黄酒作为我国所特有的古老酒种，具有佐餐、烹饪和保健功能，加上具有悠久的历史底蕴。享有“液体蛋糕”、“东方名酒之冠”、“酒中之国粹”的美誉。从2009年开始，浙江古越龙山绍兴黄酒有限责任公司、绍兴女儿红等一大批黄酒生产骨干企业和江南大学本课题组合作，以扩大生产能力和减轻工人劳动强度为目的，在国内首次研究并实现了黄酒主体生产过程的机械化和自动化。根据近几年运行情况看，由于其操作自动化及部分智能化，提高了产品质量，大大降低了人工强度，受到企业与职工的欢迎。纵观目前现状，先进的自动化、信息化、网络化和智能化生产是我国黄酒酿造工业实现可持续发展的必由之路。根据建立模型的方法不同可将数学模型分为三种类型：机理模型(完全知道内部动力学变化的白箱模型，例如代谢流分析(MFA)[1]，流量平衡分析(FBA)以及生化系统理论分析)[2-3]、数据驱动模型(如统计模型以及基于人工神经网络的黑箱模型，不需要知道内部的变化，但需要大量数据提高模型性能)[4-5]和机理数据混合的“灰箱”模型(只需要知道主要反应及适量实验数据即可)[6-12]。
近二十几年来，基于数据驱动的建模算法不需要了解整个过程的内部机理也不需要建立复杂的机理模型，只需要收集日常过程中的运行数据，即充分的挖掘整个过程中的有价值的信息，由于这种建模算法代价低，可实现性比较强，逐渐形成了学术界研究热潮[13]。随着计算机技术、自动化技术、现代测量等技术的快速发展，现代生物发酵过程逐步装备了先进的传感器和仪器仪表，积累的数据也越来越多，包含的过程运行信息也越来越多，这些都为生物发酵过程中数据驱动建模方法的应用研究提供了有利条件。国内外学者在本领域的一些研究情况，如PetrK等对比了基于机理模型的软测量技术和基于数据驱动软测量技术，指出了数据驱动的建模算法的极大优势，以及在各行业的广泛应用[14]。Zamprogna[15]等在发酵过程中，利用主成分分析法提取该相关矩阵属性，用关键的辅助变量作为整个模型的输入变量，建立了蒸馏过程的软传感器。JainP和Rahman[16]等采用支持向量回归技术，建立间歇蒸馏过程模型。刘毅[17]等针对生化过程的非线性和复杂动态性，采用最小二乘支持向量机建模算法，建立了青霉素产物浓度、菌体浓度等发酵过程重要参量的在线预报模型。王福利[18]等针对发酵过程存在未知的时滞性特性问题，提出了基于主元分析法的优化建模方法。近几年，随着高斯过程回归能够基于相似准则建立局部模型，作为一种非参数概率模型，该模型不仅可以给出预测值，还可以得到预测值对模型的信任度，因此也被用于一些复杂工业过程的建模中[19-23]。其中，刘毅[23]等利用高斯过程回归建立了一种化工过程的在线软测量模型，并通过对比分析，得到的模型精度高于常规的最小二乘支持向量机等方法。对黄酒发酵而言，是一种典型的间歇分阶段、大滞后、非线性、时变的复杂生化过程，所以一些非线性建模方法的研究成果一般无法直接应用。为了提高其发酵过程控制的性能，必须对黄酒大罐发酵工艺进行深入分析，研究发酵动力学模型、基于数据和知识的软测量模型是实现黄酒发酵过程控制与优化的关键。由于黄酒是我国所特有的区域性酒种，加上黄酒发酵工艺的特殊与复杂性，目前鲜有学者对黄酒发酵过程的建模进行研究。已有的报道主要集中在对黄酒发酵过程中各种环境变量变化对黄酒质量有何影响的少量报道，如赵梅[24]等对黄酒发酵过程及其关键点控制进行了分析研究，简要分析了发酵过程中各种物质的变化，分析了各阶段的温度变化及其对黄酒中各成分变化的影响。魏桃英[25]等对黄酒发酵中温度及pH值的影响进行了研究，找出了黄酒发酵中淀粉糖化及酵母生长的合适温度。赵梅[26]等分析了黄酒发酵过程中某些时间点的糖类数据，研究了一糖到四糖的动态变化。虽然以上研究先后涉及到了糖化与发酵过程，但是这些研究所取得数据点非常离散，远远达不到建立模型的需求，也就是说对于黄酒发酵的实际过程目前并没有大量数据可供使用，同时对该过程的了解不是很充分，由于发酵机理较复杂,在一定程度上讲，黄酒发酵的建模研究基本上处于空白状态。本研究面向黄酒酿造工业的具体需求，针对黄酒酿造和发酵过程控制中的基本问题，综合运用大数据、物联网等新一代信息技术，研究并构建黄酒酿造过程的智能优化控制系统；针对黄酒酿造工艺中的双边发酵特点，建立在物料平衡和能量平衡等生化反应规律基础上的发酵动力学模型；以高斯过程回归、高斯混合模型、实时学习思想和贝叶斯推断理论，结合多模型技术，实现黄酒发酵关键变量的自适应在线软测量及控制；最后结合黄酒发酵间歇控制的特点，通过构建改进的复合型迭代学习算法，逐渐跟踪设定的工艺轨线，建立批次方向上的控制量迭代学习率，最终实现发酵过程的智能优化控制。
1系统设计
采用理论与实验相结合的研究方法与技术路线，以实际需求为驱动，研究黄酒酿造过程的智能控制系统的构建，并使其中的关键技术、实际系统设计等研究工作相辅相成。总体设计如图1所示。
1.1在数据驱动下建立黄酒发酵过程的新型模型结构
目前存在的生物模型主要是从微观机理出发，建立复杂的生化机理模型，其模型结构比较复杂，不能直接应用于控制研究。而目前存在的控制模型又因为缺乏必要的机理研究而仅处于理论层面，与实际发酵过程缺乏联系。本研究拟通过对生物模型和控制模型的理论分析，结合发酵过程的实际环境因素以及微生物生长的呼吸熵，在发酵过程动力学模型中加入能量动态变化的平衡方程，同时考虑环境因素中的热传递方程，建立包含发酵过程机理以及主要控制因素的适合于控制系统研究的新型模型。本项目黄酒发酵动力学建模的技术路线如图2所示。发酵过程的一般动力学模型较少考虑发酵过程中的能量变化，以及环境因素对发酵过程带来的影响。本研究拟通过考虑在传统的动力学模型变量x中加入能量变化量q，通过考虑呼吸熵以及主要环境因素等变量，通过能量变化与温度之间的关系加入输出参数温度对于该问题，本项目拟利用递阶辨识原理，将传统的传递函数模型辨识方法推广用于发酵过程非均匀采样系统的新型传递函数模型辨识，改变采样周期，使其达到输入与输出同步的效果，并基于已知的数据辨识得到参数向量b。然后基于提出的新模型，利用辨识得到的参数向量b计算不可测量的损失输出数据()iykT+t，利用该交互估计的方法将实现模型的辨识。
1.2基于实时学习的高斯过程回归多模型融合建模
黄酒酿造过程中的非线性、多阶段性和不同的局部动态特性，常常对产品质量的控制产生很大的影响。传统的全局单一模型往往忽略了这些特征，导致软测量模型的预测性能降低。为了改善这种状况，拟采用一种在线不断更新的多模型策略。该方法用高斯混合模型对过程的不同阶段进行辨识，并采用一种自适应实时学习方法，不断更新所建立的高斯过程回归模型。当新的数据到来时，在每个不同的阶段，基于欧式距离和角度原则选择部分相似的数据，用于建立局部的高斯过程回归(GaussianProcessRegression,GPR)模型。最终根据计算得到的新的数据隶属于每个不同阶段的后验概率，对局部模型进行融合输出。与传统的单个模型相比，这种实时学习软测量模型的结构更加灵活，而且能更好地跟踪过程的动态。对于任意一个给定的输入，利用GPR模型可以得到关于对应输出的一个高斯分布。给一种基于实时学习(just-in-timelearning，JITL)的方法能够很好地处理过程的时变性和非线性。与传统方法所建立的全局模型不同，JITL方法所建立的模型具有局部动态结构。传统的全局模型是离线建立的，而基于JITL方法的局部模型是在线建立的，该模型能够更好地跟踪过程当前的状态。同时，由于JITL建立的是局部模型，因此它能更好地处理过程的非线性。基于这些优点，本研究选择JITL方法对模型进行动态更新。基于JITL和GPR的多模型建模过程如图3所示。
1.3黄酒发酵过程的迭代学习控制算法
黄酒发酵过程是属于间歇批次控制，用迭代学习控制方法可适应上述的控制特点，通过引进学习机制，不断地积累温度这一被控变量的信息，在线完成控制器的设计和改进，即把在线的学习、控制与控制系统性能改善的功能综合在一个算法里，通过发酵过程批次间的不断重复加以实现。利用神经网络对任意非线性映射的理想逼近能力，研究一种基于ANNs的迭代学习控制算法，使控制系统具有更强的适应性和鲁棒性。该算法通过神经网络优化对控制器参数进行约束和优化求解，基本思想是：在每一次迭代学习过程中，利用迭代学习控制在线地学习被控对象的特性，使得在一定的控制输入下被控对象的输出良好地跟踪期望输出，并且利用BP神经网络来优化PID型迭代学习律的增益，在每一次的迭代学习过程之后，利用神经网络对当次输出的数据进行优化计算，找出本次最优的学习增益并替换原来的学习增益，使得学习算法获得更快的学习速率，在更少的迭代次数下达到控制性能的要求。基于神经网络的迭代学习控制系统如图4所示，主要由两部分组成：(1)迭代学习控制器：选用PID型学习律的控制器，其中：(2)神经网络：采用BP算法，通过梯度下降法调整权值系数，将系统误差性能指标进行优化。网络以不同时刻输出误差为输入层神经元的输入，输出层神经元的输出对应迭代控制器的pk、ik、dk。根据系统的运行状态，调节控制器参数，以加快学习速率，减少迭代次数，使输出轨迹能尽快准确跟踪期望轨迹。
2结论
针对黄酒酿造工艺中的双边发酵特点，以高斯过程回归、高斯混合模型、实时学习思想和贝叶斯推断理论，结合多模型技术，实现黄酒发酵关键变量的自适应在线软测量及控制；本研究对于提升黄酒企业的自动化和信息化融合深度，实现黄酒发酵过程的智能优化控制、产品质量和批次稳定性的提升，具有重要的理论意义和应用价值。
作者：李时初 徐保国 于泉 单位：绍兴女儿红酿酒有限公司 江南大学物联网工程学院
相关专题：文学杂志征稿 微生物学杂志影响因子
