【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及葡萄酒釀造設(shè)備，特別涉及基于人工智能的葡萄酒釀造罐實(shí)時(shí)監(jiān)測(cè)方法及系統(tǒng)。
技術(shù)介紹
1、發(fā)酵是酵母與真菌引起的一系列的生物化學(xué)反應(yīng)過(guò)程，也是葡萄汁轉(zhuǎn)化為葡萄酒的過(guò)程，發(fā)酵過(guò)程主要分為酒精發(fā)酵與蘋果酸－乳酸發(fā)酵。其中，酒精發(fā)酵是糖分由酵母菌發(fā)酵成酒精的過(guò)程，是葡萄酒釀造過(guò)裎中的核心步驟，葡萄汁中含有的糖分是發(fā)酵所需的基本原料，在合適的溫度下，所有的糖分均會(huì)被轉(zhuǎn)化為酒精，若發(fā)酵過(guò)程的酒精度過(guò)高，則酵母菌的作用被抑制，發(fā)酵過(guò)程會(huì)終止，導(dǎo)致部分未發(fā)酵的殘余糖分遺留。因此，糖含量的高低決定著葡萄酒酒精度的高低與口感類型，酒精度的高低也影響著發(fā)酵的進(jìn)程，它們共同影響著葡萄酒風(fēng)味上的平衡，在葡萄酒釀造過(guò)程中，需實(shí)時(shí)準(zhǔn)確的監(jiān)測(cè)發(fā)酵過(guò)程中總糖含量與酒精度變化，才能獲取更加風(fēng)味與口感的葡萄酒。
2、由于發(fā)酵過(guò)程均是在密閉的葡萄酒釀造罐中進(jìn)行，若要獲取發(fā)酵過(guò)程中總糖含量數(shù)據(jù)，首先需要采用抽樣法對(duì)原料進(jìn)行采樣，然后于實(shí)驗(yàn)室中采用高效液相色譜法、直接滴定法、高錳酸鉀氧化法或化學(xué)法等檢測(cè)方法對(duì)采樣樣本進(jìn)行總糖含量的測(cè)定，檢測(cè)流程繁瑣，且以上提及的傳統(tǒng)的檢測(cè)方法存在樣品處理復(fù)雜、分析時(shí)間長(zhǎng)、檢測(cè)結(jié)果滯后等缺點(diǎn)，無(wú)法滿足現(xiàn)有情況下，葡萄酒企業(yè)對(duì)于檢測(cè)時(shí)效性的生產(chǎn)要求。為此，我們提出基于人工智能的葡萄酒釀造罐實(shí)時(shí)監(jiān)測(cè)方法及系統(tǒng)。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)的主要目的在于提供基于人工智能的葡萄酒釀造罐實(shí)時(shí)監(jiān)測(cè)方法及系統(tǒng)，可以有效解決
技術(shù)介紹
中的問(wèn)題。
2、為實(shí)現(xiàn)上述目的，本專利技
3、基于人工智能的葡萄酒釀造罐實(shí)時(shí)監(jiān)測(cè)方法，包括：
4、構(gòu)建數(shù)據(jù)庫(kù)，其中，所述數(shù)據(jù)庫(kù)中存儲(chǔ)有葡萄酒釀造過(guò)程中，測(cè)定的各時(shí)間階段葡萄酒樣本的總糖含量及該樣本的近紅外光譜數(shù)據(jù)，其中，近紅外光譜數(shù)據(jù)的特征參量包括統(tǒng)計(jì)特征、頻域特征、時(shí)域特征、小波變換特征，其中，所述統(tǒng)計(jì)特征包括光譜數(shù)據(jù)的均值、方差、最大值、最小值；所述頻域特征包括光譜數(shù)據(jù)的頻域能量和頻域均值；所述時(shí)域特征包括光譜數(shù)據(jù)的波形峰值、波形寬度；所述小波變換特征為將光譜數(shù)據(jù)通過(guò)小波變換分解為多個(gè)尺度和頻率的信號(hào)后提取的小波系數(shù)；
5、提取數(shù)據(jù)庫(kù)中所述葡萄酒樣本近紅外光譜數(shù)據(jù)的特征參量，對(duì)所述葡萄酒樣本的總糖含量及特征參量數(shù)據(jù)進(jìn)行灰色關(guān)聯(lián)分析，獲取各所述特征參量與總糖含量的灰色關(guān)聯(lián)度，獲取流程包括以下步驟：
6、構(gòu)建葡萄酒樣本的特征參量數(shù)據(jù)序列e和總糖含量數(shù)據(jù)序列f，其中，e＝{e1,e2,...,ei}，f＝{f1}，ei表示為第i項(xiàng)特征參量數(shù)據(jù)集合；f1表示為總糖含量數(shù)據(jù)集合；
7、將數(shù)據(jù)序列e中第i項(xiàng)特征參量的第k個(gè)數(shù)據(jù)值eik和數(shù)據(jù)序列f中總糖含量的第k個(gè)數(shù)據(jù)值f1k進(jìn)行標(biāo)準(zhǔn)化處理，獲取標(biāo)準(zhǔn)化后的數(shù)據(jù)e'ik和f'jk，數(shù)據(jù)標(biāo)準(zhǔn)化處理公式為：
8、計(jì)算數(shù)據(jù)序列f中所有數(shù)據(jù)點(diǎn)與特征參量間的關(guān)聯(lián)系數(shù)，計(jì)算公式為：式中，r1k表示為總糖含量的第k個(gè)數(shù)據(jù)值與特征參量間的關(guān)聯(lián)系數(shù)；ρ為常數(shù)系數(shù)；
9、δmin和δmax分別為特征參量數(shù)據(jù)與總糖含量數(shù)據(jù)的標(biāo)準(zhǔn)化數(shù)據(jù)的兩級(jí)最小差和兩級(jí)最大差，計(jì)算公式分別為：
10、δmin＝mini(mink(e'ik-f'1k))；
11、δmax＝maxi(maxk(e'ik-f'1k))；
12、式中，mini(mink(e'ik-f'1k))表示為先取e'ik-f'jk|中所有計(jì)算結(jié)果的最小值，再取所有最小值中的最小值；maxi(maxk(e'ik-f'jk))表示為先取|e'ik-f'jk|中所有計(jì)算結(jié)果的最大值，再取所有最大值中的最大值，其中，k＝1,2，...，q，q為數(shù)據(jù)總量；
13、s24：根據(jù)獲取的關(guān)聯(lián)系數(shù)，計(jì)算獲取第i項(xiàng)特征參量與總糖含量間的灰色關(guān)聯(lián)度ri1，計(jì)算公式為：
14、通過(guò)設(shè)置灰色關(guān)聯(lián)度閾值篩選出主控特征參量，其中，所述灰色關(guān)聯(lián)度閾值的區(qū)間為其中，rmax、rmin分別為特征參量與總糖含量的灰色關(guān)聯(lián)度的最大值和最小值；
15、利用bp神經(jīng)網(wǎng)絡(luò)建立葡萄酒樣本的主控特征參量與總糖含量間的量化關(guān)系，其中，所述bp神經(jīng)網(wǎng)絡(luò)的輸入層為各所述主控特征參量，輸入層為總糖含量，中間層神經(jīng)元個(gè)數(shù)根據(jù)公式：進(jìn)行確定，其中，q表示為主控特征參量種類；p為輸出層神經(jīng)元個(gè)數(shù)，本神經(jīng)網(wǎng)絡(luò)中，p＝1；a為1-9的正整數(shù)；
16、實(shí)時(shí)采集待監(jiān)測(cè)釀造罐中葡萄酒樣品近紅外光譜數(shù)據(jù)的主控特征參量，通過(guò)將獲取的主控特征參量采樣值輸入至建立的量化關(guān)系中，獲取待監(jiān)測(cè)釀造罐中葡萄酒樣品的總糖含量預(yù)測(cè)值；
17、所述方法還包括：
18、實(shí)時(shí)更新數(shù)據(jù)庫(kù)中的采樣數(shù)據(jù)，根據(jù)數(shù)據(jù)更新結(jié)果調(diào)節(jié)bp神經(jīng)網(wǎng)絡(luò)中間層的神經(jīng)元個(gè)數(shù)至其預(yù)測(cè)準(zhǔn)確率滿足期望值；其中，期望值的計(jì)算公式為：
19、
20、其中，e(y)為預(yù)測(cè)準(zhǔn)確率的期望值；n為神經(jīng)網(wǎng)絡(luò)輸入樣本的數(shù)量；f(xt)為神經(jīng)網(wǎng)絡(luò)的輸出函數(shù)；xt為神經(jīng)網(wǎng)絡(luò)的第t個(gè)輸出樣本。
21、基于人工智能的葡萄酒釀造罐實(shí)時(shí)監(jiān)測(cè)系統(tǒng)，包括樣本數(shù)據(jù)庫(kù)、樣本數(shù)據(jù)分析模塊、神經(jīng)網(wǎng)絡(luò)模塊、樣品采集模塊、近紅外光發(fā)射模塊、光譜數(shù)據(jù)獲取模塊、數(shù)據(jù)處理模塊；
22、所述樣本數(shù)據(jù)庫(kù)用于存儲(chǔ)有葡萄酒釀造過(guò)程中，測(cè)定的各時(shí)間階段葡萄酒樣本的總糖含量及該樣本的近紅外光譜數(shù)據(jù)；
23、所述樣本數(shù)據(jù)分析模塊用于提取數(shù)據(jù)庫(kù)中所述葡萄酒樣本近紅外光譜數(shù)據(jù)的特征參量，對(duì)所述葡萄酒樣本的總糖含量及特征參量數(shù)據(jù)進(jìn)行灰色關(guān)聯(lián)分析，獲取各所述特征參量與總糖含量的灰色關(guān)聯(lián)度，通過(guò)設(shè)置灰色關(guān)聯(lián)度閾值篩選出主控特征參量；
24、所述神經(jīng)網(wǎng)絡(luò)模塊用于構(gòu)建以所述主控特征參量為輸入，以總糖含量數(shù)據(jù)為輸出的bp神經(jīng)網(wǎng)絡(luò)，并利用bp神經(jīng)網(wǎng)絡(luò)建立葡萄酒樣本的主控特征參量與總糖含量間的量化關(guān)系，其中，所述bp神經(jīng)網(wǎng)絡(luò)的輸入層為各所述主控特征參量，輸入層為總糖含量，中間層神經(jīng)元個(gè)數(shù)根據(jù)公式：進(jìn)行確定，其中，q表示為主控特征參量種類；p為輸出層神經(jīng)元個(gè)數(shù)，本神經(jīng)網(wǎng)絡(luò)中，p＝1；a為1-9的正整數(shù)；
25、所述樣品采集模塊用于對(duì)待監(jiān)測(cè)釀造罐中的葡萄酒樣品進(jìn)行實(shí)時(shí)定量采樣，并將獲取的葡萄酒樣品輸送至樣本室中；
26、所述近紅外光發(fā)射模塊用于向所述樣本室發(fā)射入射角度為θ的近紅外光線；
27、所述光譜數(shù)據(jù)獲取模塊用于采集當(dāng)所述近紅外光線透過(guò)所述樣本室時(shí)所產(chǎn)生的漫反射光線，并通過(guò)對(duì)漫反射光線進(jìn)行分析獲取葡萄酒樣品的近紅外光譜數(shù)據(jù)；
28、所述數(shù)據(jù)處理模塊用于獲取待監(jiān)測(cè)釀造罐中葡萄酒樣品近紅外光譜數(shù)據(jù)的主控特征參量，并將主控特征參量采樣值輸入至建立的量化關(guān)系中，獲取待監(jiān)測(cè)釀造罐中葡萄酒樣品的總糖含量預(yù)測(cè)值；
29、所述系統(tǒng)還包括數(shù)據(jù)更新模塊，所述數(shù)據(jù)更新模塊用于實(shí)時(shí)更新數(shù)據(jù)庫(kù)中的采樣數(shù)據(jù)，并根據(jù)數(shù)據(jù)更新結(jié)果調(diào)節(jié)bp神經(jīng)網(wǎng)絡(luò)中間層的神經(jīng)元個(gè)數(shù)至其預(yù)測(cè)準(zhǔn)確率滿足期望值；
30、所述系統(tǒng)包括存本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.基于人工智能的葡萄酒釀造罐實(shí)時(shí)監(jiān)測(cè)方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的基于人工智能的葡萄酒釀造罐實(shí)時(shí)監(jiān)測(cè)方法，其特征在于，所述方法還包括：
3.根據(jù)權(quán)利要求1所述的基于人工智能的葡萄酒釀造罐實(shí)時(shí)監(jiān)測(cè)方法，其特征在于，近紅外光譜數(shù)據(jù)的特征參量包括統(tǒng)計(jì)特征、頻域特征、時(shí)域特征、小波變換特征，其中，所述統(tǒng)計(jì)特征包括光譜數(shù)據(jù)的均值、方差、最大值、最小值；所述頻域特征包括光譜數(shù)據(jù)的頻域能量和頻域均值；所述時(shí)域特征包括光譜數(shù)據(jù)的波形峰值、波形寬度；所述小波變換特征為將光譜數(shù)據(jù)通過(guò)小波變換分解為多個(gè)尺度和頻率的信號(hào)后提取的小波系數(shù)。
4.根據(jù)權(quán)利要求1所述的基于人工智能的葡萄酒釀造罐實(shí)時(shí)監(jiān)測(cè)方法，其特征在于，所述灰色關(guān)聯(lián)度的獲取流程包括以下步驟：
5.根據(jù)權(quán)利要求1所述的基于人工智能的葡萄酒釀造罐實(shí)時(shí)監(jiān)測(cè)方法，其特征在于，所述灰色關(guān)聯(lián)度閾值的區(qū)間為其中，Rmax、Rmin分別為特征參量與總糖含量的灰色關(guān)聯(lián)度的最大值和最小值。
6.基于人工智能的葡萄酒釀造罐實(shí)時(shí)監(jiān)測(cè)系統(tǒng)，其特征在于，包括樣本數(shù)據(jù)庫(kù)、樣本數(shù)據(jù)分析模塊、神
7.根據(jù)權(quán)利要求6所述的基于人工智能的葡萄酒釀造罐實(shí)時(shí)監(jiān)測(cè)系統(tǒng)，其特征在于，所述系統(tǒng)還包括數(shù)據(jù)更新模塊，所述數(shù)據(jù)更新模塊用于實(shí)時(shí)更新數(shù)據(jù)庫(kù)中的采樣數(shù)據(jù)，并根據(jù)數(shù)據(jù)更新結(jié)果調(diào)節(jié)BP神經(jīng)網(wǎng)絡(luò)中間層的神經(jīng)元個(gè)數(shù)至其預(yù)測(cè)準(zhǔn)確率滿足期望值；其中，期望值的計(jì)算公式為：
8.根據(jù)權(quán)利要求6所述的基于人工智能的葡萄酒釀造罐實(shí)時(shí)監(jiān)測(cè)系統(tǒng)，其特征在于，所述系統(tǒng)包括存儲(chǔ)器、處理器及存儲(chǔ)在存儲(chǔ)器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，其中，處理器執(zhí)行程序時(shí)實(shí)現(xiàn)權(quán)利要求1-5中任一項(xiàng)所述方法的步驟。
...【技術(shù)特征摘要】
1.基于人工智能的葡萄酒釀造罐實(shí)時(shí)監(jiān)測(cè)方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的基于人工智能的葡萄酒釀造罐實(shí)時(shí)監(jiān)測(cè)方法，其特征在于，所述方法還包括：
3.根據(jù)權(quán)利要求1所述的基于人工智能的葡萄酒釀造罐實(shí)時(shí)監(jiān)測(cè)方法，其特征在于，近紅外光譜數(shù)據(jù)的特征參量包括統(tǒng)計(jì)特征、頻域特征、時(shí)域特征、小波變換特征，其中，所述統(tǒng)計(jì)特征包括光譜數(shù)據(jù)的均值、方差、最大值、最小值；所述頻域特征包括光譜數(shù)據(jù)的頻域能量和頻域均值；所述時(shí)域特征包括光譜數(shù)據(jù)的波形峰值、波形寬度；所述小波變換特征為將光譜數(shù)據(jù)通過(guò)小波變換分解為多個(gè)尺度和頻率的信號(hào)后提取的小波系數(shù)。
4.根據(jù)權(quán)利要求1所述的基于人工智能的葡萄酒釀造罐實(shí)時(shí)監(jiān)測(cè)方法，其特征在于，所述灰色關(guān)聯(lián)度的獲取流程包括以下步驟：
5.根據(jù)權(quán)利要求1所述的基于人工智能的葡萄酒釀造罐實(shí)時(shí)監(jiān)測(cè)方法，其特征在于，...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：楊春霞，劉霞，王曉靜，馬曉莉，趙子丹，馬桂娟，牛艷，開(kāi)建榮，
申請(qǐng)(專利權(quán))人：寧夏農(nóng)產(chǎn)品質(zhì)量標(biāo)準(zhǔn)與檢測(cè)技術(shù)研究所寧夏農(nóng)產(chǎn)品質(zhì)量監(jiān)測(cè)中心，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。