基于改進SSA優化預測模型的大曲發酵濕度監控系統

廖俊杰 胡光忠 夏 秋 朱文昌 賓秋月

(四川輕化工大學機械工程學院，四川 宜賓 644000)

大曲是中國傳統白酒釀造中特有的關鍵糖化發酵劑，主要包括菌系、酶系和物系，其中菌系和酶系是乙醇生成和復雜風味化合物產生的必要條件，物系為釀酒提供部分發酵原料和風味形成的前體物質[1-2]。大曲質量的好壞直接決定著白酒的產率和品質，因而素有“曲為酒之骨”之說[3]。目前，大部分大曲生產車間仍依靠人工監測大曲發酵，人工判斷大曲的發酵狀態與質量，但人工測量容易帶入雜菌影響曲塊發酵。大曲的濕度是大曲發酵的重要指標，也是大曲微生物發酵的關鍵條件之一，因此將大曲濕度作為大曲發酵狀態的監測指標具有一定的可行性。

劉國海等[4]提出了利用dbiPLS-SPA建立固體蛋白飼料發酵濕度模型，檢測發酵物濕度，但此方法不適于實時監測發酵。劉慧等[5]探究了稻谷在不同貯藏溫、濕度中的霉菌生長規律，并采用Logistic方程擬合了稻谷霉菌在不同貯藏條件下的生長動力學模型。但此方法采集樣本比較困難，不適用于實時檢測。李清亮等[6]提出了融合遷移學習的土壤濕度預測時空模型，通過三維卷積層提取土壤濕度滯后時刻的空間特征對網絡模型進行訓練。但訓練過程復雜，且采集樣本數量不夠，極易影響模型結果。徐佳樂等[7]提出了雙神經網絡控制算法與內循環管道結構，僅解決了曲房內溫濕度的檢測與控制，使得曲房內溫度更均勻，但并未對大曲發酵狀態進行研究，并不能反映大曲發酵情況。

研究擬建立一種實時預測診斷大曲發酵系統，采用Tent改進麻雀搜索算法(SSA)優化的BP神經網絡預測模型，實時預測大曲發酵濕度。通過預測值與濕度傳感器測量值比較，判斷大曲當前發酵狀態。并采用濕度動態閾值法，通過調控曲房溫濕度，改變大曲發酵濕度至正常狀態，為保障大曲質量研究提供依據。

1 大曲發酵監控系統

1.1 監控系統架構

系統通過傳感器采集大曲發酵過程中的相關參數，傳輸至上位機數據庫，大曲發酵濕度預測模型輸出實時濕度預測值，系統比較預測值與真實值誤差進行大曲發酵診斷，并將診斷結果反饋給工作人員。根據白酒行業標準，若差值超過正常發酵濕度的10%，則大曲發酵異常，系統通過動態閾值法調用執行設備調控曲房環境溫濕度。大曲發酵實時監控結構如圖1所示。

圖1 大曲發酵實時預測診斷結構圖

1.2 大曲濕度仿真預測模型

采用混沌算法(Tent)改進的麻雀搜索算法作優化算法，并利用Matlab以3種機器學習常用算法(BP/SVM/RF)建立預測仿真模型。通過設置模型最佳參數，比較3種仿真預測模型的收斂情況、誤差大小、決定系數等，選擇其中最適仿真預測模型，并采用改進SSA算法優化其預測模型，降低預測模型預測誤差至設定閾值范圍內。預測模型建立流程圖如圖2所示。

圖2 仿真預測模型建立流程圖

1.2.1 預測模型建立 建立3種預測仿真模型(BP/SVM/RF)，模型輸入設定為發酵時長(△t)、起始溫度(Tf)、起始濕度(Hf)、實時溫度(Tt)；模型輸出設定為大曲實時濕度。利用采集所得的1 200組樣本進行訓練，其中隨機將900組設定為訓練集，其余300組為測試集，3種預測模型分別以最佳參數進行訓練。

(1) 輸入：

(2) 輸出：

① BP神經網絡仿真預測模型：

(1)

式中：

Sj——第j個神經元輸入值；

W——權值；

b——偏置。

經樣本不斷訓練確定參數。

② SVM仿真預測模型：

y=f(X)=Wφ(x)+b，

(2)

式中：

W——權值向量；

b——偏置。

利用最小化確定參數。

③ RF仿真預測模型：

(3)

式中：

b——樣本個數。

1.2.2 Tent改進麻雀搜索優化算法 麻雀搜索算法[8](SSA)是一種近年提出的新型群體優化算法，具有搜索精度高，收斂速度快，穩定性好，魯棒性強等特點。但SSA仍然存在搜索接近全局最優時，容易陷入局部最優。文中利用Tent映射初始化種群，引入基于隨機變量的混沌映射[9]，使種群分布更加均勻，加快了種群優化效率。根據改進SSA算法對基礎預測模型進行進一步優化，根據試驗法選擇最佳模型參數，降低預測誤差，仿真預測模型輸出大曲濕度與真實發酵的大曲實時濕度基本一致。

(1) 麻雀搜索算法(SSA)：SSA主要模擬麻雀[10]的覓食與反捕食行為，其發現者位置公式：

(4)

式中：

t——迭代次數；

Xi,j——第i個麻雀種群在j維度中的位置；

α∈(0,1)；

Iitermax——最大迭代次數；

Q——服從正態分布隨機數；

L——1×d且元素均為1的矩陣；

R2∈(0,1)——麻雀預警值；

ST∈(0.5,1)——麻雀種群安全值。

跟隨者更新位置公式[11]：

(5)

式中：

A——元素為1或-1的d維矩陣，A+=A+(AAT)-1。

種群位置更新公式：

(6)

式中：

Xbest——全局最優位置；

β∈(-1,1)；

fi——麻雀個體適應值；

fg——全局最佳適應值；

fw——全局最差適應值。

(2) Tent改進SSA算法：利用Tent混沌算法改進SSA，避免陷入局部最優，提高全局搜索能力和尋優精度[12]。

步驟一：將Tent變量載波到待求解問題的求解空間。

newXd=mind+(maxd-mind)Zd，

(7)

式中：

mind、maxd——d維變量newXd的最大值與最小值。

步驟二：Tent擾動公式

newX′=(X′+newX)/2，

(8)

式中：

X′——需要Tent擾動的個體；

newX——產生的Tent擾動量；

newX′——Tent擾動后的個體。

1.3 監控系統智能調控

2 數據采集與樣本建立

2.1 樣本來源

采用四川宜賓某酒廠發酵大曲作為采集對象，大曲重量約為4.96 kg，大曲組成為大麥粉約60%，豌豆粉40%，制曲時加水量為48%～50%，成曲水分37%～41%，呈中心凸起的長方體，大曲305 mm×180 mm×85 mm，凸起110 mm材料均勻。

2.2 樣本建立

通過傳感器在曲房中采集的溫濕度建立樣本。大曲發酵是大曲上的酵母菌、霉菌、細菌等微生物在淀粉、水、氧氣、適宜溫度等情況下大量增殖產生生物熱。大曲上的水分不斷被微生物吸收、產生，大曲內濕度在發酵過程中維持一個穩態，因此利用初始溫度、初始濕度、發酵時長、實時溫度作為模型輸入，以實時濕度作為輸出建立樣本。將所記錄樣本進行擬合與插值可視化處理，樣本數據見表1。

表1 樣本數據

3 試驗分析

3.1 預測模型評估

利用Matlab分別將BP神經網絡算法、支持向量機(SVM)、隨機森林(RF)建立仿真預測模型，設定900組訓練樣本，300組測試樣本進行模型訓練。訓練樣本集測試結果的誤差平方、平均絕對誤差MAE、均方誤差MSE、均方根誤差RMSE、平均百分比誤差MAPE、相關系數及響應時間見表2。

表2 模型評估

將模型響應時間、相關系數、均方根誤差RMSE作為判定模型的評判標準；仿真預測模型測試如圖3所示。

圖3 預測模型測試圖

根據3種模型仿真測試結果與相關系數、RMSE和相應時間，研究擬采用BP預測模型，但BP神經網絡算法存在極小化、收斂速度慢等問題。因此，采用改進SSA優化BP算法解決以上問題并減小預測誤差，并采用試驗法確定模型結構。

3.2 仿真預測結果

根據改進SSA算法優化BP神經網絡仿真預測模型，確定隱藏層層數與隱藏層節點數。預測模型隱含層設定為1層。BP神經網絡算法確定隱含層節點一般依賴經驗公式[13]：

(9)

式中：

L——隱含層節點數；

m——輸入層節點數；

n——輸出層節點數；

a——調節常數(1～10)。

由表3可知，當隱含層節點數為9時，均方差誤差最低，因此最佳模型結構確定為4-9-1。預測模型正反向傳播調整權值，將輸出值逼近期望值，其模型結構圖如圖4 所示。

在正向傳播中，輸出值：

(10)

在反向傳播中，樣本誤差：

(11)

全局誤差：

(12)

權值調整：

(13)

式中：

μ——學習率；

表3 隱含層不同節點誤差

圖4 預測模型結構圖

由圖5～圖7可知，改進SSA優化仿真預測模型在迭代5次時即獲得最小值，均方誤差低于0.625，預測模型穩定且可靠性強。改進SSA優化預測模型總體均方誤差(MSE)從優化前的2.511 30降低至0.950 17，模型更穩定。

圖5 改進SSA優化BP模型收斂曲線圖

圖6 模型預測偏差圖

圖7 誤差對比圖

4 結論

大曲發酵濕度預測診斷調控系統采用Tent-SSA優化BP神經網絡預測模型進行大曲發酵濕度實時預測，實現了通過預測值與誤差值的比較診斷判斷大曲發酵狀態，同時可利用動態閾值法調用設備調控曲房環境溫濕度。系統具有精準預測診斷大曲發酵的能力，均值百分比誤差約0.596%，且運行穩定，滿足大曲發酵監控需求。但模型訓練主要采用一個曲房內的大曲，未考慮普遍采樣，且采樣時間太短，因此預測模型只適用于大曲階段性的濕度預測，后續應通過不同曲房采樣，同時將采樣時間延長至整個大曲發酵周期，使預測模型更穩定，且具有普遍適用性。