[发明专利]一种啤酒口味的软测量方法

摘要

本发明涉及一种啤酒口味的软测量方法。目前啤酒的口味指标需要通过品酒人员主观评价，给啤酒生产给生产控制带来很大的难度。本发明方法是利用模糊综合评判技术，将啤酒口味指标进行量化处理，再采用非线性部分最小二乘方法来建立原料组分以及生产条件与啤酒口味之间的软测量模型，利用该模型进行啤酒口味预估评判，为生产控制和优化提供操作指导。该模型还可以基于新的数据对模型进行更新。本发明方法能够对啤酒口味进行实时估计，作为生产控制的参考依据，有利于提高产品质量，为啤酒生产过程的控制和优化奠定基础。

主权项

1.一种啤酒口味的软测量方法，其特征在于该方法的具体步骤是：步骤(1)基于啤酒生产过程数据库，采用非线性部分最小二乘方法，建立啤酒口味软测量模型，具体方法是：Ⅰ.通过数据采集装置采集过程运行数据，将采集的过程运行数据作为数据驱动的样本集合，表示为{x(i)，y(i)}；其中x(i)表示第i组输入数据，为所有影响啤酒口味的因素：包括各原料组分的质量百分含量，以及生产操作中的温度、压力、反应时间；y(i)表示第i组输出数据，为构成啤酒风味的指标：包括苦味、酒花香味、口感和杀口力；将输入数据构成输入矩阵X、将输出数据构成输出矩阵Y；Ⅱ.基于输入输出数据建立非线性部分最小二乘模型；步骤如下：对矩阵X和Y进行归一化处理，使之均值为0，方差为1；然后将输入矩阵进行列扩展，扩展项为径向基函数神经网络的隐节点输出矩阵G和元素全为1的列向量1，其中G的每一行对应一个输入向量作用下的隐节点的输出，隐节点的偏置项系数为1；对如下增广输入矩阵和输出矩阵进行部分最小二乘回归：{[1 X G]，Y}，得到的非线性部分最小二乘模型表示为：Y^=XA+GH+1bT=1XGbTAH=XEβ]]>式中X_E表示增广输入矩阵，A和H分别为对应原始输入向量和对应径向基函数神经网络隐节点输出向量的权值系数矩阵，b为输出偏置向量，T表示转置；非线性部分最小二乘模型中的未知参数为隐节点中心向量c、相应宽度向量σ、权值系数矩阵A与H、模型偏置向量b，这些参数按如下步骤确定：①用k-means聚类算法对输入数据进行聚类，得到隐节点中心c；②采用p近邻规则计算隐节点宽度：σj=1pΣi=1p||ci-cj||2,j=1,···,N]]>其中N为隐节点中心的个数，c_i为距离第j个隐节点中心最近的p个隐节点中心；③采用部分最小二乘回归确定权值系数矩阵A、H和偏置向量b：根据得到的隐节点中心和宽度计算隐节点输出矩阵G，然后对输入矩阵进行扩展，得到增广输入矩阵[1 X G]；对数据对{[1 X G]，Y}进行部分最小二乘回归，得到部分最小二乘模型参数矩阵{T，W，P，B，Q}；提取特征变量个数等于增广输入矩阵[1 X G]的秩，而最终用于预测的模型所保留的特征向量个数a采用交叉校验法确定，得到的参数矩阵记为{Ta，Wa，Pa，Ba，Qa}，由它们计算出部分最小二乘回归系数矩阵β，从而得到A，H和b；步骤(2)对于新的批次，应用已经建立的非线性部分最小二乘模型对啤酒口味进行预估分析，为生产操作提供指导：将新批次的组分配比系数及生产条件参数传送给非线性部分最小二乘模型，预估出该批次的啤酒口味指标；步骤(3)当新的批次结束后，利用新数据结合原来的非线性部分最小二乘模型，采用递推算法对模型进行更新，从而使模型可以不断采纳新的信息，适应过程的变化；具体步骤如下：a.记新得到的批次的输入输出数据分别为X1和Y1，且不含异常点；首先采用与步骤(1)中一样的方法对新数据进行数据预处理；b.判断是否增加新的隐节点：如果新数据X1与现有的径向基函数神经网络隐节点中心的距离大于设定值，则加入新的隐节点；记新的隐节点中心矩阵为C_gnew，相应的宽度向量为σ_gnew，对原有的隐节点中心矩阵C_g、相应的宽度向量σ_g和负荷矩阵P进行如下扩展：Cg=CgCgnew,σg=σgσgnew,P=P0]]>如果X1与现有的径向基函数神经网络隐节点中心的距离小于等于设定值，C_g、σ_g和P保持不变；c.将X1扩展为X_E1＝[1 X1 G1]，其中G1为隐节点对于X1的输出矩阵，令对数据对{X_E，Y}进行部分最小二乘回归，得到新的非线性部分最小二乘模型：然后按照步骤(1)中步骤③的方法计算权值系数矩阵A、H和偏置向量b；d.得到新的模型后，返回步骤(2)，将其用于新获得的批次的数据。