一种白酒分级装置的制作方法

1.本发明涉及白酒分级技术领域，具体涉及一种白酒分级装置。


背景技术：

2.目前，在酿酒过程的蒸馏段，为了更高效摘取各段次不同质量的基础酒，会采用酯类成分检测器或酒精度检测器对馏出物质量进行分级，但是采用单一仪器去检测基础酒的相关参数，并不能确切区分白酒的具体等级，还需依靠技术人员根据其自身经验去甄别白酒的等级，其准确性波动较大。因此，出现了很多通过神经网络去计算酒等级的技术，但是神经网络模型复杂，对于小型的检测设备适应性较差。


技术实现要素：

3.针对现有技术中的上述不足，本发明提供的一种白酒分级装置解决了现有采用神经网络预测酒等级的技术存在模型复杂，对小型检测设备的适应性较差的问题。
4.为了达到上述发明目的，本发明采用的技术方案为：一种白酒分级装置，包括：进酒口、样品容腔、检测器和出酒口；所述进酒口用于向样品容腔输送白酒；所述样品容腔用于盛装进酒口输送的白酒；所述检测器用于采集样品容腔内的白酒数据，建立白酒等级计算模型，得到白酒等级；所述出酒口用于将检测后的样品容腔内的白酒输出。
5.进一步地，所述检测器包括：检测头、滤波单元和酒精分级计算单元；
6.所述检测头采集样品容腔内的白酒数据；所述滤波单元对白酒数据进行滤波，得到滤波白酒数据；所述酒精分级计算单元根据滤波白酒数据，计算白酒等级。
7.进一步地，所述检测头包括：酒精度检测头、酯类成分检测头和液体气味检测头。
8.进一步地，所述滤波单元包括：波动幅值计算子单元、波动幅值判断子单元、数据输入子单元、数据排列子单元和滤波白酒数据计算子单元；
9.所述波动幅值计算子单元用于将当前采集的白酒数据与上一时刻采集的白酒数据做差，得到波动幅值；
10.所述波动幅值判断子单元用于判断波动幅值是否小于阈值，若是，则保留当前采集的白酒数据，若否，则去除当前采集的白酒数据；
11.所述数据输入子单元用于将保留的白酒数据输入到滑动块中；
12.所述数据排列子单元用于将滑动块中保存的白酒数据按照时间发生的先后顺序进行排列，在有新的白酒数据输入时，将存在时间最久的白酒数据移出滑动块，保持滑动块中时间最久的白酒数据位于末位，最新的白酒数据位于首位；
13.所述滤波白酒数据计算子单元用于根据当前滑动块，计算滤波白酒数据。
14.进一步地，计算滤波白酒数据的公式为：
[0015][0016][0017]
其中，yn为当前的滤波白酒数据，y
n-1
为上一次的滤波白酒数据，xn为滑动块的第n位白酒数据，即最新输入的白酒数据，x
n-1
为滑动块的第n-1位白酒数据，xi为滑动块的第i位白酒数据，n为滑动块长度，γ为尺度因子，[]为取整。
[0018]
上述进一步方案的有益效果为：以最新白酒数据xn作为计算基础，在|x
n-x
n-1
|较大时，数据变化剧烈，最新白酒数据xn权重大。在滑动块中所有数据按时间发生的先后顺序排列，将滑动块分成两部分，一部分数据时间新，另一部分数据时间旧，分别对时间新的部分数据、时间旧的部分数据、以及上一次的滤波白酒数据y
n-1
赋予权重，少量考虑时间旧的部分数据和上一次的滤波白酒数据y
n-1
的占比，重点考虑时间新的部分数据和最新白酒数据xn，使得滤波数据能快速跟上数据变化的情况，增强检测器的灵敏程度。同时，滑动块的长度跟随数据变化情况而变化，数据变化越剧烈，滑动块的长度越短，在滑动块的长度越短时，检测器的灵敏程度就越高。
[0019]
进一步地，所述酒精分级计算单元包括：酒精等级模型构建子单元、模型训练子单元和酒精等级计算子单元；
[0020]
所述酒精等级模型构建子单元用于建立白酒等级计算模型；
[0021]
所述模型训练子单元用于采用白酒数据训练集对白酒等级计算模型中权重参数进行训练，得到训练完成的白酒等级计算模型；
[0022]
所述酒精等级计算子单元用于将滤波白酒数据输入训练完成的白酒等级计算模型，得到白酒等级。
[0023]
进一步地，所述白酒等级计算模型为：
[0024]
k＝wζ1+wζ2+wζ3[0025]
其中，k为白酒等级，ζ1为酒精度检测头的白酒数据，ζ2为酯类成分检测头的白酒数据，ζ3为液体气味检测头的白酒数据，w为权重参数。
[0026]
上述进一步方案的有益效果为：建立几种仪器采集的白酒数据与白酒等级的计算模型，通过几种仪器的综合数据，对白酒等级进行综合评定，同时，本发明提供的白酒等级计算模型相比于神经网络的复杂程度是大大降低的，对于小型检测设备适应度更高。
[0027]
进一步地，所述权重参数w在训练过程的更新公式为：
[0028][0029]
其中，w
t+1
为第t+1次训练得到的权重参数，w
t
为第t次训练得到的权重参数，为第t次训练的损失函数，为第t-1次训练的损失函数，η为学习率。
[0030]
上述进一步方案的有益效果为：在训练过程中，损失函数的损失值是逐步降低的，但在训练初期损失函数的损失值下降速度快，训练后期损失函数的损失值下降速度慢，因此，本发明通过去调控学习率，即调控权重参数下降的程度，在训练初期，损失值下降速度快，使得权重下降速度快，在训练后期损失值下降速度慢，甚至接近于0，权重的变化微弱，使得训练过程快速收敛，且找到最优值。
[0031]
综上，本发明的有益效果为：本发明通过建立采集的白酒数据与白酒等级的对应关系，从而构建出白酒等级计算模型，该模型通过几种仪器的综合数据，对白酒等级进行综合评定，本发明提供的白酒等级计算模型相比于神经网络的复杂程度是大大降低的，对于小型检测设备适应度更高。
附图说明
[0032]
图1为一种白酒分级装置的系统框图。
[0033]
图2为一种白酒分级装置的系统详细框图。
具体实施方式
[0034]
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
[0035]
如图1～2所示，一种白酒分级装置，包括：进酒口、样品容腔、检测器和出酒口；所述进酒口用于向样品容腔输送白酒；所述样品容腔用于盛装进酒口输送的白酒；所述检测器用于采集样品容腔内的白酒数据，建立白酒等级计算模型，得到白酒等级；所述出酒口用于将检测后的样品容腔内的白酒输出。
[0036]
所述检测器包括：检测头、滤波单元和酒精分级计算单元；
[0037]
所述检测头采集样品容腔内的白酒数据；所述滤波单元对白酒数据进行滤波，得到滤波白酒数据；所述酒精分级计算单元根据滤波白酒数据，计算白酒等级。
[0038]
所述检测头包括：酒精度检测头、酯类成分检测头和液体气味检测头。
[0039]
所述滤波单元包括：波动幅值计算子单元、波动幅值判断子单元、数据输入子单元、数据排列子单元和滤波白酒数据计算子单元；
[0040]
所述波动幅值计算子单元用于将当前采集的白酒数据与上一时刻采集的白酒数据做差，得到波动幅值；
[0041]
所述波动幅值判断子单元用于判断波动幅值是否小于阈值，若是，则保留当前采集的白酒数据，若否，则去除当前采集的白酒数据；
[0042]
所述数据输入子单元用于将保留的白酒数据输入到滑动块中；
[0043]
所述数据排列子单元用于将滑动块中保存的白酒数据按照时间发生的先后顺序
进行排列，在有新的白酒数据输入时，将存在时间最久的白酒数据移出滑动块，保持滑动块中时间最久的白酒数据位于末位，最新的白酒数据位于首位；
[0044]
所述滤波白酒数据计算子单元用于根据当前滑动块，计算滤波白酒数据。
[0045]
通过波动幅值判断子单元可先将异常的数据剔除，保留正常数据。
[0046]
计算滤波白酒数据的公式为：
[0047][0048][0049]
其中，yn为当前的滤波白酒数据，y
n-1
为上一次的滤波白酒数据，xn为滑动块的第n位白酒数据，即最新输入的白酒数据，x
n-1
为滑动块的第n-1位白酒数据，xi为滑动块的第i位白酒数据，n为滑动块长度，γ为尺度因子，[]为取整。
[0050]
以最新白酒数据xn作为计算基础，在|x
n-x
n-1
|较大时，数据变化剧烈，最新白酒数据xn权重大。在滑动块中所有数据按时间发生的先后顺序排列，将滑动块分成两部分，一部分数据时间新，另一部分数据时间旧，分别对时间新的部分数据、时间旧的部分数据、以及上一次的滤波白酒数据y
n-1
赋予权重，少量考虑时间旧的部分数据和上一次的滤波白酒数据y
n-1
的占比，重点考虑时间新的部分数据和最新白酒数据xn，使得滤波数据能快速跟上数据变化的情况，增强检测器的灵敏程度。同时，滑动块的长度跟随数据变化情况而变化，数据变化越剧烈，滑动块的长度越短，在滑动块的长度越短时，检测器的灵敏程度就越高。
[0051]
所述酒精分级计算单元包括：酒精等级模型构建子单元、模型训练子单元和酒精等级计算子单元；
[0052]
所述酒精等级模型构建子单元用于建立白酒等级计算模型；
[0053]
所述模型训练子单元用于采用白酒数据训练集对白酒等级计算模型中权重参数进行训练，得到训练完成的白酒等级计算模型；
[0054]
所述酒精等级计算子单元用于将滤波白酒数据输入训练完成的白酒等级计算模型，得到白酒等级。
[0055]
所述白酒等级计算模型为：
[0056]
k＝wζ1+wζ2+wζ3[0057]
其中，k为白酒等级，ζ1为酒精度检测头的白酒数据，ζ2为酯类成分检测头的白酒数据，ζ3为液体气味检测头的白酒数据，w为权重参数。
[0058]
建立几种仪器采集的白酒数据与白酒等级的计算模型，通过几种仪器的综合数
据，对白酒等级进行综合评定，同时，本发明提供的白酒等级计算模型相比于神经网络的复杂程度是大大降低的，对于小型检测设备适应度更高。在实际运用中，可增添或减少仪器类型。
[0059]
所述权重参数w在训练过程的更新公式为：
[0060][0061]
其中，w
t+1
为第t+1次训练得到的权重参数，w
t
为第t次训练得到的权重参数，为第t次训练的损失函数，为第t-1次训练的损失函数，η为学习率。
[0062]
在训练过程中，损失函数的损失值是逐步降低的，但在训练初期损失函数的损失值下降速度快，训练后期损失函数的损失值下降速度慢，因此，本发明通过去调控学习率，即调控权重参数下降的程度，在训练初期，损失值下降速度快，使得权重下降速度快，在训练后期损失值下降速度慢，甚至接近于0，权重的变化微弱，使得训练过程快速收敛，且找到最优值。
[0063]
本发明通过建立采集的白酒数据与白酒等级的对应关系，从而构建出白酒等级计算模型，该模型通过几种仪器的综合数据，对白酒等级进行综合评定，本发明提供的白酒等级计算模型相比于神经网络的复杂程度是大大降低的，对于小型检测设备适应度更高。