周曉陽, 姚毅, 賈金陳博
(1.四川理工學(xué)院a.自動(dòng)化與信息工程學(xué)院;b計(jì)算機(jī)學(xué)院, 四川自貢643000;2.人工智能四川省重點(diǎn)實(shí)驗(yàn)室, 四川自貢 643000)
基于信息融合的濃香型白酒發(fā)酵入窖條件研究
(1.四川理工學(xué)院a.自動(dòng)化與信息工程學(xué)院;b計(jì)算機(jī)學(xué)院, 四川自貢643000;2.人工智能四川省重點(diǎn)實(shí)驗(yàn)室, 四川自貢 643000)
濃香型白酒的發(fā)酵過程幾乎不可控,因此入窖條件是白酒發(fā)酵重要的參考指標(biāo)。在研究濃香型白酒入窖條件的基礎(chǔ)上,采用了云模型與改進(jìn)的D-S證據(jù)理論實(shí)現(xiàn)了對(duì)白酒發(fā)酵的入窖條件定量評(píng)估。通過資料和工人的經(jīng)驗(yàn)驗(yàn)證,首先介紹了對(duì)白酒入窖情況影響較大的四種參數(shù),分別為溫度、酸度、淀粉含量、水分。通過Matlab仿真對(duì)入窖情況建立隸屬度云模型,使得每一個(gè)參數(shù)都有其對(duì)應(yīng)的隸屬度函數(shù)。將已采集的樣本參數(shù)通過云模型實(shí)現(xiàn)各個(gè)評(píng)判標(biāo)準(zhǔn)的隸屬度情況,并利用改進(jìn)的D-S證據(jù)理論對(duì)樣本數(shù)據(jù)進(jìn)行分析。經(jīng)驗(yàn)證,對(duì)白酒的入窖狀況分析可以達(dá)到比較準(zhǔn)確的定量分析,大大降低了人工判別的主觀性和隨機(jī)性。
D-S證據(jù)理論;云模型;入窖條件;信息融合;白酒發(fā)酵
濃香型白酒的發(fā)酵過程是一個(gè)厭氧生物發(fā)酵的過程,發(fā)酵全程采用固態(tài)發(fā)酵[1],且發(fā)酵中途不易對(duì)窖內(nèi)參數(shù)進(jìn)行控制[2]。因此酒醅的入窖條件對(duì)于白酒的后期發(fā)酵過程至關(guān)重要,其決定了最終發(fā)酵后的白酒質(zhì)量。發(fā)酵過程中溫度、水分、淀粉含量、酸度、糧醩比、用曲量等對(duì)白酒的發(fā)酵都至關(guān)重要。本文主要研究酒醅的入窖情況,因此選取了淀粉含量、水分、酸度、溫度四個(gè)關(guān)鍵量對(duì)酒醅入窖情況作分析并用以指導(dǎo)生產(chǎn)。入窖條件檢測(cè)系統(tǒng)框圖如圖1所示。
圖1入窖條件檢測(cè)系統(tǒng)框圖
由于不同季節(jié)酒醅的發(fā)酵程度和適宜條件有所變化,采集到的信息可信度和可行性不一定合乎常規(guī),經(jīng)過模糊算法處理后可以大大提高數(shù)據(jù)的可靠性。云模型是一種處理定性概念與定量描述的不確定轉(zhuǎn)換模型,由隸屬度轉(zhuǎn)化為滿足D-S證據(jù)理論歸一化條件的精確值,再由D-S證據(jù)理論合成得出決策結(jié)果。通過D-S證據(jù)理論融合后的值將能準(zhǔn)確反映各個(gè)參量變化的情況下對(duì)入窖條件的影響程度。
濃香型曲酒是固態(tài)低溫緩慢發(fā)酵而成,除熱季外,入窖溫度在18 ℃~24 ℃。入窖溫度過高,微生物酶的催化作用加速,糖化發(fā)酵速率加快,引起升溫過快過猛,雜菌生長(zhǎng)加速,導(dǎo)致生酸過多,而且在發(fā)酵后期酶鈍化失活,影響酒的產(chǎn)量和質(zhì)量[3]。若入窖溫度過低,則會(huì)使發(fā)酵進(jìn)行的時(shí)間持續(xù)更長(zhǎng),進(jìn)而變相降低了產(chǎn)量(表1)。適宜的入窖溫度,能保證糖化發(fā)酵緩慢進(jìn)行,尤其有利于各種復(fù)雜香味物質(zhì)的生化合成,對(duì)提高出酒率和曲酒質(zhì)量有決定意義[4]。
表1入窖溫度對(duì)產(chǎn)量質(zhì)量的影響
入窖溫度適宜時(shí),生酸少,相同的原料下產(chǎn)量更高,酒的品質(zhì)更好,淀粉利用率高。而入窖溫度不適時(shí),則生酸多,產(chǎn)量質(zhì)量均不如前者。
水為微生物發(fā)酵提供必要的環(huán)境,對(duì)于發(fā)酵意義重大。水分過高時(shí)酒味淡薄,且使糟子發(fā)軟現(xiàn)泥,對(duì)于發(fā)酵極為不利。水分過低時(shí)糟子起疙瘩、發(fā)燒,對(duì)糖化也不利[5]。入窖水分一般掌握在52.5%~54.5%為宜。
適當(dāng)?shù)乃岫扔欣谔峁┪⑸锼璀h(huán)境和抑制雜菌的繁殖,有利于增強(qiáng)糊化和糖化作用,促進(jìn)香味物質(zhì)的生成,產(chǎn)生酯化作用[6]。酸度在1.2~1.7為宜。若入窖酸度過高或過低,不利于糖化發(fā)酵,也不利于生香功能菌的繁殖、代謝。
淀粉含量是酒醅入窖狀況的一項(xiàng)重要檢測(cè)指標(biāo)。淀粉含量過低,其產(chǎn)出酒的酒味淡薄,過高則影響酒的產(chǎn)量與質(zhì)量[7]。淀粉含量在18%~23%為宜。
不確定是相對(duì)精度的概念,包含模糊性與隨機(jī)性,模糊性主要指人為主觀理解上的不確定性,而隨機(jī)性反映的是自然規(guī)律的不確定性[8]。云模型是用來表示某個(gè)定性概念與其定量表示之間的不確定轉(zhuǎn)換模型[9],云模型的數(shù)字特征用期望Ex、熵En和超熵He這3個(gè)值表示,它把模糊性和隨機(jī)性完全集合在一起,構(gòu)成定性和定量之間的映射[10]。其中Ex代表定性概念,是概念量化的最典型樣本,En反映了定性概念的不確定性,He是En的不確定性的度量,即熵的熵[11]。根據(jù)生產(chǎn)現(xiàn)場(chǎng)經(jīng)驗(yàn)可得到入窖情況等級(jí)判決,見表2。
表2入窖條件等級(jí)分布
根據(jù)入窖條件檢測(cè)值可以得到不同分級(jí)隸屬度的精確值,得到的精確值精度為0.0001時(shí)近似為0,同一監(jiān)測(cè)量所對(duì)應(yīng)的等級(jí)隸屬度之和為1[12-13]。當(dāng)精確值的和小于1時(shí),則將差值歸結(jié)到不確定項(xiàng),即可滿足D-S證據(jù)基本概率分配的歸一化條件[14]。根據(jù)入窖情況的分布情況,通過Matlab仿真得到酒醅入窖條件中水分、酸度、淀粉含量和溫度的隸屬度云分布曲線,如圖2所示。
某濃香型酒廠采集數(shù)據(jù)見表3,由入窖條件的基本概率分配函數(shù)BPA(Basic Probability Assignment)可知樣本一的各參數(shù)基本在適宜范圍內(nèi);樣本二的水分略低,其余三項(xiàng)指標(biāo)均正常;樣本三的淀粉含量較低,其余三項(xiàng)參數(shù)均適宜;樣本四的水分含量與酸度均過高,溫度和淀粉含量均適宜。
表3不同環(huán)境下采集的樣本數(shù)據(jù)
據(jù)上述方法得到表4滿足D-S證據(jù)理論的歸一化條件的樣本數(shù)據(jù)。
表4樣本中各檢測(cè)量對(duì)應(yīng)的基本概率分配
若U為一個(gè)內(nèi)部元素兩兩互斥的無窮集合,設(shè)U為識(shí)別框架,基本信任分配函數(shù)m是一個(gè)從集合2U到[0,1]的映射,A表示識(shí)別框架U的任一子集[15],記作A?U,且滿足:
(1)
式中:m(A)稱為事件A的基本信任分配函數(shù),它表示證據(jù)對(duì)A的信任程度[16]。
3.2兩個(gè)或多個(gè)證據(jù)的合成規(guī)則
設(shè)辨識(shí)框架U下兩證據(jù)m1和m2,則D-S組合公式為:
(2)
式中:
K反映了各個(gè)證據(jù)之間的沖突程度,稱為沖突系數(shù),范圍[0,1]。其值越接近1,表明證據(jù)間沖突越大;越接近0,表明沖突越小[17-18]。
(3)
(4)
如信度級(jí)數(shù)為10級(jí)時(shí),根據(jù)各證據(jù)的證據(jù)可信度距離平均證據(jù)的偏差值來確定加權(quán)系數(shù)的公式:
(5)
式中,Δd表示dmax-dmin。進(jìn)一步可以得到分配系數(shù)ci:
(6)
(7)
得出結(jié)果:
(8)
其中:n-1為算子⊕進(jìn)行D-S運(yùn)算的次數(shù)。
在改進(jìn)后的D-S算法中,加權(quán)證據(jù)的權(quán)值系數(shù)隨著信度級(jí)數(shù)的不同而改變,信度級(jí)數(shù)越大,與平均證據(jù)偏差越小的證據(jù)獲得越大的權(quán)值系數(shù)。通過改進(jìn)的D-S證據(jù)理論算法,不同信度級(jí)數(shù)下各個(gè)樣本的信息融合結(jié)果見表5。
由表5可知,樣本一各個(gè)參數(shù)均正常,最終的判斷結(jié)果也得到接近于1的“適宜入窖”的判決;樣本二的水分偏低,樣本三的淀粉含量較低,但最終兩個(gè)樣本融合后的情況卻相差極大。樣本二的判決結(jié)果為“適宜入窖”,而樣本三判決結(jié)果為“適宜入窖”的信任函數(shù)值為0.5893,說明淀粉含量偏離程度較大;樣本四的水分含量與酸度均過高,最終的判決結(jié)果為“不適宜入窖”。由此可知,該方法不僅可以判別最終入窖的大致情況,且可以判斷出某一項(xiàng)參數(shù)對(duì)于發(fā)酵的影響程度。
針對(duì)酒醅入窖前的情況,采用模糊理論與D-S證據(jù)理論構(gòu)成的檢測(cè)系統(tǒng),充分利用酒醅檢測(cè)信息,實(shí)現(xiàn)傳感器信息的有效融合,為酒醅入窖的情況作了科學(xué)的預(yù)判,提高了酒醅的利用率和發(fā)酵的可行性,保證了發(fā)酵安全適當(dāng)進(jìn)行。在今后的工作中,將對(duì)酒醅入窖前情況與發(fā)酵情況建立聯(lián)系,對(duì)發(fā)酵情況的認(rèn)知了解更將深刻。
表5不同信度級(jí)數(shù)對(duì)應(yīng)的融合結(jié)果
[1] 王勇,羅惠波,劉燕梅,等.濃香型大曲中多株芽孢桿菌的分離及鑒定[J].四川理工學(xué)院學(xué)報(bào):自然科學(xué)版,2015,28(2):5-8.
[2] 馬連松.不同季節(jié)入窖條件對(duì)濃香型白酒產(chǎn)量和質(zhì)量的影響[D].濟(jì)南:齊魯工業(yè)大學(xué),2015.
[3] 李大和,李國紅,李國林.淺談濃香型大曲酒入窖發(fā)酵條件與產(chǎn)質(zhì)量的關(guān)系[J].釀酒,2002,29(5):21-22.
[4] 祝云飛,黃治國,鄧杰,等.濃香型大曲中一株酵母菌的分離鑒定及其揮發(fā)性產(chǎn)物分析[J].四川理工學(xué)院學(xué)報(bào):自然科學(xué)版,2016,29(1):7-11.
[5] 田殿梅,張良,霍丹群,等.瀘糯八號(hào)高粱酒糟釀造濃香型白酒入窖條件優(yōu)化[J].食品與發(fā)酵工業(yè),2013,39(12):119-122,127.
[6] 馬加軍.濃香型大曲酒春夏秋冬入窖酸度的研究[J].釀酒科技,1995(4):20-22.
[7] 賴登燡.五糧濃香白酒生產(chǎn)入窖條件的研究[J].釀酒,2016,43(3):17-19.
[8] 陳建平,扈延光,劉向坤,等.考慮環(huán)境因素及可信度的可靠性仿真方法[J].科學(xué)技術(shù)與工程,2016,16(32):150-153.
[9] YAN F,XU K L,CUI Z K,et al.An improved layer of protection analysis based on a cloud model: Methodology and case study[J].Journal of Loss Prevention in the Process Industries,2017,48:41-47.
[10] GAO H B,XIE G T,LIU H Z,et al.Lateral control of autonomous vehicles based on learning driver behavior via cloud model[J].Journal of China Universities of Posts & Telecommunications,2017,24(2):10-17.
[11] MA S D,ZHANG H Z,YANG G Q.Target threat level assessment based on cloud model under fuzzy and uncertain conditions in air combat simulation[J].Aerospace Science and Technology,2017,67:49-53.
[12] 陳強(qiáng),張九衛(wèi),姚宇樂.煤礦瓦斯監(jiān)測(cè)及多傳感器信息融合的研究[J].礦山機(jī)械,2015,43(11):134-137.
[13] YAN H,WU D,HUANG Y,et al.Water eutrophication assessment based on rough set and multidimensional cloud model[J].Chemometrics & Intelligent Laboratory Systems,2017,164:103-112.
[14] 丁文靜,劉以安,薛松.基于證據(jù)價(jià)值的沖突證據(jù)合成方法[J].計(jì)算機(jī)工程與科學(xué),2016,38(8):1715-1720.
[15] YANG H,HASSAN S G,WANG L,et al.Fault diagnosis method for water quality monitoring and control equipment in aquaculture based on multiple SVM combined with D-S evidence theory[J].Computers & Electronics in Agriculture,2017,141:96-108.
[16] 李松彬,王加陽,陳林書.粗證據(jù)合成的一致性研究[J].小型微型計(jì)算機(jī)系統(tǒng),2016,37(5):982-986.
[17] LI H S,PAN D.Multi-photoelectric detection sensor target information recognition method based on D-S data fusion[J].Sensors and Actuators A:Physical,2017,264:117-122.
[18] GUO K H,LI W L.Combination rule of D-S evidence theory based on the strategy of cross merging between evidences[J].Expert Systems with Applications,2011,38(10):13360-13366.
Research on Cellar Inlet Condition of Luzhou Flavor Liquor Fermentation Based on Information Fusion
ZHOUXiaoyang1a,2,YAOYi1a,2,JIAJinling1b,2,CHENBo1a,2
(1a.School of Automation & Information Engineering; 1b.School of Computer Science, Sichuan University of Science & Engineering, Zigong 643000,China; 2.Artificial Intelligence Key Laboratory of Sichuan Province, Zigong 643000, China)
The fermentation process of Luzhou flavor liquor is almost uncontrollable, therefore the cellar inlet condition is an important reference index for liquor fermentation. Based on the study of the cellar conditions of Luzhou flavor liquor, the cloud model and the improved D-S evidence theory are adopted to realize the quantitative evaluation of cellar inlet condition of liquor fermentation. After studying considerable data and experience of workers, four kinds of parameters affecting the condition of fermentation are introduced, which are temperature, acidity, starch content and moisture content. Through the Matlab simulation, the cloud model is established to make each parameter own its corresponding membership function. The sampled data is realized to evaluate the membership standard by the cloud model, and the improved D-S evidence theory is used to analyze the sampled data. It has been proved that the analysis of the cellar inlet condition of Luzhou flavor liquor can achieve an accurate quantitative analysis, meanwhile greatly reduces the subjectivity and randomness of artificial discrimination.
D-S evidence theory; cloud model; cellar inlet condition; information fusion; liquor fermentation
1673-1549(2017)06-0061-05
10.11863/j.suse.2017.06.11
2017-09-14
四川省教育廳應(yīng)用基礎(chǔ)計(jì)劃項(xiàng)目(2015JY0208)
周曉陽(1992-),男,四川廣元人,碩士生,主要從事智能測(cè)試方面的研究,(E-mail)zhouxy666@163.com
姚 毅(1961-),男,四川自貢人,教授,碩士,主要從事智能測(cè)試與專家系統(tǒng)方面的研究。
賈金玲(1959-),女,北京人,教授,碩士,主要從事信號(hào)檢測(cè)與智能信息處理方面的研究。
TP181
A