基于物聯網技術的窖池智能監測系統在濃香型白酒固態發酵中的應用

謝玉球，時　曉，周二干，王　東，劉　亮（江蘇洋河酒廠股份有限公司，江蘇宿遷223800）

?

基于物聯網技術的窖池智能監測系統在濃香型白酒固態發酵中的應用

謝玉球，時曉，周二干，王東，劉亮
（江蘇洋河酒廠股份有限公司，江蘇宿遷223800）

摘要：溫度是影響酒醅發酵的重要因素，酒醅溫度的變化是由環境溫度（主要是地溫）和窖池微生物生長代謝共同作用的結果［1］。利用基于物聯網技術的窖池智能監測系統對濃香型白酒窖內不同空間位置的溫度進行多排次跟蹤監測，繪制變化曲線，并擬合出數學模型。結果表明，各排窖內溫度變化曲線基本符合傳統經驗［2］；使用MATLAB軟件分析數據，采用高斯八階函數曲線模型擬合原始溫度數據的效果較好，與各排次以及層次的原始數據都非常接近。

關鍵詞：物聯網技術；數字化窖池管控系統；濃香型酒醅發酵；發酵溫度；高斯擬合；發酵模型

優先數字出版時間：2016-04-25；地址：http：//www.cnki.net/kcms/detail/52.1051.TS.20160425.1006.003.html。

酒醅發酵過程具有強非線性、時變性和相關性，要實現對發酵過程的進一步優化和控制，必須獲得足夠的發酵過程信息，但其中很多重要生化變量通常無法在線測量，且沒有準確的機理模型可參考利用［3］。因此，準確及時地獲得酒醅發酵信息，對確保當前生產穩定、優化生產工藝具有極其重要的意義。

酒醅發酵過程主要包括主發酵期、生酸期、產香味期三大階段，通過建立單一的全局模型來描述其發酵過程的難度較大。因此，本研究主要考慮在不同發酵周期中主發酵期時段的發酵溫度變化趨勢，以便構造更合理的數學模型。

本研究使用基于ZigBee無線傳輸技術的智能化窖池檢測系統，其具有安裝簡便、低功耗、可靠性高、安全性好的特點，可實時動態監測酒醅發酵狀況。

1材料與方法

1.1材料

洋河酒廠濃香窖池：選擇釀酒車間各小組中，產質量最好、最穩定的小組為研究對象，共計90口窖池。

1.2實驗工具

無線測溫儀：北京旗碩公司數字化窖池管控系統。

測溫裝置整體結構見圖1［4］，由MCU、測溫模塊等五大模塊構成。電源模塊用于給系統供電，測量模塊可自動監測窖池內3種不同深度的溫度值，在裝置顯示模塊（LCD）顯示，并通過基于ZigBee技術的通訊模塊將數據發送到局域網服務器上，降低了人工測量時的主觀誤差，增強數據的準確性。該種無線傳感器網絡可以通過在網路中添加中轉路由進行無限擴展，進而實現近程和遠程監測的目的［4］。

圖1　　 MCU模塊

圖2　　數字化窖池管控系統結構

整套系統（圖2）其特點如下：

（1）簡安裝。安裝簡易，現場布控難度較低。

（2）低功耗：ZigBee的發射功率僅為10 mW，其依靠2節5號電池即可維持長達6～24個月的使用時間。

（3）低成本：ZigBee模塊的成本在1.5～2.5美元，且無專利使用費。

（4）短時延：通信及休眠激活時延非常短，典型的搜索設備時延30 ms、休眠激活時延15 ms、活動設備信道接入時延15 ms。

（5）大容量：一個星型結構的Zigbee網絡最多可容納254個從設備和一個主設備，整個網絡最大容量為65535個節點。

（6）可靠：采取碰撞避免策略，預留固定帶寬通信業務的專用時隙，有效避免發送數據的競爭和沖突。MAC層采用完全確認的數據傳輸模式，每個數據包必須等待接收方的確認信息，在傳輸過程中出現問題時可重發。

（7）安全：提供基于循環冗余校驗（CRC）的數據包完整性檢查功能，支持鑒權和認證，采用AES-128的加密算法。

1.3實驗方法

利用數字化窖池管控系統實時收集窖內酒醅發酵溫度數據，并匯總統計。探頭對窖池正常測溫區域（距窖池側壁30 cm左右）的上層（距窖頂0.5 m深處）、中層（距窖頂1.3 m深處）、下層（距窖頂1.6 m深處）共3個點的酒醅溫度進行實時監測，從封窖開始直到落火為止。

1.4數據分析

利用MINITAB軟件對數據進行原始數據測繪，再使用MATLAB軟件對收集數據進行擬合分析。

2結果與分析

2.1各排次酒醅發酵溫度數據收集

按復工一排、二排、壓窖一排3個排次，測量時監控上中下3個層面的發酵溫度變化。每排次收集30個池口共計30 d的發酵溫度數據，對每天所測溫度數據取平均值后進行分析。

2.1.1復工一排池口各層溫度變化分析

表1　復工一排池口各層溫度統計?。ā妫?/p>

由表1可知，下層酒醅平均入池溫度18.5℃，頂火溫度31.0℃，頂火時間10 d，升溫幅度12.5℃，占火時間11 d；中層酒醅平均入池溫度21.5℃，頂火溫度32.3℃，頂火時間10 d，升溫幅度10.8℃，占火時間10 d；上層酒醅平均入池溫度28.2℃，發酵8 d溫度降至25.5℃，下降幅度2.7℃，發酵16 d溫度再升至27.4℃，隨后發酵溫度逐漸下降（圖3）。

2.1.2二排池口各層溫度變化分析

由表2可知，下層酒醅平均入池溫度17.6℃，頂火溫度28.5℃，頂火時間12 d，升溫幅度10.9℃，占火時間9 d；中層酒醅平均入池溫度22.3℃，頂火溫度26.4℃，頂火時間11 d，升溫幅度4.1℃，占火時間8 d；上層酒醅平均入池溫度32.1℃，發酵9 d，發酵溫度降至24.2℃，下降幅度7.9℃，發酵16 d溫度再升至26.2℃，隨后發酵溫度逐漸下降（圖4）。

圖3　復工一排各層次發酵溫度變化曲線

發酵時間（d）1 2 3 4 5 6 7 8 9 1 0 11 12 13 14 15下層溫度17.6 17.9 18.3 18.9 20.5 22.5 24.3 25.8 26.9 27.7 28.2 28.5 28.5 28.5 28.5中層溫度22.3 23.1 24.0 24.7 25.3 25.6 25.9 26.1 26.3 26.3 26.4 26.4 26.3 26.3 26.2上層溫度32.1 29.6 28.1 27.0 26.1 25.4 24.7 24.4 24.2 24.4 24.7 24.9 25.3 25.7 26.0發酵時間（d）16 17 18 19 20 21 22 23 24 25 26 27 28 29 30下層溫度28.6 28.3 28.0 27.8 27.7 27.5 27.4 26.9 26.5 26.3 26.1 25.8 25.6 25.5 25.3中層溫度26.1 26.0 25.7 25.2 25.0 24.7 24.7 24.5 24.4 24.2 24.1 23.8 23.5 23.2 23.0上層溫度26.2 26.1 25.9 25.3 24.2 23.7 23.0 22.4 22.1 21.8 21.6 21.3 21.2 21.1 21.0

圖4　二排各層次發酵溫度變化曲線

表2二排池口各層溫度統計（℃）2.1.3壓窖一排池口各層溫度變化分析

由表3可知，下層酒醅入池溫度18.7℃，頂火溫度31.5℃，頂火時間8 d，升溫幅度12.8℃，占火時間12 d；中層酒醅入池溫度24.0℃，頂火溫度31.2℃，頂火時間10 d，升溫幅度8.2℃，占火時間10 d；上層酒醅入池溫度34.2℃，發酵6 d溫度降到27.1℃，下降幅度7.1℃，發酵10 d溫度再升至30.2℃，隨后發酵溫度逐漸下降（圖5）。

2.2使用MATLAB軟件分析排次發酵溫度擬合曲線

對各排次窖池的各層酒醅發酵溫度變化曲線使用MATLAB軟件進行了高斯擬合。結果發現，與原始數據繪圖對比，符合度較好，高斯曲線模型對數據擬合效果非常好，各層溫度均滿足高斯方程（圖6、圖7、圖8），只是具體參數有所不同。

表3　壓窖一排池口各層溫度統計

圖5　壓窖一排各層次發酵溫度變化曲線

圖6　復工一排各層發酵溫度高斯曲線擬合結果

限于文章篇幅，此處只列出壓窖一排中層酒醅溫度曲線的高斯方程如下：

General model Gauss8：

f（x）=a1×exp｛-［（x-b1）/c1］2｝+a2×exp｛-［（x-b2）/c2］2｝+ a3×exp｛-［（x-b3）/c3］2｝+a4×exp｛-［（x-b4）/c4］2｝+a5×exp｛-［（x-b5）/c5］2｝+a6×exp｛-［（x-b6）/c6］2｝+a7×exp｛-［（x-b7）/ c7］2｝+a8×exp｛-［（x-b8）/c8］2｝

圖7　二排各層發酵溫度高斯曲線擬合結果

圖8　壓窖一排各層發酵溫度高斯曲線擬合結果

Coefficients（with 95%confidence bounds）：

a1=32.300（-5.633，35.88），b1=11.000（-12.31，15.36），c1 = 2.282（-0.816，3.2）；

a2=31.334（4.679，40.821），b2 =16.000（-10.235，94），c2=1.907（-2.156，3.758）；

a3= 30.268（-12.312，58.924），b3 =21.000（-98.215，102.31），c3=2.094（1.021，15.236）；

a4= 29.099（14.561，82.547），b4 = 26.000（17.546，29.687），c4=4.061（-0.213，9.875）；

a5= 29.034（12.258，254.21），b5 = 6.000（1.023，98.215），c5=1.062（-5.879，13.564）；

a6= 24.925（18.579，69.524），b6 = 8.000（0.952，109.152），c6=1.475（1.025，98.121）；

a7= 24.744（-9.568，94.259），b7 = 4.000（-100.23，56.231），c7=1.565（-12.589，47.861）；

a8=28.536（15.684，159.948），b8 = 12.000（-10.236，99.548），c8=2.314（1.236，213.65）；

Goodness of fit：

SSE：35.42

R-square：0.4009

Adjusted R-square：0.001609

RMSE：4.165

3　討論

3.1溫度參數對發酵過程的重要性

傳統白酒固態發酵是一個多菌種協同發酵過程［5］，微生物的種類和數量都處在動態變化中。由于客觀條件的限制，很難連續地測定實際生產發酵過程中微生物的種類和數量變化。但每一種微生物都有其適宜的生長溫度范圍，如酵母菌的最適溫度為28～30℃、細菌的最適溫度為35～37℃，因此發酵過程中的溫度變化，必然會影響發酵微生物種類和數量，從而影響固態白酒的產、質量。濃香型白酒固態發酵為實現產質量最大化，發酵過程溫度變化要求前緩、中挺、后緩落。

為了解實際生產中酒醅的溫度變化情況，通常采用溫度計插入窖池內的方式，測量酒醅發酵過程中的溫度變化。但這種方式有三大弊端，一是測量范圍有限，只能測量窖池內某點的溫度，無法反映發酵過程中不同部位的升溫變化；二是無法連續記錄，并存在主觀測量誤差；三是破壞發酵環境，測量時會破壞酒醅發酵的厭氧環境。因此必須采用合適的溫度監控系統，連續記錄生產中的酒醅發酵過程，通過分析溫度的變化情況，揭示白酒固態發酵溫度變化與產量和質量之間的關系，為不同季節釀酒工藝及時合理地調整提供了科學的依據［6］。

但白酒行業中的技術應用及進步相對遲緩，信息化、自動化水平不高。根據白酒行業的“十二五”規劃，用現代化技術改造白酒工藝過程中各生產單元的傳統操作模式，徹底將白酒生產從手工勞動生產方式中解脫出來，全面提高企業生產效益；加強科研開發，在原料處理加工、原酒儲存、勾兌調配、產品包裝等工段已經向機械化、大型化、計算機輔助控制等方面發展的基礎上，爭取在發酵、蒸餾機理和裝備上取得突破性進步，促進白酒企業整體向機械化、自動化、現代化發展［7］。物聯網的崛起和推廣應用極大地促進了工業信息化進程，為精確測量、精細生產、信息無縫共享、高效管理提供了強有力的手段，使之成為可能。在目前的技術背景下，高效利用基于Zig-Bee技術的智能化窖池管控系統，使24小時多點在線監控酒醅發酵成為可能。

3.2溫度數據的數字化采集

基于物聯網的白酒固態釀造工藝數字化綜合管控系統包括了智能感知、信息采集與傳輸、智能控制、生產過程數字化管理、生產過程智能決策。涵蓋了制曲、發酵、釀造、蒸餾、鑒定分級等原酒生產環節。

整個數據采集包括：①數據自動采集和人工錄入；②全過程的數字化管理系統；③基于云計算技術的白酒發酵生產過程智能決策系統。

共收集90個池口上中下層溫度，共計270個測溫點。

3.3溫度數據的分析

經MINITAB軟件取平均值進行分析，得出各排次、層次發酵溫度平均值，并進行繪圖，發現各排次的底層發酵溫度曲線走勢符合“前緩、中挺、后緩落”的傳統經驗。

經MATLAB軟件分析，對各層發酵溫度平均值進行高斯方程曲線擬合，發現高斯函數對溫度數據的擬合效果較好，而且隨著次數的升高，擬合程度越好，與原始數據非常接近。

3.4對濃香型各排次、各層次發酵模型的探索

經統計分析，匯總各排次發酵溫度數據后發現：

下層酒醅發酵模型符合“前緩、中挺、后緩落”的發酵趨勢，這與傳統經驗是高度契合的。

中層酒醅發酵模型符合“前緩、中挺、后緩落”的發酵趨勢，這與其酒醅構成、工藝操作是一一對應的。

上層酒醅發酵模型符合“先急落、后快升、再緩降”的發酵趨勢，這與整個上層酒醅的發酵環境、酒醅構成是高度契合的。

由于酒醅發酵受外界多種環境影響因子的影響，理論上說擬合的曲線只是最大程度的逼近原始數據，因此可能存在更好的數學模型適合濃香型窖池發酵的溫度變化趨勢。并且由于不同季節、不同窖池、不同操作等的差異，因此本文的溫度模型公式也有其局限性。

基于數字化窖池管控系統的實時監測特性，工作人員一方面可根據發酵溫度的變化，及時、準確地微調工藝參數，確保酒醅發酵順利，維持釀酒生產的穩定高效；另一方面在大數據支持的基礎上，不斷健全、完善白酒發酵溫度模型。

參考文獻：

［1］周新虎，陳翔，楊勇，等.濃香型白酒窖內參數變化規律及相關性研究（Ⅱ）溫度及其數學模型［J］.釀酒科技，2012（5）：44-46.

［2］黃治國，羅惠波，程鐵轅，等.酒醅發酵過程中溫度變化曲線的實時檢測及其數學模型建立［J］.釀酒科技，2008（10）：20-25.

［3］王貴成.智能控制理論在發酵過程中的應用研究［D］.沈陽：東北大學，2006.

［4］趙殿臣，翟順，王衛紅，等.基于ZigBee的白酒廠窖池無線測溫裝置［J］.釀酒科技，2011（7）：60-63.

［5］樊偉偉，黃惠華.固態發酵數學模型研究進展［J］.釀酒科技，2007（5）：81-84.

［6］周慶伍.白酒固態發酵溫度變化與產、質量關系的研究［J］.釀酒，2008（6）：62-64.

［7］任玉杰.探索白酒有益成分持續提升產品質量［J］.釀酒，2007 （5）：12-13.

中圖分類號：TS262.3；3TS261.4；TP27

文獻標識碼：A

文章編號：1001-9286（2016）05-0075-05

收稿日期：2016-02-24

作者簡介：謝玉球（1957-），男，高級經濟師，高級工程師，高級評酒師，中國白酒專家組成員，國家白酒評委，江蘇洋河酒廠股份有限公司總工藝師。

Application of Internet-of-Things-Based Intelligent Pits Monitoring System in Solid Fermentation of Nongxiang Baijiu

XIE Yuqiu，SHI Xiao，ZHOU Ergan，WANG Dong and LIU Liang
（Yanghe Distillery Co. Ltd.，Suqian，Jiangsu 223800，China）

Abstract：Temperature is an important factor influencing the fermentation of fermented grains. The change of fermented grains temperature is determined by ambient temperature（mainly ground temperature）and microbial growth and metabolism in pits. Internet-of-things-based intelligent pits monitoring system had been applied for tracking and monitoring of the temperature at different spatial location in pits for multiple production rounds. Then the changing curves were drawn and the relative fitting mathematical models were obtained. The results showed that，temperature changing curves in pit in each production round were almost in line with traditional experience，and data analysis by MATLAB software proved Gaussian eight-order function curve model for the fitting of original temperature data was the best choice（very close to the original data in each production round/ at different spatial location）.

Key words：internet of things；digital pits control system；Nongxiang fermented grains；fermentation temperature；Gaussian fitting；fermentation model