周曉陽, 姚毅, 賈金陳博

(1.四川理工學院a.自動化與信息工程學院;b計算機學院， 四川自貢643000；2.人工智能四川省重點實驗室， 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

(1.四川理工學院a.自動化與信息工程學院;b計算機學院， 四川自貢643000；2.人工智能四川省重點實驗室， 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。在研究濃香型白酒入窖條件的基礎上，采用了云模型與改進的D-S證據理論實現了對白酒發(fā)酵的入窖條件定量評估。通過資料和工人的經驗驗證，首先介紹了對白酒入窖情況影響較大的四種參數，分別為溫度、酸度、淀粉含量、水分。通過Matlab仿真對入窖情況建立隸屬度云模型，使得每一個參數都有其對應的隸屬度函數。將已采集的樣本參數通過云模型實現各個評判標準的隸屬度情況，并利用改進的D-S證據理論對樣本數據進行分析。經驗證，對白酒的入窖狀況分析可以達到比較準確的定量分析，大大降低了人工判別的主觀性和隨機性。

D-S證據理論;云模型;入窖條件;信息融合;白酒發(fā)酵

引言

濃香型白酒的發(fā)酵過程是一個厭氧生物發(fā)酵的過程，發(fā)酵全程采用固態(tài)發(fā)酵[1]，且發(fā)酵中途不易對窖內參數進行控制[2]。因此酒醅的入窖條件對于白酒的后期發(fā)酵過程至關重要，其決定了最終發(fā)酵后的白酒質量。發(fā)酵過程中溫度、水分、淀粉含量、酸度、糧醩比、用曲量等對白酒的發(fā)酵都至關重要。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、溫度四個關鍵量對酒醅入窖情況作分析并用以指導生產。入窖條件檢測系統(tǒng)框圖如圖1所示。

圖1入窖條件檢測系統(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)，經過模糊算法處理后可以大大提高數據的可靠性。云模型是一種處理定性概念與定量描述的不確定轉換模型，由隸屬度轉化為滿足D-S證據理論歸一化條件的精確值，再由D-S證據理論合成得出決策結果。通過D-S證據理論融合后的值將能準確反映各個參量變化的情況下對入窖條件的影響程度。

1 白酒發(fā)酵入窖條件分析

1.1 溫度

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，雜菌生長加速，導致生酸過多，而且在發(fā)酵后期酶鈍化失活，影響酒的產量和質量[3]。若入窖溫度過低，則會使發(fā)酵進行的時間持續(xù)更長，進而變相降低了產量(表1)。適宜的入窖溫度，能保證糖化發(fā)酵緩慢進行，尤其有利于各種復雜香味物質的生化合成，對提高出酒率和曲酒質量有決定意義[4]。

表1入窖溫度對產量質量的影響

入窖溫度適宜時，生酸少，相同的原料下產量更高，酒的品質更好，淀粉利用率高。而入窖溫度不適時，則生酸多，產量質量均不如前者。

1.2 水分

水為微生物發(fā)酵提供必要的環(huán)境，對于發(fā)酵意義重大。水分過高時酒味淡薄，且使糟子發(fā)軟現泥，對于發(fā)酵極為不利。水分過低時糟子起疙瘩、發(fā)燒，對糖化也不利[5]。入窖水分一般掌握在52.5%～54.5%為宜。

1.3 酸度

適當的酸度有利于提供微生物所需環(huán)境和抑制雜菌的繁殖，有利于增強糊化和糖化作用，促進香味物質的生成，產生酯化作用[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。

1.4 淀粉含量

淀粉含量是酒醅入窖狀況的一項重要檢測指標。淀粉含量過低，其產出酒的酒味淡薄，過高則影響酒的產量與質量[7]。淀粉含量在18%～23%為宜。

2 入窖條件BPA的構造

不確定是相對精度的概念，包含模糊性與隨機性，模糊性主要指人為主觀理解上的不確定性，而隨機性反映的是自然規(guī)律的不確定性[8]。云模型是用來表示某個定性概念與其定量表示之間的不確定轉換模型[9]，云模型的數字特征用期望Ex、熵En和超熵He這3個值表示，它把模糊性和隨機性完全集合在一起，構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]。根據生產現場經驗可得到入窖情況等級判決，見表2。

表2入窖條件等級分布

根據入窖條件檢測值可以得到不同分級隸屬度的精確值，得到的精確值精度為0.0001時近似為0，同一監(jiān)測量所對應的等級隸屬度之和為1[12-13]。當精確值的和小于1時，則將差值歸結到不確定項，即可滿足D-S證據基本概率分配的歸一化條件[14]。根據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據見表3，由入窖條件的基本概率分配函數BPA(Basic Probability Assignment)可知樣本一的各參數基本在適宜范圍內；樣本二的水分略低，其余三項指標均正常；樣本三的淀粉含量較低，其余三項參數均適宜；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)境下采集的樣本數據

據上述方法得到表4滿足D-S證據理論的歸一化條件的樣本數據。

表4樣本中各檢測量對應的基本概率分配

3 證據理論基本內容

3.1 證據理論基本知識

若U為一個內部元素兩兩互斥的無窮集合，設U為識別框架，基本信任分配函數m是一個從集合2U到[0,1]的映射，A表示識別框架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，它表示證據對A的信任程度[16]。

3.2兩個或多個證據的合成規(guī)則

設辨識框架U下兩證據m1和m2，則D-S組合公式為：

(2)

式中：

K反映了各個證據之間的沖突程度，稱為沖突系數，范圍[0,1]。其值越接近1，表明證據間沖突越大；越接近0，表明沖突越小[17-18]。

4 證據理論的改進算法

4.1 計算各證據的平均mass函數

(3)

4.2 計算各證據到平均證據的偏差di

(4)

4.3 設定證據可信度分級系數

如信度級數為10級時，根據各證據的證據可信度距離平均證據的偏差值來確定加權系數的公式：

(5)

式中，Δd表示dmax-dmin。進一步可以得到分配系數ci：

(6)

4.4 計算新的加權平均證據

(7)

4.5 對用D-S法則迭代

得出結果：

(8)

其中：n-1為算子⊕進行D-S運算的次數。

5 數據分析

在改進后的D-S算法中，加權證據的權值系數隨著信度級數的不同而改變，信度級數越大，與平均證據偏差越小的證據獲得越大的權值系數。通過改進的D-S證據理論算法，不同信度級數下各個樣本的信息融合結果見表5。

由表5可知，樣本一各個參數均正常，最終的判斷結果也得到接近于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，但最終兩個樣本融合后的情況卻相差極大。樣本二的判決結果為“適宜入窖”，而樣本三判決結果為“適宜入窖”的信任函數值為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參數對于發(fā)酵的影響程度。

6 結束語

針對酒醅入窖前的情況，采用模糊理論與D-S證據理論構成的檢測系統(tǒng)，充分利用酒醅檢測信息，實現傳感器信息的有效融合，為酒醅入窖的情況作了科學的預判，提高了酒醅的利用率和發(fā)酵的可行性，保證了發(fā)酵安全適當進行。在今后的工作中，將對酒醅入窖前情況與發(fā)酵情況建立聯(lián)系，對發(fā)酵情況的認知了解更將深刻。

表5不同信度級數對應的融合結果

[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].四川理工學院學報:自然科學版,2015,28(2):5-8.

[2] 馬連松.不同季節(jié)入窖條件對濃香型白酒產量和質量的影響[D].濟南:齊魯工業(yè)大學,2015.

[3] 李大和,李國紅,李國林.淺談濃香型大曲酒入窖發(fā)酵條件與產質量的關系[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)性產物分析[J].四川理工學院學報:自然科學版,2016,29(1):7-11.

[5] 田殿梅,張良,霍丹群,等.瀘糯八號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].科學技術與工程,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,張九衛(wèi),姚宇樂.煤礦瓦斯監(jiān)測及多傳感器信息融合的研究[J].礦山機械,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.基于證據價值的沖突證據合成方法[J].計算機工程與科學,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.粗證據合成的一致性研究[J].小型微型計算機系統(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

四川省教育廳應用基礎計劃項目(2015JY0208)

周曉陽(1992-),男,四川廣元人,碩士生,主要從事智能測試方面的研究,(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,主要從事信號檢測與智能信息處理方面的研究。

TP181

A