許錫飚，蔣國(guó)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(xué)人工智能與計(jì)算機(jī)學(xué)院，江蘇無(wú)錫 214129；3.江南大學(xué)輕工過程先進(jìn)控制教育部重點(diǎn)實(shí)驗(yàn)室，江蘇無(wú)錫 214129）

我國(guó)傳統(tǒng)發(fā)酵食品如黃酒、食醋、醬油等市場(chǎng)巨大，2020 年，國(guó)內(nèi)傳統(tǒng)發(fā)酵食品產(chǎn)業(yè)總產(chǎn)值達(dá)萬(wàn)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(dòng)強(qiáng)度大以及產(chǎn)品質(zhì)量批次穩(wěn)定性差等問題。如何通過實(shí)現(xiàn)發(fā)酵過程的自動(dòng)控制，減輕工人勞動(dòng)強(qiáng)度、提升發(fā)酵食品品質(zhì)、保持質(zhì)量穩(wěn)定性，已成為我國(guó)傳統(tǒng)發(fā)酵食品產(chǎn)業(yè)必須面對(duì)的問題。

黃酒是我國(guó)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(diǎn)是基于復(fù)雜的發(fā)酵微生物群落代謝，發(fā)酵周期較長(zhǎng)，代謝產(chǎn)物組成復(fù)雜且風(fēng)味獨(dú)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(yàn)進(jìn)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(fèi)者提供了個(gè)性化的選擇；另一方面，不同師傅、不同批次的黃酒品質(zhì)參差不一，穩(wěn)定性較差。近15 年來(lái)，我們團(tuán)隊(duì)先后與無(wú)錫錫山、古越龍山、女兒紅等知名黃酒企業(yè)進(jìn)行了產(chǎn)學(xué)研合作，在機(jī)械化黃酒釀造領(lǐng)域進(jìn)行深耕，初步實(shí)現(xiàn)了小規(guī)模黃酒發(fā)酵過程的機(jī)械化釀造[2-3]，但其中關(guān)鍵工藝技術(shù)和生產(chǎn)控制點(diǎn)仍依賴于釀酒師的經(jīng)驗(yàn)。

針對(duì)這一問題，一些學(xué)者對(duì)黃酒發(fā)酵過程的自動(dòng)化控制進(jìn)行了研究，自動(dòng)控制系統(tǒng)的基礎(chǔ)是能夠準(zhǔn)確描述黃酒發(fā)酵過程特點(diǎn)的數(shù)學(xué)模型。包括黃酒在內(nèi)的我國(guó)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(shí)變的復(fù)雜系統(tǒng)。目前針對(duì)該類過程建立的過程模型和參數(shù)辨識(shí)方法尚不能達(dá)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(gè)多變量輸入/輸出的交互過程，因此其過程控制應(yīng)是一個(gè)多目標(biāo)優(yōu)化問題，而目前建立的發(fā)酵過程模型大多以單目標(biāo)優(yōu)化為主，且只是生化工程宏觀動(dòng)力學(xué)概念在發(fā)酵工程上的延伸，造成已有的發(fā)酵模型結(jié)構(gòu)不能準(zhǔn)確描述發(fā)酵過程。

二是模型參數(shù)辨識(shí)方面，在發(fā)酵過程中，一些關(guān)鍵生物變量的不可在線測(cè)量，例如酒精度、糖類、酸類等物質(zhì)，一般只能離線測(cè)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(dǎo)致參數(shù)辨識(shí)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(jié)構(gòu)和針對(duì)發(fā)酵過程非均勻采樣問題的參數(shù)辨識(shí)處理算法，是成功實(shí)現(xiàn)黃酒發(fā)酵過程自動(dòng)化的核心與關(guān)鍵。

本文針對(duì)我國(guó)黃酒發(fā)酵過程控制的現(xiàn)狀和難點(diǎn)，總結(jié)了黃酒發(fā)酵過程自動(dòng)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(lái)的發(fā)展趨勢(shì)，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(shí)質(zhì)是復(fù)雜的生物化學(xué)反應(yīng)過程，可以看作是底物各組分濃度、起始細(xì)胞濃度、通氣時(shí)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(guó)強(qiáng)等[2]結(jié)合LabVIEW、S7-300 PLC 以及相關(guān)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(shí)現(xiàn)對(duì)溫度、溶氧兩個(gè)參數(shù)的采集和監(jiān)控；馬明等[3]對(duì)此系統(tǒng)進(jìn)行了完善，遠(yuǎn)程用戶可以通過該系統(tǒng)查詢歷史數(shù)據(jù)、制定實(shí)時(shí)控制任務(wù)。在國(guó)內(nèi)首次實(shí)現(xiàn)了計(jì)算機(jī)控制黃酒整個(gè)生產(chǎn)過程，改變了黃酒千百年的生產(chǎn)模式，用機(jī)器代替手工，大大減輕了工人勞動(dòng)負(fù)擔(dān)。該系統(tǒng)主要是針對(duì)發(fā)酵過程的溫度和溶氧進(jìn)行監(jiān)控，發(fā)酵過程的控制仍主要依賴于工作人員?？梢?，黃酒發(fā)酵自動(dòng)化控制目前屬于起步階段，尚需要進(jìn)一步的深入研究，其中的難點(diǎn)在于：

(1)黃酒發(fā)酵酒醪中最主要的參數(shù)如基質(zhì)細(xì)胞濃度、總糖度、酒精度目前尚無(wú)傳感器能夠在線實(shí)時(shí)測(cè)量，致使計(jì)算機(jī)控制的大罐黃酒發(fā)酵數(shù)據(jù)缺失，導(dǎo)致計(jì)算機(jī)不能進(jìn)行更精準(zhǔn)的控制。

(2)要實(shí)現(xiàn)發(fā)酵過程的計(jì)算機(jī)實(shí)時(shí)精準(zhǔn)控制，必須要建立相適應(yīng)的發(fā)酵動(dòng)力學(xué)模型，由于發(fā)酵過程重要工藝參數(shù)間互相耦合、關(guān)聯(lián)，建立其準(zhǔn)確的模型尚有很多難點(diǎn)，雖然可以用軟測(cè)量推斷并建立模型，但是理論研究和實(shí)際情況有一定的差距，尚需創(chuàng)新研究。

(3)缺少針對(duì)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(shí)變的復(fù)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(wú)法借鑒應(yīng)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(cè)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(wú)合適傳感器，不能實(shí)現(xiàn)在線監(jiān)測(cè)，只能通過人工采樣、實(shí)驗(yàn)室離線分析才能獲得，造成了采樣點(diǎn)的不規(guī)則性，且相對(duì)于可以方便地在線測(cè)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(diǎn)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(gè)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(qū)動(dòng)的軟測(cè)量數(shù)字孿生模型及基于該模型適應(yīng)于黃酒釀造體系的控制算法，成為實(shí)現(xiàn)黃酒發(fā)酵過程計(jì)算機(jī)精準(zhǔn)控制與優(yōu)化的關(guān)鍵。

2 黃酒發(fā)酵過程的數(shù)字孿生建模進(jìn)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(fēng)味物質(zhì)，其中糖類、有機(jī)酸和乙醇等（輸出變量）的適當(dāng)比例構(gòu)成了黃酒鮮美的風(fēng)味和口感[4]。各廠家越來(lái)越重視在黃酒釀造過程中控制高級(jí)醇的含量及各組分的比例，以此達(dá)到提高黃酒質(zhì)量、改善風(fēng)味的目的。但是長(zhǎng)期以來(lái)傳統(tǒng)食品發(fā)酵的建模研究多局限在實(shí)驗(yàn)室靜態(tài)操作的方法，只是生化工程宏觀動(dòng)力學(xué)概念在發(fā)酵工程上的延伸，這類機(jī)理分析和定性優(yōu)化方法采用單目標(biāo)優(yōu)化策略，難以實(shí)現(xiàn)整個(gè)發(fā)酵過程最優(yōu)[5]。

2.1 模型分類

建立合理的數(shù)學(xué)建模是實(shí)現(xiàn)發(fā)酵過程優(yōu)化的基礎(chǔ)。一般來(lái)說(shuō)，數(shù)學(xué)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(guān)聯(lián)，揭示了發(fā)酵狀態(tài)變量的特性。通過模型可以改進(jìn)過程的控制以達(dá)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(xué)模型分為三種類型：

2.1.1 機(jī)理模型

即完全知道內(nèi)部動(dòng)力學(xué)變化的白箱模型，它是從過程機(jī)理出發(fā)，基于酶動(dòng)力學(xué)、發(fā)酵動(dòng)力學(xué)、生化反應(yīng)工程和基于代謝網(wǎng)絡(luò)的物質(zhì)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(duì)細(xì)胞內(nèi)的代謝進(jìn)行模擬分析[9]。這種模型能夠真實(shí)可靠的反映發(fā)酵過程，但會(huì)帶來(lái)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(yīng)用于發(fā)酵過程的控制與優(yōu)化。

2.1.2 數(shù)據(jù)驅(qū)動(dòng)模型

數(shù)據(jù)驅(qū)動(dòng)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(jì)學(xué)等知識(shí)尋找發(fā)酵規(guī)律所建立的數(shù)學(xué)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(guān)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(luò)(Artificial Neural Net，ANN)[10-11]，ANN 是模擬人腦神經(jīng)網(wǎng)絡(luò)而設(shè)計(jì)的一種計(jì)算模型，是由大量神經(jīng)元連接而成的非線性動(dòng)態(tài)系統(tǒng)。理論上，只要有足夠的訓(xùn)練數(shù)據(jù)和神經(jīng)元數(shù)量，ANN 就可以學(xué)習(xí)很多復(fù)雜的函數(shù)。Willis 等[12]討論了神經(jīng)網(wǎng)絡(luò)在復(fù)雜工業(yè)系統(tǒng)的應(yīng)用，并且通過工業(yè)數(shù)據(jù)的應(yīng)用證明了該技術(shù)對(duì)難以測(cè)量的質(zhì)量變量提供估計(jì)的適用性。該建模方法最大的優(yōu)點(diǎn)是比較簡(jiǎn)單，不需要考慮發(fā)酵期間的生化反應(yīng)；缺點(diǎn)是數(shù)據(jù)需求量較大，且模型通用性較有限?，F(xiàn)實(shí)中，由于一些發(fā)酵數(shù)據(jù)需要用到昂貴的儀器設(shè)備，或者出于企業(yè)對(duì)數(shù)據(jù)隱私性的考慮，獲得海量數(shù)據(jù)對(duì)食品發(fā)酵行業(yè)來(lái)說(shuō)困難重重。目前該方法較少用于實(shí)際食品發(fā)酵過程的建模。

2.1.3 混合模型

即機(jī)理和數(shù)據(jù)驅(qū)動(dòng)混合的“灰箱”模型，介于機(jī)理模型與數(shù)據(jù)驅(qū)動(dòng)模型之間。該模型建立的兩大基礎(chǔ)是發(fā)酵過程的主要生化反應(yīng)以及過程中采集的適量數(shù)據(jù)。該模型在學(xué)術(shù)科研及實(shí)際應(yīng)用中都很常見[13-18]。在發(fā)酵過程中應(yīng)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(yīng)過程中菌體生長(zhǎng)、底物消耗、產(chǎn)物合成之間的動(dòng)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(lái)，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(jìn)行模型中參數(shù)的辨識(shí)。該類模型綜合了機(jī)理模型和數(shù)據(jù)模型的優(yōu)點(diǎn)，同時(shí)又避開了數(shù)據(jù)模型需要大數(shù)據(jù)驅(qū)動(dòng)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(jī)酸、乙醇、高級(jí)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(guān)鍵變量是葡萄糖、麥芽糖、有機(jī)酸和乙醇等，它們也是影響黃酒品質(zhì)的關(guān)鍵因素[29-30]。對(duì)于黃酒的前酵過程，其發(fā)酵時(shí)間一般為3～5 d，主要的機(jī)理反應(yīng)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(duì)黃酒發(fā)酵狀態(tài)的影響因素進(jìn)行了研究，結(jié)果表明酶源和溫度對(duì)主要風(fēng)味物質(zhì)均有顯著影響，特別是有機(jī)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(duì)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(yīng)過程，建立了低階動(dòng)力學(xué)模型結(jié)構(gòu)(反應(yīng)速率可調(diào)的模型)，對(duì)黃酒的糖化反應(yīng)建立良好的數(shù)學(xué)模型；在此基礎(chǔ)上，劉登峰等[33-34]首次對(duì)黃酒實(shí)際生產(chǎn)前酵過程進(jìn)行了全程跟蹤監(jiān)測(cè)，分別對(duì)發(fā)酵過程中的總糖、酒精、總酸及pH 值進(jìn)行了離線測(cè)量，基于發(fā)酵動(dòng)力學(xué)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(shí)糖化、發(fā)酵和酸化的三邊發(fā)酵模型。

在灰箱模型基礎(chǔ)上，如何從眾多的變量中選擇關(guān)鍵的輸入、輸出和控制變量，實(shí)現(xiàn)不可測(cè)量變量的軟測(cè)量建模，建立黃酒發(fā)酵過程的系統(tǒng)控制模型仍是進(jìn)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(zhǔn)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(yù)測(cè)值，還可以得到預(yù)測(cè)值對(duì)模型的信任度，因此也被用于一些復(fù)雜工業(yè)過程的建模中[24-28]。針對(duì)工業(yè)過程產(chǎn)生的數(shù)據(jù)中常包含不同的隨機(jī)分布特點(diǎn)，熊偉麗等[36]提出了一種基于高斯混合模型的建模策略來(lái)提取模型預(yù)測(cè)誤差中的重要信息，一次提高模型的預(yù)測(cè)精度；趙帥等[37]針對(duì)生物發(fā)酵過程中存在的非線性、多階段的特點(diǎn)，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(yīng)的高斯回歸模型，最后對(duì)各階段的局部預(yù)測(cè)結(jié)果進(jìn)行融合。因此，將基于高斯回歸過程的數(shù)據(jù)驅(qū)動(dòng)軟測(cè)量建模思想，用于黃酒發(fā)酵過程的不可在線測(cè)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(shí)的方法與挑戰(zhàn)

黃酒發(fā)酵過程是典型的時(shí)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(shí)領(lǐng)域，對(duì)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(shí)算法來(lái)對(duì)非線性損失數(shù)據(jù)系統(tǒng)進(jìn)行辨識(shí)的方法，并通過利用徑向基函數(shù)對(duì)模型結(jié)構(gòu)進(jìn)行近似，實(shí)現(xiàn)了將最大期望算法應(yīng)用于模型結(jié)構(gòu)未知的非線性非均勻采樣數(shù)據(jù)損失的辨識(shí)。但是，以上算法的缺陷是只能對(duì)參數(shù)進(jìn)行離線估計(jì)。針對(duì)該缺陷，Tulsyan 等[39]提出了貝葉斯方法，來(lái)實(shí)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(jì)。丁鋒等[40]專門針對(duì)采樣特別稀少的非均勻采樣系統(tǒng)，提出了輔助模型隨機(jī)梯度辨識(shí)算法。李大海等[5]針對(duì)非均勻采樣系統(tǒng)，基于提升技術(shù)獲得了每一個(gè)非均勻采樣點(diǎn)上子系統(tǒng)的輸入輸出表達(dá)形式，然后利用支持向量方法實(shí)現(xiàn)模型參數(shù)的在線辨識(shí)，同時(shí)提出了這類非均勻采樣系統(tǒng)的模型預(yù)測(cè)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(duì)發(fā)酵狀態(tài)有著很大影響，基于廣義預(yù)測(cè)控制思想，利用Levenberg-Marquardt 算法對(duì)建立的模型中的參數(shù)進(jìn)行了優(yōu)化研究；宗原等[41]針對(duì)基于Levenberg-Marquardt 方法辨識(shí)黃酒發(fā)酵過程模型參數(shù)時(shí)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(jī)制和柯西變異的蟻獅優(yōu)化算法。

目前針對(duì)非線性、非均勻采樣系統(tǒng)的參數(shù)辨識(shí)方法主要通過提升技術(shù)進(jìn)行模型轉(zhuǎn)化再利用傳統(tǒng)的參數(shù)辨識(shí)來(lái)實(shí)現(xiàn)模型的參數(shù)辨識(shí)，隨之而來(lái)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(duì)象分別從數(shù)據(jù)處理和辨識(shí)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(jì)算量較小、精度較高的辨識(shí)算法仍有待進(jìn)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(shí)變的復(fù)雜生化過程，所以非線性建模方法的研究成果無(wú)法直接應(yīng)用。為了提高發(fā)酵過程控制的性能，必須針對(duì)黃酒大罐發(fā)酵進(jìn)行深入分析，研究發(fā)酵動(dòng)力學(xué)模型、基于數(shù)據(jù)和知識(shí)的軟測(cè)量模型是實(shí)現(xiàn)黃酒發(fā)酵過程控制與優(yōu)化的關(guān)鍵。因此，未來(lái)黃酒發(fā)酵過程的數(shù)字孿生建?？梢詮囊韵聨讉€(gè)方面來(lái)實(shí)現(xiàn)：

（1）面向黃酒釀造工業(yè)的具體需求，針對(duì)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(jì)算機(jī)控制系統(tǒng)結(jié)合目前成熟的傳感器，針對(duì)黃酒釀造工藝中的發(fā)酵特點(diǎn)，建立在物料平衡和能量平衡等的發(fā)酵動(dòng)力學(xué)模型。

（2）綜合運(yùn)用大數(shù)據(jù)、物聯(lián)網(wǎng)等新一代信息技術(shù)，基于高斯過程回歸、高斯混合模型、實(shí)時(shí)學(xué)習(xí)思想和貝葉斯推斷理論，結(jié)合多模型技術(shù)，建立黃酒發(fā)酵關(guān)鍵變量的自適應(yīng)在線軟測(cè)量模型。

（3）結(jié)合黃酒發(fā)酵間歇控制的特點(diǎn)，通過構(gòu)建改進(jìn)的復(fù)合型迭代學(xué)習(xí)算法，逐漸跟蹤設(shè)定的工藝軌線，建立批次方向上的控制量迭代學(xué)習(xí)率，通過對(duì)黃酒建立發(fā)酵動(dòng)力學(xué)模型及發(fā)酵機(jī)理的研究更加準(zhǔn)確和定量的認(rèn)識(shí)其過程中復(fù)雜的生化反應(yīng)、微生物的平衡生長(zhǎng)與新陳代謝機(jī)理，進(jìn)一步實(shí)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(shí)現(xiàn)工業(yè)生產(chǎn)的浪潮已經(jīng)席卷整個(gè)中國(guó)工業(yè)界，在此背景下，在我國(guó)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(shí)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(duì)其他發(fā)酵產(chǎn)品實(shí)現(xiàn)自動(dòng)化發(fā)酵生產(chǎn)提供可借鑒的思路與方法，而且將對(duì)釀造過程新的發(fā)酵工藝和發(fā)酵自動(dòng)化控制裝備的升級(jí)起到積極的示范和推動(dòng)作用。