(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110148060.8 (22)申请日 2021.02.0 3 (65)同一申请的已公布的文献号 申请公布号 CN 112765900 A (43)申请公布日 2021.05.07 (73)专利权人 河北工业大 学 地址 300130 天津市红桥区丁字沽光 荣道8 号河北工业大 学东院330# (72)发明人 李辉　韩伟涛　富大伟　商建伟　 张建华　 (74)专利代理 机构 天津翰林知识产权代理事务 所(普通合伙) 12210 代理人 王瑞 (51)Int.Cl. G06F 30/27(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G01N 9/36(2006.01) G01N 9/26(2006.01) G01K 7/02(2021.01) G06F 119/08(2020.01) 审查员 周润莲 (54)发明名称 一种用于分段摘酒的酒精度在线检测方法 与系统 (57)摘要 本发明公开了一种用于分段摘酒的酒精度 在线检测方法与系统。 该方法包括以下步骤： 搭 建用于分段摘酒的酒精度在 线检测系统； 实时密 度值和实时检测温度值的采集； 将实时密度值和 实时温度值通过控制器中的酒精度计算模型转 换为待测原酒的实时酒精度值。 所述系统包括密 度传感器、 减震装置、 接酒装置、 动力装置、 稳流 装置、 温度传感器、 控制器、 排气装置、 流酒管道、 稳流管道和酒精度测量管道。 本方法能够实现酒 精度的实时在线检测， 有效提高酒精度检测的速 度、 时效性及检测精度， 大大节省了生产时间， 提 高了白酒生产线的生产效率， 减少了人力资源的 浪费， 并且避免了人为因素产生的各种不利影 响， 为生产提供及时准确的指标数据。 权利要求书2页 说明书5页 附图1页 CN 112765900 B 2022.05.03 CN 112765900 B 1.一种用于分段摘酒的酒精度在线检测方法， 其特 征在于， 该 方法包括以下步骤： 第一步、 搭建用于分段摘酒的酒精度在线检测系统： 该系统包括密度传感器、 减震装 置、 动力装置、 稳流装置、 温度传感器、 控制器、 稳流管道和酒精度测量管道； 稳流管道 的一端为流酒进口， 另一端与酒精度测量管道的进口端连接； 稳流管道上设 置有稳流装置； 酒精度测量管道竖直布置， 其上按照液体流动方向依 次设置有减震装置和 密度传感器； 温度传感器设置于酒精度测量管道上， 紧贴密度传感器； 酒精度测量管道的出 口端外接流出管道； 控制器分别与动力装置、 密度传感器和温度传感器通讯连接并实现控 制； 稳流装置用于将流酒变成稳流状态； 减震装置用于减少动力装置因工作震动对密度传 感器的影响； 第二步、 数据采集： 系统开始运行， 动力装置输送的原酒经稳流管道和减震装置流至酒 精度测量管道； 密度传感器采集实时密度值ρ， 若干个温度传感器采集相应数量的实时检测 温度值， 将实时密度值ρ 和若干个实时检测温度值的电信号传送至控制器； 第三步、 酒精度值计算： 控制器计算若干个实时检测温度值的平均值作为实时温度值 T， 将实时密度值ρ和实时温度值T通过控制器中的酒精度计算模型转换为待测原酒的实时 酒精度值q； 第三步中， 所述酒精度计算模型的获取 过程是： 步骤1、 数据采集： 采集若干条数据作为训练样本， 每条数据包括一个密度值、 一个温度 值及对应的一个酒精度值； 步骤2、 数据预处 理： 对训练样本中的密度值和温度值进行 标准化处理， 得到输入变量； 步骤3、 建立BP神经网络： 确定BP神经网络的变量、 拓扑 结构、 基本参数和传递 函数； 步骤4、 初始化BP神经网络的基本参数； 步骤5、 训练BP神经网络： 将训练样本的输入变量集X＝[X1,X2,…XN]和期望输出集D＝ [D1,D2,…DN]依次输入到BP神经网络中， 对BP神经网络进行非线性拟合， 得到自变量为 温度 和密度、 因变量 为酒精度的酒精度计算模型， 再将酒精度计算模型输入到控制器中； 所述酒精度计算模型为： 其中， 权重常量V1＝‑8.78009788， V2＝‑ 120.34663676， V3＝‑11.92250949， V4＝5.36664326， V5＝7.37168811， W11＝ ‑0.35875759， W12＝0.13787137， W13＝0.33458189， W14＝ ‑0.50523374， W15＝1.69823758， W21＝ 10.29658039， W22＝0.80742288， W23＝4.12574959， W24＝ ‑11.19394148， W25＝ ‑ 8.05011810； 偏置常量b1＝‑11.35753556， b2＝0.04014640， b3＝‑2.66309245， b4＝ 9.68923738， b5＝12.42979910， b＝10 5.6796818 8。 2.根据权利要求1所述的用于分段摘酒的酒精度在线检测方法， 其特征在于， 步骤1中，权　利　要　求　书 1/2 页 2 CN 112765900 B 2温度值采集精度为0.1， 密度值采集精度为0.001， 酒精度值采集精度为0.5； 所采集的各组 数据之间的酒精度差值 为一个定值。 3.根据权利要求1所述的用于分段摘酒的酒精度在线检测方法， 其特征在于， 步骤3 中， BP神经网络的输入变量Xk＝[xkd,xkt],(k＝1,2, …N)， 其中Xk表示第k个训练样本的输入变 量， xkd表示第k个训练样本的输入变量中的密度值变量， xkt表示第k个训练样本的输入变量 中的温度值变量， N表示输入的训练样本数； Yk为第k个训练样本的实际输出值； Dk表示第k个 训练样本的期望 输出值； BP神经网络的拓扑结构包括输入层、 隐含层和输出层； 输入层的神经元个数为2， 隐含 层的神经 元个数为5， 输出层的神经 元个数为1； 基本参数包括学习速率μ、 迭代次数m、 输入层到隐含层的权重、 隐含层到输出层的权 重、 输入层到隐含层的偏置、 隐含层到 输出层的偏置和允许误差 ε； 传递函数包括 隐含层传递函数f(z)和输出层传递函数； 所述 z为隐含层 输入； 所述输出层 传递函数为线性传递 函数。 4.根据权利要求3所述的用于分段摘酒的酒精度在线检测方法， 其特征在于， 步骤4具 体是： 学习速率μ取0.01， 迭代次数m取1000， 输入层到隐含层的权重、 隐含层到输出层的权 重、 输入层到隐含层 的偏置以及隐含层到输出层 的偏置的初始化值均为( ‑1,1)内的随机 数， 允许误差 ε＝0.0 05。 5.根据权利要求3所述的用于分段摘酒的酒精度在线检测方法， 其特征在于， 步骤5 中， 对BP神经网络进 行非线性拟合具体是： 对每个训练样本进 行不多于 m次的迭代， 迭代为由输 入层至输出层逐层正向计算BP神经网络各层神经元的输入和输出， 计算第k个训练样本的 输出误差 Ek和所有训练样本的总输出误差 E； 其中 当E小于允许误差ε或者达到指定的迭代次数m时， 拟合训练结束， 得到酒精度计算模 型； 若E大于允许误差 ε且 未达到指 定的迭代次数m时， 由输出层至输入层逐层反向计算各层 神经元的输出误差Ek， 然后根据误差梯度下降法调节BP神经网络的各个权重值和偏置值， 直至满足E小于允许误差ε或者达到指定的迭代次数m， 使调整后的BP神经网络的最终实际 输出接近期望输出， 拟合训练结束。权　利　要　求　书 2/2 页 3 CN 112765900 B 3