黃酒釀造過程的智能控制系統

李時初，徐保國，于　泉(.紹興女兒紅釀酒有限公司，浙江紹興335；.江南大學物聯網工程學院，江蘇無錫4)

?

黃酒釀造過程的智能控制系統

李時初1，徐保國2，于泉2
(1.紹興女兒紅釀酒有限公司，浙江紹興312352；2.江南大學物聯網工程學院，江蘇無錫214122)

摘要：黃酒釀造過程中大多采用人工操作的半機械化生產方式，自動化程度低和批次穩定性差，針對黃酒發酵過程的智能控制理論的研究基本處于空白狀態的情況，在已經建立的黃酒釀造過程計算機控制系統的基礎上，基于數據驅動技術、實時學習、高斯混合模型及貝葉斯推斷等相關理論，針對發酵過程的不同階段，利用已采集的大量生產過程信息，結合多模型技術，建立相應的高斯過程回歸局部模型，并對相關參數進行估計，實現關鍵變量的自適應在線軟測量；通過改進型迭代學習控制算法，逐漸跟蹤設定的工藝軌線，建立批次方向上的控制量迭代學習率，實現設定軌線的快速跟蹤，最終實現多模型融合輸出和優化控制，提升了黃酒企業的兩化融合深度，推進了黃酒釀造的智能控制與優化、產品質量和批次穩定性的提升，具有重要的理論意義和應用價值。

關鍵詞：黃酒；智能控制；數據驅動；自適應；軟測量；迭代學習率

黃酒作為我國所特有的古老酒種，不僅具有佐餐、烹飪和保健功能，并且還有悠久的歷史底蘊，享有“液體蛋糕”“東方名酒之冠”“酒中之國粹”的美譽。從2009年開始，浙江古越龍山紹興黃酒有限責任公司、紹興女兒紅等眾多黃酒生產骨干企業和江南大學本課題組合作，以擴大生產能力和減輕工人勞動強度為目的，在國內首次研究并實現了黃酒主體生產過程的機械化和自動化。根據近幾年運行情況看，由于其操作自動化及部分智能化，提高了產品質量，大大降低了人工勞動強度，受到企業與職工的歡迎。目前，先進的自動化、信息化、網絡化和智能化生產是我國黃酒釀造工業實現可持續發展的必由之路。

根據建立模型的方法不同可將數學模型分為3種類型：機理模型(完全知道內部動力學變化的白箱模型，例如代謝流分析(MFA)[1]，流量平衡分析(FBA)以及生化系統理論分析)[2-3]、數據驅動模型(如統計模型以及基于人工神經網絡的黑箱模型，不需要知道內部的變化，但需要大量數據提高模型性能)[4-5]和機理數據混合的“灰箱”模型(只需要知道主要反應及適量實驗數據即可)[6-12]。

近二十幾年來，基于數據驅動的建模算法不需要了解整個過程的內部機理也不需要建立復雜的機理模型，只需要收集日常過程中的運行數據，即充分地挖掘整個過程中的有價值的信息，由于這種建模算法代價低，可實現性比較強，逐漸形成了學術界研究熱潮[13]。隨著計算機技術、自動化技術、現代測量等技術的快速發展，現代生物發酵過程逐步裝備了先進的傳感器和儀器儀表，積累的數據也越來越多，包含的過程運行信息也越來越多，這些都為生物發酵過程中數據驅動建模方法的應用研究提供了有利條件。

國內外學者在本領域的一些研究情況，如PetrK等對比了基于機理模型的軟測量技術和基于數據驅動軟測量技術，指出了數據驅動的建模算法的極大優勢，以及在各行業的廣泛應用[14]。Zamprogna等[15]在發酵過程中，利用主成分分析法提取該相關矩陣屬性，用關鍵的輔助變量作為整個模型的輸入變量，建立了蒸餾過程的軟傳感器。Jain等[16]采用支持向量回歸技術，建立間歇蒸餾過程模型。劉毅等[17]針對生化過程的非線性和復雜動態性，采用最小二乘支持向量機建模算法，建立了青霉素產物濃度、菌體濃度等發酵過程重要參數的在線預報模型。王福利等[18]針對發酵過程存在未知的時滯性特性問題，提出了基于主元分析法的優化建模方法。近幾年，隨著高斯過程回歸能夠基于相似準則建立局部模型，作為一種非參數概率模型，該模型不僅可以給出預測值，還可以得到預測值對模型的信任度，因此也用于一些復雜工業過程的建模中[19-23]。其中，劉毅等[23]利用高斯過程回歸建立了一種化工過程的在線軟測量模型，并通過對比分析，得到的模型精度高于常規的最小二乘支持向量機等方法。

黃酒發酵過程是一種典型的間歇分階段、大滯后、非線性、時變的復雜生化過程，所以一些非線性建模方法的研究成果一般無法直接應用。為了提高其發酵過程控制的性能，必須對黃酒大罐發酵工藝進行深入分析，研究發酵動力學模型、基于數據和知識的軟測量模型是實現黃酒發酵過程控制與優化的關鍵。

由于黃酒是我國所特有的區域性酒種，加上其發酵工藝的特殊與復雜性，目前鮮有學者對黃酒發酵過程的建模進行研究。已有的報道主要集中在對黃酒發酵過程中各種環境變量變化對黃酒質量有何影響的少量報道，如趙梅等[24]對黃酒發酵過程及其關鍵點控制進行了分析研究，簡要分析了發酵過程中各種物質的變化，分析了各階段的溫度變化及其對黃酒中各成分變化的影響。魏桃英[25]對黃酒發酵中溫度及pH值的影響進行了研究，找出了黃酒發酵中淀粉糖化及酵母生長的合適溫度。趙梅等[26]分析了黃酒發酵過程中某些時間點的糖類數據，研究了從一糖到四糖的動態變化。雖然以上研究先后涉及到了糖化與發酵過程，但是這些研究所取得的數據點非常離散，遠遠達不到建立模型的需求，也就是說對于黃酒發酵的實際過程目前并沒有大量數據可供使用，同時對該過程的了解不是很充分，由于發酵機理較復雜,在一定程度上，黃酒發酵的建模研究基本上處于空白狀態。

本研究面向黃酒釀造工業的具體需求，針對黃酒釀造和發酵過程控制中的基本問題，綜合運用大數據、物聯網等新一代信息技術，研究并構建黃酒釀造過程的智能優化控制系統；針對黃酒釀造工藝中的雙邊發酵特點，建立在物料平衡和能量平衡等生化反應規律基礎上的發酵動力學模型；以高斯過程回歸、高斯混合模型、實時學習思想和貝葉斯推斷理論，結合多模型技術，實現黃酒發酵關鍵變量的自適應在線軟測量及控制；最后結合黃酒發酵間歇控制的特點，通過構建改進的復合型迭代學習算法，逐漸跟蹤設定的工藝軌線，建立批次方向上的控制量迭代學習率，最終實現發酵過程的智能優化控制。

1　系統設計

采用理論與實驗相結合的研究方法和技術路線，以實際需求為驅動，研究黃酒釀造過程的智能控制系統的構建，并使其中的關鍵技術、實際系統設計等研究工作相輔相成。總體設計見圖1。

圖1　系統設計結構圖

1.1在數據驅動下建立黃酒發酵過程的新型模型結構

目前存在的生物模型主要是從微觀機理出發，建立復雜的生化機理模型，其模型結構比較復雜，不能直接應用于控制研究。而目前存在的控制模型又因為缺乏必要的機理研究而僅處于理論層面，與實際發酵過程缺乏聯系。

本研究擬通過對生物模型和控制模型的理論分析，結合發酵過程的實際環境因素以及微生物生長的呼吸熵，在發酵過程動力學模型中加入能量動態變化的平衡方程，同時考慮環境因素中的熱傳遞方程，建立包含發酵過程機理以及主要控制因素的適合于控制系統研究的新型模型。本項目黃酒發酵動力學建模的技術路線見圖2。

圖2　發酵過程建模流程圖

發酵過程的一般動力學模型較少考慮發酵過程中的能量變化，以及環境因素對發酵過程帶來的影響。本研究擬通過考慮在傳統的動力學模型變量x中加入能量變化量q，通過考慮呼吸熵以及主要環境因素等變量，通過能量變化與溫度之間的關系加入輸出參數溫度Tw，從而建立適合于發酵過程的新型模型=f(x(t),t,x(0),u,v,b)， y=g(x(t),t,w,x)，其中：x為狀態向量，u為控制輸入向量，v為擾動向量，w為測量誤差向量，b為系統參數矩陣，y為輸出向量。基于所建模型，進行理論分析并通過簡單實驗驗證對模型中相關次要變量進行簡化，得出與之等價的提升系統模型。

在發酵過程的提升模型y(kT + tj) =u(kT+ti)中，這類輸入輸出數據{u(kT+ti),y(kT+ti),(i=0,1,2L,r-1；j=0,1,2L,s-1),k=0,1,2L, N}，由于不能在線快速測量的關鍵變量采樣周期較長，因此存在某些不可測得的非均勻采樣輸出y(kT+ti)，因此不能直接進行模型參數向量的估計。

對于該問題，本項目擬利用遞階辨識原理，將傳統的傳遞函數模型辨識方法推廣用于發酵過程非均勻采樣系統的新型傳遞函數模型辨識，改變采樣周期，使其達到輸入與輸出同步的效果，并基于已知的數據辨識得到參數向量b。然后基于提出的新模型，利用辨識得到的參數向量b計算不可測量的損失輸出數據y(kT+ti)，利用該交互估計的方法將實現模型的辨識。

為了進一步分析模型的有效性，需要對模型與數值之間的誤差分布情況進行更加詳細的分析。本研究擬利用隨機過程理論，采用游程檢驗分析模型殘差的隨機分布情況，進而驗證模型的有效性。在此檢驗中，用n1記錄模型殘差為正數的情況，用n2記錄模型殘差為負數的情況，用r記錄模型殘差在該狀態變量模擬過程中符號的變化次數。r的分布應該服從正態分布。Brownlee定義變量r的均值和方差為：

1.2基于實時學習的高斯過程回歸多模型融合建模

黃酒釀造過程中的非線性、多階段性和不同的局部動態特性，常常對產品質量的控制產生很大的影響。傳統的全局單一模型往往忽略了這些特征，導致軟測量模型的預測性能降低。為了改善這種狀況，擬采用一種在線不斷更新的多模型策略。該方法用高斯混合模型對過程的不同階段進行辨識，并采用一種自適應實時學習方法，不斷更新所建立的高斯過程回歸模型。當新的數據到來時，在每個不同的階段，基于歐式距離和角度原則選擇部分相似的數據，用于建立局部的高斯過程回歸(Gaussian Process Regression, GPR )模型。最終根據計算得到的新數據隸屬于每個不同階段的后驗概率，對局部模型進行融合輸出。與傳統的單個模型相比，這種實時學習軟測量模型的結構更加靈活，而且能更好地跟蹤過程的動態。

對于任意一個給定的輸入，利用GPR模型可以得到關于對應輸出的一個高斯分布。給定訓練樣本集X∈RD×N和y∈RN，其中X={xi∈RD}i=1L N，y={yi∈R}i=1L N分別代表D維的輸入和輸出數據。輸入和輸出之間的關系由公式(2)產生：

對于一個新的輸入x*，相應的概率預測輸出y*也滿足高斯分布，其均值和方差如式(3)和(4)所示：

式中：c(x*)=[c(x*,x1),…,c(x*,xn)]T是訓練數據和測試數據之間的協方差矩陣；C=Σ+σ2nI是訓練數據之間的協方差矩陣，I是N×N維的單位矩陣；c(x*,x*)是測試數據的自協方差。選擇的高斯協方差函數如公式(5)：

式中：v為控制協方差的量度，ωd代表每個成分xd的相對重要性。

對式(5)中的未知參數v,ω1,L,ωD和高斯噪聲方差σ2n的估計,一般最簡單的方法就是通過極大似然估計得到參數θ=[v,σ2n,ω1,L,ωD]。

對于多模型建模理論，數據的聚類分析是影響建模精度的重要因素之一，高斯混合模型是處理無監督學習的一種常用方法，本研究中將采用高斯混合模型作為對黃酒發酵過程數據分階段的方法。在高斯混合模型中多階段過程的數據X∈Rn×m的概率密度函數可以表示為：

θGM={μ1Lμk,σ12,L,σ2k,π1,L,πk}是高斯混合模型的參數，其中μk、σ2k和πk分別代表第k個高斯成分的均值、協方差和權值。同時，參數πk滿足πk=1和0≤πk≤1。

假設訓練樣本X={xi∈Rm}i=1Ln是獨立同分布的，高斯混合模型的參數可以通過極大化如公式(8)所示的似然函數獲得：

通過期望最大化算法估計模型的參數，根據估計得到的高斯混合模型的參數，對于新的輸入x*，其關于每個高斯成分的后驗概率可以通過式(9)求得：

一種基于實時學習(just-in-time learning，JITL)的方法能夠很好地處理過程的時變性和非線性。與傳統方法所建立的全局模型不同，JITL方法所建立的模型具有局部動態結構。傳統的全局模型是離線建立的，而基于JITL方法的局部模型是在線建立的，該模型能夠更好地跟蹤過程當前的狀態。同時，由于JITL建立的是局部模型，因此它能更好地處理過程的非線性。基于這些優點，本研究選擇JITL方法對模型進行動態更新。基于JITL 和GPR的多模型建模過程見圖3。

圖3　基于JITL和GPR的多模型建模過程

1.3黃酒發酵過程的迭代學習控制算法

黃酒發酵過程是屬于間歇批次控制，用迭代學習控制方法可適應上述的控制特點，通過引進學習機制，不斷地積累溫度這一被控變量的信息，在線完成控制器的設計和改進，即把在線的學習、控制與控制系統性能改善的功能綜合在一個算法里，通過發酵過程批次間的不斷重復加以實現。

利用神經網絡對任意非線性映射的理想逼近能力，研究一種基于ANNs的迭代學習控制算法，使控制系統具有更強的適應性和魯棒性。該算法通過神經網絡優化對控制器參數進行約束和優化求解，基本思想是：在每一次迭代學習過程中，利用迭代學習控制在線地學習被控對象的特性，使得在一定的控制輸入下被控對象的輸出良好地跟蹤期望輸出，并且利用BP神經網絡來優化PID型迭代學習律的增益，在每一次的迭代學習過程之后，利用神經網絡對當次輸出的數據進行優化計算，找出本次最優的學習增益并替換原來的學習增益，使得學習算法獲得更快的學習速率，在更少的迭代次數下達到控制性能的要求。

基于神經網絡的迭代學習控制系統見圖4，主要由兩部分組成：

(1)迭代學習控制器：選用PID型學習律的控制器，其中：

式中，uk(t)、yd(t)、yk(t)分別為控制輸入、期望輸出和實際輸出，ek(t)為輸出誤差，控制器的3個可調參數kp、ki、kd通過神經網絡離線調整。

(2)神經網絡：采用BP算法，通過梯度下降法調整權值系數，將系統誤差性能指標進行優化。網絡以不同時刻輸出誤差為輸入層神經元的輸入，輸出層神經元的輸出對應迭代控制器的kp、ki、kd。根據系統的運行狀態，調節控制器參數，以加快學習速率，減少迭代次數，使輸出軌跡能盡快準確跟蹤期望軌跡。

2　結論

圖4　基于神經網絡的迭代學習控制結構圖

針對黃酒釀造工藝中的雙邊發酵特點，以高斯過程回歸、高斯混合模型、實時學習思想和貝葉斯推斷理論，結合多模型技術，實現黃酒發酵關鍵變量的自適應在線軟測量及控制；本研究對于提升黃酒企業的自動化和信息化融合深度，實現黃酒發酵過程的智能優化控制、產品質量和批次穩定性的提升，具有重要的理論意義和應用價值。

參考文獻：

[1] Wiechert W. 13C metabolic flux analysis[J]. Metabolic Engineering, 2001, 3 (3):195-206.

[2] Kauffman K J, Prakash P, Edwards J S.Advances in flux balance analysis[J]. Current Opinion in Biotechnology, 2003, 14 (5)：491-496.

[3] Curto R, Sorribas A, Cascante M. Comparative characterization of the fermentation pathway of Saccharomyces cerevisiae using biochemical systems theory and metabolic control analysis: Model definition and nomenclature[J]. Mathematical Biosciences, 1995, 130(1)：25-50.

[4] Jeyamkondan S, Jayas D S, Holley RA. Microbial growth modelling with artificial neural networks[J]. International Journal of Food Microbiology, 2001, 64(3)：343-354.

[5] Pugh GA. Synthetic neural networks for process control[J]. Computers & Industrial Engineering, 1989, 17(1-4)：24-26.

[6] Kroumov AD, Módenes AN, Tait M C DA. Development of new unstructured model for simultaneous saccharification and fermentation of starch to ethanol by recombinant strain[J]. Biochemical Engineering Journal, 2006, 28(3)：243-255.

[7] Jones K D, Kompala D S. Cybernetic model of the growth dynamics of Saccharomyces cerevisiae in batch and continuous cultures[J]. Journal of Biotechnology, 1999,71(1-3)：105-131.

[8] Ramakrishna R, Ramkrishna D, Konopka AE. Cybernetic modeling of growth in mixed, substitutable substrate environments: Preferential and simultaneous utilization[J]. Biotechnology and Bioengineering,1996,52(1)：141-151.

[9] Shen J,Agblevor F. The operable modeling of simultaneous saccharification and fermentation of ethanol production from cellulose[J].Applied Biochemistry and Biotechnology, 2010, 160(3)：665-681.

[10] Ko J, Su W J, Chien I L, et al. Dynamic modeling and analyses of simultaneous saccharification and fermentation process to produce bio-ethanol from rice straw[J]. Bioprocess and Biosystems Engineering, 2010, 33(2)：195-205.

[11] Mishima K, Mimura A, Takahara Y, et al. On-line monitoring of cell concentrations by dielectric measurements[J]. Journal of Fermentation and Bioengineering, 1991, 72(4)：291-295.

[12]史仲平,潘豐.發酵過程解析、控制與檢測技術[M].北京：北京化工出版社, 2005.

[13] Kadlec P, GrbiR, Gabrys B. Review of adaptation mechanisms for data-driven soft sensors[J]. Computers and Chemical Engineering, 2011, 35(1)：1-24.

[14] Petr K, Bogdan G, Sibylle S. Data-driven soft sensors in the process industry[J]. Computers and Chemical Engineering, 2009, 33(4)：795-814.

[15] Zamprogna E, Barolo M, Seborg D E. Optimal selection of soft sensor inputs for batch distillation columns using principal component analysis[J]. Journal of Process Control, 2005, 15(1)：39-52.

[16] Jain P, Rahman I, Kulkarni B D. Development of a soft sensor for a batch distillation column using support vector regression techniques[J]. Chemical Engineering Research and Design, 2007, 85(2)：283-287.

[17]劉毅,王海清.采用最小二乘支持向量機的青霉素發酵過程建模研究[J].生物工程學報, 2006, 22(1)：144-148.

[18]賈明興,王福利,何大闊,等.時滯多變量系統PCA優化建模[J].控制與決策, 2007, 22(6)：777-780.

[19] Desai K, Badhe Y, Tambe S S, et al. Soft-sensor development for fed-batch bioreactors using support vector regression[J]. Biochemical Engineering Journal, 2006, 27(3)：225-239.

[20] Yu J.ABayesian inference based two-stage support vector regression framework for soft sensor development in batch bioprocesse[J]. Computers & Chemical Engineering, 2012, 41(5)：134-144.

[21] Ge Z Q, Chen T, Song Z H. Quality prediction for polypropylene production process based on CLGPR model[J]. Control Engineering Practice, 2011, 19(5)：423-432.

[22] Liu Y, Chen J. Integrated soft sensor using just-in-time support vector regression and probabilistic analysis for quality prediction of multi-grade processes[J]. Journal of Process Control, 2013, 23(6)：793-804.

[23] Liu Y, Chen T, Chen J.Auto-switch gaussian process regression-based probabilistic soft sensors for industrial multi-grade processes with transitions[J]. Ind Eng Chem Res, 2015,54：5037-5047.

[24]趙梅,冷云偉,李鵬.黃酒發酵過程分析及關鍵點的控制[J].江蘇調味副食品, 2009, 26 (5)：30-34.

[25]魏桃英.關于黃酒發酵過程中pH的探討[J].釀酒科技, 2005 (3)：78-79.

[26]趙梅,冷云偉,葉輝,等.黃酒大罐發酵及其過程的糖代謝研究[J].釀酒, 2010, 37(2)：58-61.

Intelligent Control System in Yellow Rice Wine Production

LI Shichu1,XU Baoguo2and YU Quan2
(1.Shaoxing Nverhong Wine Co.Ltd,Shaoxing,Zhejiang 312352; 2.School of Internet of Things Engineering, Jiangnan University,Wuxi,Jiangsu 214122,China)

Abstract:Semi-mechanized production mode is the mainstream in yellow rice wine production. It has the disadvantages such as low automation level and poor quality stability among different production turns. Besides, the research on the intelligent control theories about yellow rice wine fermentation is rare. In this study, in view of different stages in yellow rice wine fermentation, on the basis of the related theories such as data driven technology, real time learning, Gauss mixture model and Bayesian inference etc., the corresponding local model of Gauss process regression was established using the collected large amount of production data, the relevant parameters were estimated, and adaptive online soft measurement of key variables were set up. Through the improved iterative learning control algorithm and gradual tracking of the setted technical trajectory, the iterative learning rate of batch direction control was established which could realize fast tracking of the setted orbits. Finally, multi-model fusion output and optimal control were achieved which promoted the intelligent control and optimization of product quality and stability of yellow rice wine. Such system was of important theoretical significance and application value.

Key words:yellow rice wine; intelligent control; data driven; adaptive; soft measurement; iterative learning rate

通訊作者：于泉(1990-)，男，碩士研究生，研究方向：無線傳感器網絡。

作者簡介：李時初(1986-),男，浙江杭州人，大學本科，主要研究方向：釀酒控制系統；徐保國(1951-)，男，教授，研究方向：無線傳感器網絡，現場總線，計算機系統。

收稿日期：2015-11-05

基金項目：江蘇省研究生培養創新工程項目(CXZZ11_0465)；江南大學博士研究生科學研究基金項目(JUDCF11003)。

DOI：10.13746/j.njkj.2015424

中圖分類號：TS262.4；TS261.4；TP27

文獻標識碼：A

文章編號：1001-9286（2016）03-0091-05

優先數字出版時間：2015-12-28；地址：http://www.cnki.net/kcms/detail/52.1051.TS.20151228.1443.005.html。