一种基于人工摘酒的分段摘酒指标确定方法与流程

本发明涉及酿酒，尤其是一种基于人工摘酒的分段摘酒指标确定方法。

背景技术：

1、在白酒酿造过程中，摘酒工艺是浓香型白酒生产中的核心工艺之一，是将基酒进行质量分级和储存的基本要求，也是进行白酒勾兑的重要方法，能否高质量地进行摘酒对基酒的品质有着决定性的影响，进一步影响企业的经济效益。

2、我国白酒摘酒工艺多采用传统方法，主要靠看花摘酒、量质摘酒和分段摘酒这三种方法确定摘酒的起止点。酿酒行业把在白酒蒸馏过程中，蒸馏液流入锡壶中，水、酒精由于表面张力的作用而激溅起的气泡，称为“酒花”。整个蒸馏白酒过程大致分为三段：酒头、中段酒和尾酒，中段酒又可细分为二段酒、三段酒和四段就。酒头、中段酒分别入库贮存，尾酒可以用作回酒发酵。看花摘酒是量质摘酒和分段摘酒的基础，摘酒工需要熟知不同酒花的特点和其对应的酒精度范围，看花摘酒完全依赖摘酒工的个人经验，人工摘酒不准确、误差大，没有量化摘酒评判标准，造成产品质量不稳定。

3、现有技术中，国内外学者为实现指标量化摘酒，采用近红外光谱分析技术结合化学计量学方法进行白酒在线检测，对白酒中酒精浓度这一指标在线定量检测，通过近红外光谱图对比酒精浓度在摘酒时段的变化规律，采用plc控制程序进行在线控制，以实现自动摘酒。结果表明，通过近红外仪器建立白酒的光谱模型，可以通过酒精度大小范围实现摘酒，但由于酿酒工艺具有多样性、复杂性，且近红外仪器属于精密贵重仪器，价格属实昂贵，近红外光谱法不适用于酿酒现场工况的摘酒工艺中。

4、此外，现有技术中还有采用基于图像分类算法的自动化摘酒和基于计算机视觉的智能摘酒方法，可以提取图像中酒花的视觉特征和酒花特性，通过采集大量的摘酒图像数据结合卷积神经网络进行训练，模拟人工对白酒分段进行判别，实现智能化摘酒。结果表明，通过卷积神经网络算法对采集到的酒花图像进行处理和分类可以在特定条件下对酒花特征进行分类，但此方法不能完全避免流速、温度、光照对酒花的影响，也不能甄别醩源信息，底锅水信息，以至于只能分出一些特定的酒段，实时性不好，不适用于酒企酿酒生产过程中复杂多样的摘酒工艺

技术实现思路

1、针对现有分段摘酒技术不能应对酿酒工艺多样性、复杂性以及甄别醩源信息的技术问题，本发明提供一种基于人工摘酒的分段摘酒指标确定方法。

2、本发明所采用的技术方案是：一种基于人工摘酒的分段摘酒指标确定方法，包括以下步骤：

3、a建立摘酒数据库：摘酒师采集不同工艺类型下的酿酒工艺参数，并根据酿酒工艺参数建立工艺类型表，将工艺类型表上传至上位机系统；

4、b建立基酒在线检测系统：在冷凝器与接酒盘分级器之间设置摘酒装置，通过摘酒装置在线实时检测基酒的密度与流量；

5、c建立密度、酒精度对应关系拟合模型：计算出步骤b中基酒当前密度下对应的酒精度，并上传至上位机系统；

6、d建立摘酒模型：摘酒师依据经验分段摘酒，摘酒装置记录下摘酒师分段摘酒时刻基酒的酒精度和累积流量，制作不同工艺类型对应的酒精度与累积流量分段特征表，并根据分段摘酒时刻基酒的酒精度和累积流量制作出对应的分段特征图；

7、e建立摘酒策略：对步骤d中的分段特征图进行分析，建立摘酒策略表，并最终确定出最优的分段摘酒指标。

8、本发明整合人工摘酒经验、量化摘酒评判标准，基于分段特征的摘酒是对馏酒时的温度、酒精度、累积流量数据在线检测实时记录，并根据不同糟型在不同酿酒特性条件的工艺类型、结合摘酒师通过经验的分段情况，以关联看酒花、尝味道、计时间与酒精度、累积流量的关系，以此建立酒精度大小、趋势以及累积流量与人工摘酒结果的对应关系特征，达到量化摘酒的效果，最终确定出最优的分段摘酒指标。

9、进一步的是，步骤b中，采用旁路采样的方式在线检测基酒的密度。酒汽经甑锅的蒸馏系统通过汽管进入冷凝器凝结为酒液，然后通过管道输送到酒盘分级器进行分段摘酒。目前检测基酒密度的方式有两种：一、通过对基酒进行采样，再送到检测室进行检测，该方式由于生产线是连续的，酒液是持续流出的，在检测的时间段内，被检测的酒液实际已经流过，因此具有一定的滞后性，无法实时检测生产线上酒液的酒精度，也就无法精准区分各段酒；二、在管道上安装密度传感器，实时的检测流经基酒的密度，但是密度传感器只有在满管的情况下才能实时精确的检测密度，而流经出酒管的酒液并非一直都是满管状态，因此检测的密度不准确，而且冷凝器内具有一定的压力，基酒中不可避免的会产生气泡，也会影响密度检测的准确性。因此，本发明采用旁路取样的方式来检测基酒的密度，保证密度传感器精确、实时的检测到酒液的密度。

10、进一步的是，系统需对酒精溶液进行温度补偿。摘酒现场的冷凝器温度是通过pid调节，在对甑锅突然加温时，冷凝器温度无法瞬时调节保持恒温，只能缓慢降温，则系统需对酒精溶液进行温度补偿。针对密度与酒精度受馏酒温度影响而存在的非线性误差问题,提出了基于线性回归拟合的温度补偿算法,通过建立温度、密度、流速之间的非线性映射模型实现温度补偿。得出t′＝k0(a(t-20)2+b(t-20+c))，其中，t’为温度补偿后的值，k0＝80.55，a＝5.3e-18，b＝-0.000389，c＝1为补偿系数

11、进一步的是，对传感器采集到的数据进行算法中值滤波。上位机系统通过rs485协议读取摘酒装置采集到的酒精度、分段累积流量数据并实时记录显示为趋势曲线，但由于酿酒工业现场存在大型变频器设备产生干扰，导致传感器采集到的数据偶然性丢失，为避免干扰对采集的数据产生影响则需对传感器采集到的数据进行算法中值滤波。

12、进一步的是，采用均值滤波算法计算出不同工艺类型下的酿酒工艺参数的均值。也就是说在步骤a中，摘酒师需要采集多组相同工艺类型下的酿酒工艺参数，然后采用均值滤波算法计算出酿酒工艺参数的均值，从而使数据更加精确，这里最优的是每种工艺类型下的酿酒工艺参数都采集九组。

13、进一步的是，酿酒工艺参数包括糟型、加清水量、加黄水量、加生物发酵液量、加尾酒量，上述参数都是影响酿酒的重要因素，将其筛选出来，以便分段摘酒技术能应对酿酒工艺多样性、复杂性以及甄别醩源信息，从而优选出不同酿酒参数下的分段摘酒指标。

14、本发明的有益效果是：

15、1、本发明整合人工摘酒经验、量化摘酒评判标准，基于分段特征的摘酒是对馏酒时的温度、酒精度、累积流量数据在线检测实时记录，并根据不同糟型在不同酿酒特性条件的工艺类型、结合摘酒师通过经验的分段情况，以关联看酒花、尝味道、计时间与酒精度、累积流量的关系，以此建立酒精度大小、趋势以及累积流量与人工摘酒结果的对应关系特征，达到量化摘酒的效果，最终确定出最优的分段摘酒指标。

16、2、本发明采用旁路取样的方式来检测基酒的密度，保证密度传感器精确、实时的检测到酒液的密度。

17、3、酿酒工艺参数包括糟型、加清水量、加黄水量、加生物发酵液量、加尾酒量，上述参数都是影响酿酒的重要因素，将其筛选出来，以便分段摘酒技术能应对酿酒工艺多样性、复杂性以及甄别醩源信息，从而优选出不同酿酒参数下的分段摘酒指标。