“數(shù)字孿生建模”黃酒發(fā)酵過程自動化運用的現(xiàn)狀分析

許錫飚，蔣國慶，劉登峰，3*

（1.紹興女兒紅釀酒有限公司，浙江上虞 312352；2.江南大學人工智能與計算機學院，江蘇無錫 214129；3.江南大學輕工過程先進控制教育部重點實驗室，江蘇無錫 214129）

我國傳統(tǒng)發(fā)酵食品如黃酒、食醋、醬油等市場巨大，2020 年，國內傳統(tǒng)發(fā)酵食品產(chǎn)業(yè)總產(chǎn)值達萬億元以上[1]。但是，目前這些傳統(tǒng)食品發(fā)酵過程的控制大部分仍以傳統(tǒng)手工操作為主，造成企業(yè)生產(chǎn)效率低下、工人勞動強度大以及產(chǎn)品質量批次穩(wěn)定性差等問題。如何通過實現(xiàn)發(fā)酵過程的自動控制，減輕工人勞動強度、提升發(fā)酵食品品質、保持質量穩(wěn)定性，已成為我國傳統(tǒng)發(fā)酵食品產(chǎn)業(yè)必須面對的問題。

黃酒是我國的特有酒種，不僅廣受人民群眾喜愛，而且具有民族文化特色。主要是以谷物（南方主要是糯米，北方是黍米和玉米）為原料，以麥曲為糖化劑，以黃酒酵母為發(fā)酵劑，經(jīng)浸米、蒸煮、糖化、發(fā)酵、壓榨、過濾、煎酒、貯存而成的一種低酒精度發(fā)酵酒。其發(fā)酵工藝特點是基于復雜的發(fā)酵微生物群落代謝，發(fā)酵周期較長，代謝產(chǎn)物組成復雜且風味獨特。截至目前，主流的生產(chǎn)方式是采用陶缸、陶壇作為發(fā)酵容器，依靠釀酒師的人工經(jīng)驗進行手工操作。一方面，不同酒廠、不同師傅釀造出的黃酒為消費者提供了個性化的選擇；另一方面，不同師傅、不同批次的黃酒品質參差不一，穩(wěn)定性較差。近15 年來，我們團隊先后與無錫錫山、古越龍山、女兒紅等知名黃酒企業(yè)進行了產(chǎn)學研合作，在機械化黃酒釀造領域進行深耕，初步實現(xiàn)了小規(guī)模黃酒發(fā)酵過程的機械化釀造[2-3]，但其中關鍵工藝技術和生產(chǎn)控制點仍依賴于釀酒師的經(jīng)驗。

針對這一問題，一些學者對黃酒發(fā)酵過程的自動化控制進行了研究，自動控制系統(tǒng)的基礎是能夠準確描述黃酒發(fā)酵過程特點的數(shù)學模型。包括黃酒在內的我國大部分傳統(tǒng)發(fā)酵食品生產(chǎn)過程屬于典型的多變量輸入/輸出、非線性、時變的復雜系統(tǒng)。目前針對該類過程建立的過程模型和參數(shù)辨識方法尚不能達到控制模型的要求，主要存在以下問題：

一是模型建立方面，黃酒發(fā)酵的生產(chǎn)過程是一個多變量輸入/輸出的交互過程，因此其過程控制應是一個多目標優(yōu)化問題，而目前建立的發(fā)酵過程模型大多以單目標優(yōu)化為主，且只是生化工程宏觀動力學概念在發(fā)酵工程上的延伸，造成已有的發(fā)酵模型結構不能準確描述發(fā)酵過程。

二是模型參數(shù)辨識方面，在發(fā)酵過程中，一些關鍵生物變量的不可在線測量，例如酒精度、糖類、酸類等物質，一般只能離線測量，造成建立的模型因輸入刷新/輸出采樣呈現(xiàn)稀疏且不規(guī)則而產(chǎn)生非均勻采樣問題，導致參數(shù)辨識困難，目前仍缺乏有效的處理算法。

因此，如何開發(fā)出包含多輸入/多輸出變量的控制模型結構和針對發(fā)酵過程非均勻采樣問題的參數(shù)辨識處理算法，是成功實現(xiàn)黃酒發(fā)酵過程自動化的核心與關鍵。

本文針對我國黃酒發(fā)酵過程控制的現(xiàn)狀和難點，總結了黃酒發(fā)酵過程自動化的數(shù)字建模以及其模型優(yōu)化的研究現(xiàn)狀，提出了未來的發(fā)展趨勢，以期為黃酒產(chǎn)業(yè)的健康發(fā)展提供參考。

1 黃酒發(fā)酵過程控制的挑戰(zhàn)

黃酒發(fā)酵的實質是復雜的生物化學反應過程，可以看作是底物各組分濃度、起始細胞濃度、通氣時間（開耙操作）等為輸入變量，溫度、pH 值、產(chǎn)物各組分濃度、菌體濃度等為輸出變量的多變量輸入/輸出系統(tǒng)。

徐國強等[2]結合LabVIEW、S7-300 PLC 以及相關傳感器提出了黃酒前酵過程的控制系統(tǒng)，該系統(tǒng)可以實現(xiàn)對溫度、溶氧兩個參數(shù)的采集和監(jiān)控；馬明等[3]對此系統(tǒng)進行了完善，遠程用戶可以通過該系統(tǒng)查詢歷史數(shù)據(jù)、制定實時控制任務。在國內首次實現(xiàn)了計算機控制黃酒整個生產(chǎn)過程，改變了黃酒千百年的生產(chǎn)模式，用機器代替手工，大大減輕了工人勞動負擔。該系統(tǒng)主要是針對發(fā)酵過程的溫度和溶氧進行監(jiān)控，發(fā)酵過程的控制仍主要依賴于工作人員。可見，黃酒發(fā)酵自動化控制目前屬于起步階段，尚需要進一步的深入研究，其中的難點在于：

(1)黃酒發(fā)酵酒醪中最主要的參數(shù)如基質細胞濃度、總糖度、酒精度目前尚無傳感器能夠在線實時測量，致使計算機控制的大罐黃酒發(fā)酵數(shù)據(jù)缺失，導致計算機不能進行更精準的控制。

(2)要實現(xiàn)發(fā)酵過程的計算機實時精準控制，必須要建立相適應的發(fā)酵動力學模型，由于發(fā)酵過程重要工藝參數(shù)間互相耦合、關聯(lián)，建立其準確的模型尚有很多難點，雖然可以用軟測量推斷并建立模型，但是理論研究和實際情況有一定的差距，尚需創(chuàng)新研究。

(3)缺少針對黃酒發(fā)酵特征控制算法的研究，黃酒發(fā)酵是一種典型的間歇分階段、大滯后、非線性、時變的復雜生物變化過程，所以一些其他行業(yè)非線性模型的控制算法研究成果無法借鑒應用。

(4)非均勻采樣的數(shù)據(jù)特征給孿生建模造成挑戰(zhàn)。發(fā)酵過程的溫度、溶解氧和pH 值可以在線測量，但酒醪中的主要產(chǎn)物（乙醇、葡萄糖、麥芽糖、麥芽三糖等）濃度，目前尚無合適傳感器，不能實現(xiàn)在線監(jiān)測，只能通過人工采樣、實驗室離線分析才能獲得，造成了采樣點的不規(guī)則性，且相對于可以方便地在線測量的溫度、冷凝水流量、尾氣流量等常規(guī)過程變量，這類采樣點比較稀疏，造成不規(guī)則損失輸出數(shù)據(jù)，是輸出非均勻采樣系統(tǒng)的一個典型特征。

因此，如何盡可能多的獲得黃酒發(fā)酵過程可靠數(shù)據(jù)，解決非均勻采樣數(shù)據(jù)問題，并建立基于數(shù)據(jù)驅動的軟測量數(shù)字孿生模型及基于該模型適應于黃酒釀造體系的控制算法，成為實現(xiàn)黃酒發(fā)酵過程計算機精準控制與優(yōu)化的關鍵。

2 黃酒發(fā)酵過程的數(shù)字孿生建模進展與挑戰(zhàn)

在黃酒的釀制過程中，在溫度和開耙的控制下（控制變量），底物如酒曲、酵母、大米（輸入變量）之間相互作用，產(chǎn)生了多種風味物質，其中糖類、有機酸和乙醇等（輸出變量）的適當比例構成了黃酒鮮美的風味和口感[4]。各廠家越來越重視在黃酒釀造過程中控制高級醇的含量及各組分的比例，以此達到提高黃酒質量、改善風味的目的。但是長期以來傳統(tǒng)食品發(fā)酵的建模研究多局限在實驗室靜態(tài)操作的方法，只是生化工程宏觀動力學概念在發(fā)酵工程上的延伸，這類機理分析和定性優(yōu)化方法采用單目標優(yōu)化策略，難以實現(xiàn)整個發(fā)酵過程最優(yōu)[5]。

2.1 模型分類

建立合理的數(shù)學建模是實現(xiàn)發(fā)酵過程優(yōu)化的基礎。一般來說，數(shù)學模型描述了發(fā)酵過程中重要輸入變量(菌種濃度、培養(yǎng)基組成及濃度、環(huán)境條件等)與輸出變量(生物量、產(chǎn)物濃度、pH 值、溫度等)之間的關聯(lián)，揭示了發(fā)酵狀態(tài)變量的特性。通過模型可以改進過程的控制以達到增產(chǎn)增效目的。目前根據(jù)建立模型的方法不同可將數(shù)學模型分為三種類型：

2.1.1 機理模型

即完全知道內部動力學變化的白箱模型，它是從過程機理出發(fā)，基于酶動力學、發(fā)酵動力學、生化反應工程和基于代謝網(wǎng)絡的物質平衡原理所建立的模型。代表性的建模方法如代謝流分析(MFA)[6]，流量平衡分析(FΒA)[7]以及生化系統(tǒng)理論方法[8]。其中MFA 和FΒA 模型可以用于對細胞內的代謝進行模擬分析[9]。這種模型能夠真實可靠的反映發(fā)酵過程，但會帶來狀態(tài)方程和參數(shù)過多的缺陷，目前這類模型難以直接應用于發(fā)酵過程的控制與優(yōu)化。

2.1.2 數(shù)據(jù)驅動模型

數(shù)據(jù)驅動模型是依據(jù)大量生產(chǎn)批次的發(fā)酵數(shù)據(jù)，利用統(tǒng)計學等知識尋找發(fā)酵規(guī)律所建立的數(shù)學模型。這種模型反眏的是模型輸入變量和輸出變量之間的函數(shù)關系，不具有明確的生物意義，屬于黑箱模型。

代表性的建模方法如人工神經(jīng)網(wǎng)絡(Artificial Neural Net，ANN)[10-11]，ANN 是模擬人腦神經(jīng)網(wǎng)絡而設計的一種計算模型，是由大量神經(jīng)元連接而成的非線性動態(tài)系統(tǒng)。理論上，只要有足夠的訓練數(shù)據(jù)和神經(jīng)元數(shù)量，ANN 就可以學習很多復雜的函數(shù)。Willis 等[12]討論了神經(jīng)網(wǎng)絡在復雜工業(yè)系統(tǒng)的應用，并且通過工業(yè)數(shù)據(jù)的應用證明了該技術對難以測量的質量變量提供估計的適用性。該建模方法最大的優(yōu)點是比較簡單，不需要考慮發(fā)酵期間的生化反應；缺點是數(shù)據(jù)需求量較大，且模型通用性較有限。現(xiàn)實中，由于一些發(fā)酵數(shù)據(jù)需要用到昂貴的儀器設備，或者出于企業(yè)對數(shù)據(jù)隱私性的考慮，獲得海量數(shù)據(jù)對食品發(fā)酵行業(yè)來說困難重重。目前該方法較少用于實際食品發(fā)酵過程的建模。

2.1.3 混合模型

即機理和數(shù)據(jù)驅動混合的“灰箱”模型，介于機理模型與數(shù)據(jù)驅動模型之間。該模型建立的兩大基礎是發(fā)酵過程的主要生化反應以及過程中采集的適量數(shù)據(jù)。該模型在學術科研及實際應用中都很常見[13-18]。在發(fā)酵過程中應用比較成功的有Monod 模型[19-20]，Leudeking-Piret 模型[21-22]，Logistic模型[23]，Levenspicl 模型[24]，Hinshwood 模型[25]，Michaelis-Menten 模型[26]和Cybernetic 模型[27-28]等。它們通過研究生物反應過程中菌體生長、底物消耗、產(chǎn)物合成之間的動態(tài)變化，將各種參數(shù)變化與發(fā)酵代謝規(guī)律聯(lián)系起來，模擬最合適的工藝流程和發(fā)酵工藝參數(shù)，既能反映出生化過程，又可以利用發(fā)酵過程中獲得的數(shù)據(jù)進行模型中參數(shù)的辨識。該類模型綜合了機理模型和數(shù)據(jù)模型的優(yōu)點，同時又避開了數(shù)據(jù)模型需要大數(shù)據(jù)驅動的缺陷，已成為目前生物發(fā)酵系統(tǒng)中較為常用的建模方法。

2.2 黃酒發(fā)酵建模

在黃酒發(fā)酵過程的研究中發(fā)現(xiàn)，發(fā)酵中的主要生物變量如還原糖、有機酸、乙醇、高級醇、pH 值等因素在發(fā)酵前期變化劇烈，發(fā)酵后期參數(shù)變化緩慢。由此得出黃酒發(fā)酵的主要過程在前酵階段，關鍵變量是葡萄糖、麥芽糖、有機酸和乙醇等，它們也是影響黃酒品質的關鍵因素[29-30]。對于黃酒的前酵過程，其發(fā)酵時間一般為3～5 d，主要的機理反應較為清晰，因此采用灰箱模型較為合適。

劉登峰等[31]采用4 種酶源和3 種發(fā)酵溫度對黃酒發(fā)酵狀態(tài)的影響因素進行了研究，結果表明酶源和溫度對主要風味物質均有顯著影響，特別是有機酸、乳酸和乙酸的生產(chǎn)，主要取決于發(fā)酵溫度，從發(fā)酵過程的環(huán)境變量探討了對于建立黃酒發(fā)酵模型的重要影響；劉登峰等[32]根據(jù)黃酒發(fā)酵中糯米的糖化反應過程，建立了低階動力學模型結構(反應速率可調的模型)，對黃酒的糖化反應建立良好的數(shù)學模型；在此基礎上，劉登峰等[33-34]首次對黃酒實際生產(chǎn)前酵過程進行了全程跟蹤監(jiān)測，分別對發(fā)酵過程中的總糖、酒精、總酸及pH 值進行了離線測量，基于發(fā)酵動力學建立了黃酒前酵過程的雙邊發(fā)酵模型；宗原[35]考慮黃酒發(fā)酵過程中酸敗的問題，建立了前酵過程同時糖化、發(fā)酵和酸化的三邊發(fā)酵模型。

在灰箱模型基礎上，如何從眾多的變量中選擇關鍵的輸入、輸出和控制變量，實現(xiàn)不可測量變量的軟測量建模，建立黃酒發(fā)酵過程的系統(tǒng)控制模型仍是進一步研究的方向。

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(shù)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，因此也被用于一些復雜工業(yè)過程的建模中[24-28]。針對工業(yè)過程產(chǎn)生的數(shù)據(jù)中常包含不同的隨機分布特點，熊偉麗等[36]提出了一種基于高斯混合模型的建模策略來提取模型預測誤差中的重要信息，一次提高模型的預測精度；趙帥等[37]針對生物發(fā)酵過程中存在的非線性、多階段的特點，提出了分層集成高斯過程回歸的建模方法。采用高斯混合模型將過程數(shù)據(jù)劃分為不同的階段，以此建立相應的高斯回歸模型，最后對各階段的局部預測結果進行融合。因此，將基于高斯回歸過程的數(shù)據(jù)驅動軟測量建模思想，用于黃酒發(fā)酵過程的不可在線測量數(shù)據(jù)的建模研究是值得嘗試的方向。

3 黃酒發(fā)酵過程模型參數(shù)辨識的方法與挑戰(zhàn)

黃酒發(fā)酵過程是典型的時滯非線性系統(tǒng)，因此建立的模型具有典型的非線性特征。在非線性模型參數(shù)辨識領域，對于非均勻采樣系統(tǒng)，Gopaluni等[38]建立了基于粒子濾波算法和最大期望辨識算法來對非線性損失數(shù)據(jù)系統(tǒng)進行辨識的方法，并通過利用徑向基函數(shù)對模型結構進行近似，實現(xiàn)了將最大期望算法應用于模型結構未知的非線性非均勻采樣數(shù)據(jù)損失的辨識。但是，以上算法的缺陷是只能對參數(shù)進行離線估計。針對該缺陷，Tulsyan 等[39]提出了貝葉斯方法，來實現(xiàn)非線性損失數(shù)據(jù)系統(tǒng)狀態(tài)和參數(shù)聯(lián)合的在線估計。丁鋒等[40]專門針對采樣特別稀少的非均勻采樣系統(tǒng)，提出了輔助模型隨機梯度辨識算法。李大海等[5]針對非均勻采樣系統(tǒng)，基于提升技術獲得了每一個非均勻采樣點上子系統(tǒng)的輸入輸出表達形式，然后利用支持向量方法實現(xiàn)模型參數(shù)的在線辨識，同時提出了這類非均勻采樣系統(tǒng)的模型預測控制方法。

劉登峰等[31，33]考慮到黃酒釀造過程中初始條件對發(fā)酵狀態(tài)有著很大影響，基于廣義預測控制思想，利用Levenberg-Marquardt 算法對建立的模型中的參數(shù)進行了優(yōu)化研究；宗原等[41]針對基于Levenberg-Marquardt 方法辨識黃酒發(fā)酵過程模型參數(shù)時易陷入局部最優(yōu)、收斂速度慢的問題，提出了一種具有萊維飛行機制和柯西變異的蟻獅優(yōu)化算法。

目前針對非線性、非均勻采樣系統(tǒng)的參數(shù)辨識方法主要通過提升技術進行模型轉化再利用傳統(tǒng)的參數(shù)辨識來實現(xiàn)模型的參數(shù)辨識，隨之而來的是提升模型存在因果約束等問題。因此，如何以黃酒發(fā)酵過程控制模型為對象分別從數(shù)據(jù)處理和辨識算法角度，建立更加完善的發(fā)酵過程非均勻采樣系統(tǒng)模型數(shù)據(jù)處理方法，提出計算量較小、精度較高的辨識算法仍有待進一步研究。

4 展望

黃酒發(fā)酵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，所以非線性建模方法的研究成果無法直接應用。為了提高發(fā)酵過程控制的性能，必須針對黃酒大罐發(fā)酵進行深入分析，研究發(fā)酵動力學模型、基于數(shù)據(jù)和知識的軟測量模型是實現(xiàn)黃酒發(fā)酵過程控制與優(yōu)化的關鍵。因此，未來黃酒發(fā)酵過程的數(shù)字孿生建模可以從以下幾個方面來實現(xiàn)：

（1）面向黃酒釀造工業(yè)的具體需求，針對黃酒釀造和發(fā)酵過程控制中的問題，利用已經(jīng)研究完成的黃酒發(fā)酵計算機控制系統(tǒng)結合目前成熟的傳感器，針對黃酒釀造工藝中的發(fā)酵特點，建立在物料平衡和能量平衡等的發(fā)酵動力學模型。

（2）綜合運用大數(shù)據(jù)、物聯(lián)網(wǎng)等新一代信息技術，基于高斯過程回歸、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，建立黃酒發(fā)酵關鍵變量的自適應在線軟測量模型。

（3）結合黃酒發(fā)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，通過對黃酒建立發(fā)酵動力學模型及發(fā)酵機理的研究更加準確和定量的認識其過程中復雜的生化反應、微生物的平衡生長與新陳代謝機理，進一步實現(xiàn)發(fā)酵過程優(yōu)化控制。

目前，基于大數(shù)據(jù)和人工智能實現(xiàn)工業(yè)生產(chǎn)的浪潮已經(jīng)席卷整個中國工業(yè)界，在此背景下，在我國黃酒產(chǎn)業(yè)界，開展傳統(tǒng)黃酒釀造過程的數(shù)字孿生建模用于實現(xiàn)黃酒發(fā)酵過程的優(yōu)化控制研究顯得尤為急迫與重要，不僅可對其他發(fā)酵產(chǎn)品實現(xiàn)自動化發(fā)酵生產(chǎn)提供可借鑒的思路與方法，而且將對釀造過程新的發(fā)酵工藝和發(fā)酵自動化控制裝備的升級起到積極的示范和推動作用。