论文导读：淀粉利用率是白酒发酵过程中重要的质量参数，工业采用实验室化学分析法进行测量。该法存在测量滞后、误差大等缺陷。本文利用RBF神经网络，建立RBF神经网络模型，实现淀粉利用率的在线估测，具有重要的理论研究价值。
关键词：RBF神经网络MATLAB仿真，淀粉利用率
引言
在白酒发酵过程中，温度、水分、淀粉含量、酸度等参数是决定白酒产量和品质的重要指标，各参数间相互影响、相互制约。其中，对淀粉利用率的测量，工业上一般采用盐酸水解法，该法操作繁琐、步骤多、用时长，造成严重的测量滞后，且受人为因素的影响造成测量误差。本文重点介绍利用RBF神经网络建立淀粉利用率的预测模型，仿真效果好，具有良好的网络泛化能力和实践推广价值。
1、RBF神经网络
径向基函数神经网络(Radial BasisFunction Neural Network)简称RBF神经网络，它是以函数逼近理论为基础而构造的一类前向网络，具有很强的生物学背景，有模拟人脑中局部调整、相互覆盖接收域的神经网络结构，可以以任意精度逼近任一连续函数，在非线性建模和辨识方面应用广泛。
RBF神经网络结构通常由三层组成：输入层、隐含层、输出层（见图1），其网络特征是输入层与隐含层之间采用直接映射，隐含层与输出层直接采用加权线性求和模。RBF网络的输出表达式为：
式中，J为中间层的RBF神经元数， 为中间层j神经元和输出层k神经元之间的权值， 为第j个RBF中心向量，X为输入向量。
图1 RBF神经网络结构
2、淀粉利用率
白酒酿制时，各过程参量都有其技术标准（见表1），实践表明，温度、水分、酸度是影响淀粉利用率的主要参数。温度的变化影响整个发酵过程，是判断窖内发酵是否正常的重要标准。它决定糟醅内淀粉的利用率和窖内糟醅升酸的幅度；酸度是形成浓香型白酒香味成分的物质，酸度过低会抑制微生物的生长繁殖，降低产酒量；淀粉的含量与原料的投放、原料的品质和发酵环境密切相关，合理调整温度和酸度能够保证淀粉利用率。发表论文。
在白酒发酵过程中，依据淀粉利用率的检测值调整工艺过程，不仅能够影响发酵过程，并且是保证出酒率、酒质风格的重要质量参数，同时对后续生产过程也影响巨大。淀粉利用率的在线测量，能够实现白酒酿制过程的自动化生产与操作，节约检测成本，具有重大的实际意义和经济价值。发表论文。
表1 白酒酿制质量参数标准
| 入池 |
出池 |
| 水分 |
55-57% |
水分 |
60-63% |
| 酸度 |
1.4-1.8g/L |
酸度 |
1.7-3.5g/L |
| 淀粉 |
15-18% |
淀粉 |
5-8.5% |
| 温度 |
18-20% |
酒度 |
≥3% |
3、淀粉利用率的RBF神经网络模型建立与仿真
3.1淀粉利用率的RBF神经网络模型
根据理论分析，可以建立RBF网络模型如下：
（1）确定辅助变量。
淀粉利用率的RBF神经网络选取入池温度（T），入池水分x2（In_water）出池水分x3（Out_water），入池酸度x4（In_acidity）出池酸度x5（Out_acidity）作为辅助变量。
（2）采集输入变量和输出变量的数据进行数据标准化处理（误差检测、数据归一化等），形成训练样本集和预测样本集。
对收集的190组生产数据进行标准化处理：异常数据的剔除、归一化，获得用于RBF网络的建模数据186组，然后对数据进行分类：146组用于建模样本，40组作为校验样本。
（3）采用RBF网络学习算法进行离线训练，确定满足精度要求的RBF网络学习参数：径向基函数中心、基函数宽度及网络权值。
建立RBF网络模型时，输入层节点数为辅助变量的个数即R=5，输出层节点数S2=1，即淀粉利用率的数值，隐含层的节点数S1由算法来决定。
RBF网络需要学习的参数有3个：基函数的中心，方差 以及隐含层与输出层间的权值 。本论文选用自组织选取中心法确定基函数的中心 ，权值的学习算法可用LMS(Least mean square最小均方误差)方法完成，目标均方误err_goal=0.001,径向基函数分布spread=8
（4）完成网络训练，利用预测样本对网络进行检测。
（5）检验测试结果是否满足误差要求。若测试结果满足实际系统的误差要求，将网络应用于淀粉利用率的在线测试，实现淀粉利用率的在线预测。
3.2仿真研究
利用MATLAB的神经网络工具箱（NNBox），对淀粉利用率的RBF神经网络模型进行了仿真研究，得到其训练曲线（图2）和拟合曲线（图3）
图2 RBF神经网络模型训练误差曲线
图3 RBF神经网络模型拟合曲线
从仿真结果看，该模型的训练误差较小，预测精度高，预测值能够迅速逼近实测值（实验室化验值）。发表论文。
4、结语
利用RBF神经网络进行淀粉利用率的在线估测，其建模结构简单，利用MATLAB的神经网络工具箱的模块函数容易实现，在建模过程中选用高斯函数作为径向基函数，径向对称性好，具有良好的逼近能力，精度高，算法简单，易收敛。整体上，所建模型具有良好的拟合精度和预测精度，能够指导工业生产过程。
参考文献
1、徐军.枝江大曲酒生产窖期酒醅发酵参数变化研究.酿酒科技，2010，No.2：73-74.
2、田文乐，徐文赛.软测量模型的建立.计算机工程与设计，2002，23(10):40-44
3、孙欣，王金春，何声亮.基于神经网络的过程软测量.自动化仪表，1996，17(9):7-9
4、周开利，康耀红．神经网络模型及MATIAB其仿真程序设计[M]．北京：清华大学出版社，2005．
|
