[发明专利]基于长短期记忆网络的酱油发酵过程氨基酸态氮预测方法

说明书

本发明公开了基于长短期记忆网络的酱油发酵过程氨基酸态氮预测方法，包括步骤：S1、监测采集得到N个发酵罐投料后第A天、B天、C天的天然油发酵指标以及投料后第D天到E天的温度指标；S2、得到天然油发酵指标时间序列以及温度指标时间序列；S3、将天然油发酵指标时间序列输入一个长短期记忆神经网络中，输出第一二维特征向量；S4、将温度指标时间序列经过初始化的线性层，再通过激活函数后输入另一个长短期记忆神经网络中，输出第二二维特征向量；S5、将第一二维特征向量和第二二维特征向量进行特征拼接得到融合特征向量，融合特征向量与全氮、水分指标拼接融合得到第三二维特征向量，经过全连接层降维，输出预测氨基酸态氮含量。

技术领域

本发明涉及一种基于长短期记忆网络的酱油发酵过程氨基酸态氮预测方法，用于预测工业产品的最终产量。

背景技术

广式高盐稀态发酵酱油以大豆、小麦为原料，经日晒黑夜自然发酵，从自然环境中提取大微生物。它们一起相互作用，最终赋予酱醪一个复杂而完整的酶系统。因此，广式传统酱油具有极佳的特殊风味，深受国内外消费者的喜爱。广式酱油采用日晒和夜露自然发酵的生产工艺，涵盖了多道、复杂工序，并且大多为传统生产设备，自动化程度和精细化程度不高，需依赖于员工的操作经验，其无法定量生产导致了关键质量指标随季节变化而波动。尤其是在蒸煮、制曲、发酵三个方面，由于无法科学地收集数据和分析问题，限制了广式酱油的发展。

此外，各设备和单机系统之间存在信息孤岛问题，现有数据为散点式分布，无法被充分识别、分析。同时，现有技术人员能力参差不齐，不同技术员因酿造知识、经验和视野的差异而分析出不同的结论，故当实际产出了风味非常好或出品率特别高的酱油时，基于不全的过程参数往往会得出迥异的复制途径推测，使得真实的有效工艺被埋没在各种干扰路线中，优化工作的方向、进度也呈现出波动状态。

综上，亟需研究广式高盐稀态发酵酱油源数据采集不足、信息关联挖掘与分析展示不全的问题，提升生产过程数据的实时性、全局信息的高效共享性，建立出更为顺应广东省季节/天时的广式酱油生产设备数据，集中采集新模式、大数据分析与可视化智能展示，稳定地产出具备独特风味和健康特性的广式酱油，提升产品的国际市场竞争力。

氨基酸态氮含量预测是酱油生产过程中的一项关键任务。酱油风味优劣的衡量可视为对氨基酸态氮含量的预测，对于发现生产过程中的缺陷、降低原料转化成本、优化整个生产过程、实现可持续的高质量生产具有重要作用。为了实现广式高盐稀态发酵酱油过程的实时控制，减少环境因素对产品质量和产量的影响，需要从设备等多源采集实时数据参数、材料质量、环境条件和产品质量来建立过程参数控制模型。近年来，随着深度学习的兴起和计算机计算能力的提升，通过工业数据构建产率相关模型也受到广泛关注。由于工业数据采集阶段形成了大量的多元时间序列数据，许多研究人员开始使用时间序列分析模型来学习工艺参数与产率的内在关系。通过对这些数据的挖掘和分析，得到生产指标的变化趋势，从而定量描述对应的产量。

发明内容

本发明的目的在于提供一种基于长短期记忆网络的酱油发酵过程氨基酸态氮预测方法，基于深度学习的方法建立广式酱油生产的多参数相关动态模型，根据发酵过程控制的工艺参数和多项指标预测酱油的氨基酸态氮，并构建全年酱油发酵生产过程与氨基酸态氮的相关模型。

一种基于长短期记忆网络的酱油发酵过程氨基酸态氮预测方法，所述方法包括步骤：

S1、监测采集得到N个发酵罐投料后第A天、B天、C天的天然油发酵指标以及投料后第D天到E天的温度指标，其中所述天然油发酵指标包括总酸、氨基酸态氮、盐分和PH值，所述温度指标包括每日最高温和每日最低温，其中A，B，C，D，E，N均为正整数；

S2、得到包含样本数、投料后天数、与投料后天数对应的天然油发酵指标的天然油发酵指标时间序列以及包含样本数、投料后天数、与投料后天数对应的温度指标的温度指标时间序列，所述天然油发酵指标时间序列和所述温度指标时间序列均用三维矩阵表示，两个三维矩阵用于神经网络的模型输入；