【技術實現步驟摘要】
本專利技術屬于食品加工智能管理，特別是涉及一種基于醬油最佳發酵時間的發酵罐群智能管理方法、系統、終端設備及計算機可讀存儲介質。
技術介紹
1、現代醬油釀造技術，是以傳統的醬油發酵工藝為基礎，通過生產過程的機械化和自動化等技術，實現醬油釀造的工業化生產。
2、發酵過程是醬油生產中的關鍵環節，也是周期最長的環節。因發酵時間長，醬油生產企業需要建造大量的發酵罐，日常生產中，企業需要對所有發酵罐進行動態管理。
3、當前，醬油生產企業大多采用固定發酵周期和定期檢測醬油產品品質指標的方式，確定每個發酵罐的總發酵時間，對發酵罐群進行管理。但不同的季節不同的年份，溫度、光照、循環時長等因素會影響每個發酵罐的發酵效果，每個罐的發酵過程有差異，采用固定發酵周期，發酵產品的品質指標會存在差異；加上定期檢測，可保證產品品質指標高于生產要求，但仍難以實現發酵罐群生產產品品質指標的整體最優化。
技術實現思路
1、為了解決上述現有技術的不足，本專利技術提供了一種基于醬油最佳發酵時間的發酵罐群智能管理方法、系統、終端設備及計算機可讀存儲介質，將大數據、神經網絡模型和遺傳算法相結合，通過計算醬油最佳發酵時間實現發酵罐群生產產品的品質指標整體最優化，以實現發酵罐群的智能化管理。
2、本專利技術的第一個目的在于提供一種基于醬油最佳發酵時間的發酵罐群智能管理方法。
3、本專利技術的第二個目的在于提供一種基于醬油最佳發酵時間的發酵罐群智能管理系統。
4、本專利技術
5、本專利技術的第四個目的在于提供一種計算機可讀存儲介質。
6、本專利技術的第一個目的可以通過采取如下技術方案達到：
7、一種基于醬油最佳發酵時間的發酵罐群智能管理方法，所述方法包括：
8、采集發酵罐群的生產數據并存儲，作為發酵罐群的歷史生產數據；其中，生產數據包括發酵過程數據和產品品質指標數據；
9、對發酵罐群的歷史生產數據進行預處理；
10、根據預處理后的歷史生產數據，計算發酵過程數據與產品品質指標的相關系數；
11、根據預處理后的歷史生產數據，建立發酵過程數據與產品品質指標數據的數學關系的神經網絡模型；將預處理后的歷史生產數據作為樣本數據，采用梯度下降算法訓練神經網絡模型；其中，在梯度下降算法取值時，根據發酵過程數據和產品品質指標數據的相關系數選取迭代計算步長，以提高計算效率；
12、根據實時采集的發酵罐群的發酵過程數據，利用訓練好的神經網絡模型輸出預測的發酵罐群的產品品質指標數據；根據產品品質指標數據，以醬油最佳發酵時間和發酵罐群整體生產品質最優化為目標，建立動態管理數學模型，并采用遺傳算法計算最優化目標的解，實現發酵罐群的智能化管理。
13、進一步的，所述產品品質指標數據包括醬油氨氮含量ann和醬油全氮含量tnn；
14、所述動態管理數學模型為：
15、
16、式中，g1、g2分別為參與遺傳算法計算的發酵罐的ann品質指標和tnn品質指標，n為參與遺傳算法計算的發酵罐的總數量，anni、tnni分別為預測的第i罐發酵罐的ann和第i罐發酵罐的tnn；g3為參與遺傳算法計算的發酵罐群的產品品質整體指標；a、b分別為預測的ann總量的權重系數和tnn總量的權重系數。
17、進一步的，在遺傳算法中，以參與遺傳算法計算的發酵罐作為染色體，參與遺傳算法計算的所有發酵罐的總數量為染色體的數量。
18、進一步的，所述將預處理后的歷史生產數據作為樣本數據，采用梯度下降算法訓練神經網絡模型，包括：
19、將醬油發酵周期分為發酵初始階段、發酵中期階段和發酵末期階段三個獨立的發酵階段；每個發酵階段對應一個神經網絡模型，即利用一個發酵階段的歷史生產數據訓練一個神經網絡模型；
20、三個神經網絡模型的構建與訓練方法相同，以其中一個神經網絡模型進行說明：
21、輸入層神經元為預處理后的歷史生產數據中的發酵過程數據；
22、輸出層神經元為預測的產品品質指標數據；
23、將預測的產品品質指標數據與預處理后的歷史生產數據中的產品品質指標數據的差的平方作為損失函數，采用梯度下降算法對神經網絡模型進行訓練。
24、進一步的，所述根據實時采集的發酵罐群的發酵過程數據，利用訓練好的神經網絡模型輸出預測的發酵罐群的產品品質指標數據，包括：
25、根據實時采集的時間，確定所處的發酵階段，進而確定對應的訓練好的神經網絡模型；
26、對實時采集的發酵罐群的發酵過程數據進行預處理后輸入確定的神經網絡模型，輸出預測的產品品質指標數據。
27、進一步的，所述發酵過程數據包括發酵罐內溫度、光照強度、大氣溫度、大氣濕度、生產日期以及酵罐所處罐區的行、列位置，產品品質指標數據包括醬油氨氮含量和醬油全氮含量；
28、所述預處理包括數據清洗和數據標準化處理，其中：
29、數據清洗包括：去除氨氮與時間負相關的數據，以及不符合自然規律的溫度、濕度及光照條件的數據點；
30、數據標準化處理包括：對每個發酵罐每天的發酵罐內溫度、光照強度、大氣溫度、大氣濕度均進行積分處理，對每個發酵罐的行位置和列位置進行分類和數值化。
31、進一步的，所述根據發酵過程數據和產品品質指標數據的相關系數選取迭代計算步長，包括：
32、在梯度下降算法取值時，為預處理后的發酵過程數據的權重的階梯取值選取適當的步長：相關系數絕對值較小，步長適當增大；相關系數絕對值較大，步長適當減小。
33、進一步的，所述相關系數的計算采用斯皮爾曼等級相關系數。
34、本專利技術的第二個目的可以通過采取如下技術方案達到：
35、一種基于醬油最佳發酵時間的發酵罐群智能管理系統，所述系統包括：
36、數據采集模塊，用于采集發酵罐群的生產數據并存儲，作為發酵罐群的歷史生產數據；其中，生產數據包括發酵過程數據和產品品質指標數據；
37、數據預處理模塊，用于對發酵罐群的歷史生產數據進行預處理；
38、相關系數計算模塊，用于根據預處理后的歷史生產數據，計算發酵過程數據與產品品質指標的相關系數；
39、模型訓練模塊，用于根據預處理后的歷史生產數據，建立發酵過程數據與產品品質指標數據的數學關系的神經網絡模型；將預處理后的歷史生產數據作為樣本數據，采用梯度下降算法訓練神經網絡模型；其中，在梯度下降算法取值時，根據發酵過程數據和產品品質指標數據的相關系數選取迭代計算步長，以提高計算效率；
40、動態管理模塊，用于根據實時采集的發酵罐群的發酵過程數據，利用訓練好的神經網絡模型輸出預測的發酵罐群的產品品質指標數據；根據產品品質指標數據，以醬油最佳發酵時間和發酵罐群整體生產品質最優化為目標，建立動態管理數學模型，并采用遺傳算法計算最優化目本文檔來自技高網...
【技術保護點】
1.一種基于醬油最佳發酵時間的發酵罐群智能管理方法，其特征在于，所述方法包括：
2.根據權利要求1所述的發酵罐群智能管理方法，其特征在于，所述產品品質指標數據包括醬油氨氮含量ANN和醬油全氮含量TNN；
3.根據權利要求1、2任一項所述的發酵罐群智能管理方法，其特征在于，在遺傳算法中，以參與遺傳算法計算的發酵罐作為染色體，參與遺傳算法計算的所有發酵罐的總數量為染色體的數量。
4.根據權利要求1所述的發酵罐群智能管理方法，其特征在于，所述將預處理后的歷史生產數據作為樣本數據，采用梯度下降算法訓練神經網絡模型，包括：
5.根據權利要求4所述的發酵罐群智能管理方法，其特征在于，所述根據實時采集的發酵罐群的發酵過程數據，利用訓練好的神經網絡模型輸出預測的發酵罐群的產品品質指標數據，包括：
6.根據權利要求1、5任一項所述的發酵罐群智能管理方法，其特征在于，所述發酵過程數據包括發酵罐內溫度、光照強度、大氣溫度、大氣濕度、生產日期以及酵罐所處罐區的行、列位置，產品品質指標數據包括醬油氨氮含量和醬油全氮含量；
7.根據權利
8.根據權利要求1所述的發酵罐群智能管理方法，其特征在于，所述相關系數的計算采用斯皮爾曼等級相關系數。
9.一種基于醬油最佳發酵時間的發酵罐群智能管理系統，其特征在于，所述系統包括：
10.一種計算機程序產品，其特征在于，包括計算機程序，所述計算機程序在被處理器執行時實現如權利要求1~8任一項所述的發酵罐群智能管理方法。
...【技術特征摘要】
1.一種基于醬油最佳發酵時間的發酵罐群智能管理方法，其特征在于，所述方法包括：
2.根據權利要求1所述的發酵罐群智能管理方法，其特征在于，所述產品品質指標數據包括醬油氨氮含量ann和醬油全氮含量tnn；
3.根據權利要求1、2任一項所述的發酵罐群智能管理方法，其特征在于，在遺傳算法中，以參與遺傳算法計算的發酵罐作為染色體，參與遺傳算法計算的所有發酵罐的總數量為染色體的數量。
4.根據權利要求1所述的發酵罐群智能管理方法，其特征在于，所述將預處理后的歷史生產數據作為樣本數據，采用梯度下降算法訓練神經網絡模型，包括：
5.根據權利要求4所述的發酵罐群智能管理方法，其特征在于，所述根據實時采集的發酵罐群的發酵過程數據，利用訓練好的神經網絡模型輸出預測的發酵罐群的產品品質指標數據，包括：
【專利技術屬性】
技術研發人員：許華忠，王罡，鐘卓彬，唐偉強，
申請(專利權)人：華南理工大學，
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。