓練樣本的輸入特征和輸出結果組織成矩陣和向量：；
34、其中，x的第一列全為1，對應截距項；
35、求解回歸系數：使用最小二乘法求解回歸系數：，其中，是x的轉置矩陣，是的逆矩陣，是回歸系數向量。
36、進一步的，所述s3中預測最佳溶劑用量基于原材料質量報告和確定的溶劑種類和配比，包括脂肪酸組成、水分含量、雜質含量以及確定的溶劑種類和配比，將數據輸入深度學習模型，預測最佳溶劑用量，以最大化浸出效率和油脂純度，具體包括：
37、特征數據準備：將原材料質量報告中的特征數據x和確定的溶劑種類s以及溶劑配比p組合形成輸入特征向量；
38、深度學習模型訓練:構建一個深度神經網絡dnn，其輸入層為特征向量，輸出層為最佳溶劑用量u，訓練數據集中，表示第個訓練樣本的實際最佳溶劑用量;
39、通過反向傳播算法,最小化預測值與實際值之間的損失函數l，更新網絡權重w：，其中，為模型的預測值，n為樣本數量；
40、模型應用：；根據模型預測的最佳溶劑用量，動態調整當前浸出工藝中的溶劑用量，以實現最佳的浸出效率和油脂純度。
41、進一步的，所述s4具體包括：
42、s41，實時監控溶劑和物料的溫度：在浸出過程中，通過分布在浸出設備內部的溫度傳感器網絡實時監控溶劑和物料的溫度，將采集的溫度數據形成溫度數據流，，其中，t為時間，其中表示第個傳感器在時間t采集的溫度值；
43、s42，使用模糊邏輯控制算法動態調整溫度和時間：基于實時監控的溫度數據，使用模糊邏輯控制算法動態調整浸出溫度和時間，以確保浸出過程的高效和穩定。
44、進一步的，所述模糊邏輯控制算法具體包括：
45、模糊邏輯控制本文檔來自技高網...
【技術保護點】
1.一種基于人工智能的油脂生產控制方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于人工智能的油脂生產控制方法，其特征在于，所述S1具體包括：
3.根據權利要求1所述的一種基于人工智能的油脂生產控制方法，其特征在于，所述S2中的聚類分析基于層次聚類分析，
4.根據權利要求3所述的一種基于人工智能的油脂生產控制方法，其特征在于，所述特征提取基于線性判別分析LDA：對于每個類別k，計算類別內的均值向量和類別間的均值向量：
5.根據權利要求1所述的一種基于人工智能的油脂生產控制方法，其特征在于，所述S3中的基于原材料質量報告和歷史壓榨殘渣的分析數據，智能調整溶劑的種類和配比具體包括：
6.根據權利要求5所述的一種基于人工智能的油脂生產控制方法，其特征在于，所述使用線性回歸模型對訓練數據集進行訓練具體包括：
7.根據權利要求6所述的一種基于人工智能的油脂生產控制方法，其特征在于，所述S3中預測最佳溶劑用量基于原材料質量報告和確定的溶劑種類和配比，包括脂肪酸組成、水分含量、雜質含量以及確定的溶劑種類和配
8.根據權利要求1所述的一種基于人工智能的油脂生產控制方法，其特征在于，所述S4具體包括：
9.根據權利要求1所述的一種基于人工智能的油脂生產控制方法，其特征在于，所述模糊邏輯控制算法具體包括：
10.一種基于人工智能的油脂生產控制系統，用于實現如權利要求1-9任一項所述的一種基于人工智能的油脂生產控制方法，其特征在于，包括以下模塊：
...【技術特征摘要】
1.一種基于人工智能的油脂生產控制方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種基于人工智能的油脂生產控制方法，其特征在于，所述s1具體包括：
3.根據權利要求1所述的一種基于人工智能的油脂生產控制方法，其特征在于，所述s2中的聚類分析基于層次聚類分析，
4.根據權利要求3所述的一種基于人工智能的油脂生產控制方法，其特征在于，所述特征提取基于線性判別分析lda：對于每個類別k，計算類別內的均值向量和類別間的均值向量：
5.根據權利要求1所述的一種基于人工智能的油脂生產控制方法，其特征在于，所述s3中的基于原材料質量報告和歷史壓榨殘渣的分析數據，智能調整溶劑的種類和配比具體包括：
6.根據權利要求5所述的一種基于人工智能的油脂生產控制方法，其特...
【專利技術屬性】
技術研發人員：張燕兵，魏偉，趙世偉，吳令芳，何福慶，
申請(專利權)人：山東創脂生物科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。