一种基于豆粕加工在线监测系统的质量管控方法及系统与流程

本技术涉及人工智能与豆粕加工，尤其涉及一种基于豆粕加工在线监测系统的质量管控方法及系统。

背景技术：

1、现有豆粕在线监测设备可实时采集并检测豆粕水分、粗蛋白、粗脂肪等常规成品指标，替代人工抽样 实验室检测模式，有效提升了豆粕质量检测的效率，规避了人工检测滞后，抽样误差大、检测效率低下的问题，为工业化生产提供了基础质量保障。然而，现有豆粕在线监测设备仅具备水分、粗蛋白含量等常规功能，应用维度较浅、管控主动性不足，难以提前规避质量风险，无法实现加工流程精准管控。因此，该问题需要解决。

技术实现思路

1、针对上述技术问题，本技术的目的在于提供一种基于豆粕加工在线监测系统的质量管控方法及系统，旨在解决现有豆粕在线监测设备仅具备水分、粗蛋白含量等常规功能，应用维度较浅、管控主动性不足，难以提前规避质量风险，无法实现加工流程精准管控的问题。

2、第一方面，本技术实施例提供一种基于豆粕加工在线监测系统的质量管控方法，所述方法包括：

3、采集合格豆粕的历史生产工艺数据、大豆原料基础数据、种植气候数据、生产环境气候数据以及豆粕质量指标数据并对采集的数据进行清洗处理，形成按生产批次一一对应的标准化数据集；

4、采用皮尔逊相关系数结合灰色关联分析法对所述标准化数据集进行特征相关性分析，筛选出与豆粕质量指标强关联的核心特征变量；

5、构建基于改进型随机森林与改进型bp神经网络融合的预测模型，以核心特征变量的数据作为输入、豆粕质量指标数据为输出，对模型迭代训练与超参数调优，得到豆粕质量预测模型；其中，改进型随机森林的输出端与bp神经网络输入端相接；所述改进型随机森林配置特征权重修正结构，所述bp神经网络配置动态可调学习率构造；

6、将训练完成的豆粕质量预测模型固化到豆粕加工在线监测系统，实时接入当前生产批次的大豆原料基础数据、种植气候数据、生产环境气候数据和初始工艺数据预测当前批次豆粕质量；

7、根据预测得到的豆粕质量和目标豆粕质量调整所述初始工艺参数，通过模型迭代预测与工艺参数闭环校正，使重新预测得到的豆粕质量与所述目标豆粕质量在预设误差范围内。

8、进一步的，所述改进型随机森林包括原始特征计算结构与特征权重修正结构，所述原始特征计算结构由多棵树并行设置的决策树构成，用于输出各特征的原始权重数据，所述特征权重修正结构用于预存各特征的固定修正系数并对各特征的原始权重数据进行修正输出；所述可调学习率匹配构造内置损失阈值档位与各档位绑定的学习率参数，可调学习率匹配构造的输入端接入 bp 网络单次迭代损失数据，可调学习率匹配构造的输出端连接 bp 网络权重更新端口。

9、进一步的，所述根据预测得到的豆粕质量和目标豆粕质量调整所述初始工艺参数，通过模型迭代预测与工艺参数闭环校正，使重新预测得到的豆粕质量与所述目标豆粕质量在预设误差范围内的步骤包括：

10、计算预测得到的豆粕质量和目标豆粕质量之间的差值，判断该差值是否在预设误差范围内；

11、若未超出预设误差范围，则将所述初始工艺参数作为当前最优工艺参数进行豆粕加工生产；

12、若超出预设误差范围，以所述差值作为梯度损失值，对各工艺参数求偏导，获得各工艺参数的梯度变化方向；

13、基于所述各工艺参数的梯度变化方向，结合预设调节步长，沿梯度反向方向修正各项初始工艺参数，并将各参数约束在各工艺安全上下限区间，超出限值则截取边界数值，得到合规校正后工艺参数；

14、将校正后工艺参数输入所述豆粕质量预测模型预测豆粕质量，循环迭代。

15、进一步的，所述采用皮尔逊相关系数结合灰色关联分析法对所述标准化数据集进行特征相关性分析，筛选出与豆粕质量指标强关联的核心特征变量的步骤包括：

16、从所述标准化数据集中筛选目标特征；其中，所述目标特征为满足pearson相关系数适用条件的特征；

17、计算各目标特征与豆粕质量指标的皮尔逊相关系数，将皮尔逊相关系数大于第一预设阈值的特征划定为线性强相关特征；

18、采用灰色关联分析法计算各特征与豆粕质量指标的灰色关联度，将灰色关联度大于第二预设阈值的特征划定为非线性强相关特征；

19、将所述线性强相关特征和所述非线性强相关特征作为核心特征变量。

20、进一步的，所述生产工艺数据包括大豆预处理温度、软化时间、轧胚厚度、浸出温度、浸出压力、溶剂用量、烘干温度、冷却时长和生产线运行转速。

21、进一步的，所述大豆原料基础数据包括大豆产地、收购批次、原料入库水分、原料粗脂肪、原料粗蛋白、杂质含量、储存时长和储存温湿度。

22、进一步的，所述种植环境气候数据包括种植季降雨量、光照时长、平均气温和温差波动。

23、进一步的，所述生产加工时的车间温湿度和环境气压。

24、进一步的，所述豆粕质量指标数据包括水分含量、粗蛋白含量、粗脂肪含量、粗纤维含量、粗灰分含量、脲酶活性和残油率。

25、第二方面，本技术实施例提供一种豆粕加工在线监测管控系统，所述系统包括：

26、采集模块，用于采集合格豆粕的历史生产工艺数据、大豆原料基础数据、种植气候数据、生产环境气候数据以及豆粕质量指标数据并对采集的数据进行清洗处理，形成按生产批次一一对应的标准化数据集；

27、相关性分析模块，用于采用皮尔逊相关系数结合灰色关联分析法对所述标准化数据集进行特征相关性分析，筛选出与豆粕质量指标强关联的核心特征变量；

28、构建模块，用于构建基于改进型随机森林与改进型bp神经网络融合的预测模型，以核心特征变量的数据作为输入、豆粕质量指标数据为输出，对模型迭代训练与超参数调优，得到豆粕质量预测模型；其中，改进型随机森林的输出端与bp神经网络输入端相接；所述改进型随机森林配置特征权重修正结构，所述bp神经网络配置动态可调学习率构造；

29、固化模块，用于将训练完成的豆粕质量预测模型固化到豆粕加工在线监测系统，实时接入当前生产批次的大豆原料基础数据、种植气候数据、生产环境气候数据和初始工艺数据预测当前批次豆粕质量；

30、调整模块，用于根据预测得到的豆粕质量和目标豆粕质量调整所述初始工艺参数，通过模型迭代预测与工艺参数闭环校正，使重新预测得到的豆粕质量与所述目标豆粕质量在预设误差范围内。

31、本发明的有益效果：

32、（1）本发明采集生产工艺数据、大豆原料基础数据、种植气候数据和生产环境气候数据，覆盖了豆粕品质各类影响来源、避免关键影响因素缺失带来的预测偏差。

33、（2）皮尔逊相关系数仅适用于线性、正态分布、无显著波动的平稳数据，无法适配大豆产地、气候、批次波动等带来的非线性关联；灰色关联分析法对非线性、小样本、波动大、分布未知的工业数据适配性强，但无法量化线性相关显著性。本步骤利用皮尔逊相关系数评判特征线性关联程度、灰色关联度挖掘非线性关联规律既能保留线性作用突出的生产参数，又能留存呈非线性变化的关键变量，仅剔除线性、非线性维度均无明显关联的无效干扰数据，降低无效数据干扰，提升豆粕质量预测准确度与运算效率。

34、（3）通过对随机森林进行改进，配置特征权重修正结构，同时改进bp神经网络，配置可调学习率构造，能够大幅提升模型对不同批次大豆原料波动工况的适应性与豆粕成品质量的预测精准度，具体地，本技术结合豆粕加工生产痛点，原生随机森林仅依托样本数据客观计算特征权重，因豆粕生产存在种植气候波动、车间环境杂扰、原料批次品质差异大等不确定干扰，极易出现浸出温度、轧胚厚度、溶剂用量等关键工艺核心特征权重被低估，而随机环境噪声、无效扰动特征权重虚高的问题，导致模型权重分配脱离实际工艺重要性；对此本发明保留随机森林多决策树并行挖掘数据客观原始权重的优势，增设专属特征权重修正结构，通过工艺经验预设的固定修正系数对各核心特征原始权重进行针对性校正，精准压制生产无效噪声干扰、强化真正主导豆粕粗蛋白含量、水分含量等质量指标的核心工艺与原料特征权重，让模型权重分配贴合豆粕真实生产机理。同时，针对豆粕原料批次差异性强、工况波动大、传统固定学习率bp神经网络迭代适配性差、易陷入局部最优解、预测精度受限的行业难题，本发明为bp神经网络配置可调学习率结构，可根据模型单次迭代的豆粕质量预测误差损失大小，自适应匹配最优学习率并完成网络权重更新，有效规避固定学习率迭代僵化、收敛效果差的缺陷。通过改进随机森林权重校正与动态学习率bp网络的前后协同优化，改善传统模型适配豆粕多变生产工况能力弱的问题，提升模型对不同大豆原料批次、不同工况的泛化适应性，极大提高豆粕成品关键质量指标的在线预测精准度与稳定性。

35、（4）本技术依托皮尔逊相关系数与灰色关联分析法从线性、非线性双重维度筛选强关联核心特征，剔除冗余干扰数据以优化输入数据源，再搭建后端增设特征权重修正结构的改进随机森林搭配内置动态可调学习率构造的改进 bp 神经网络的融合预测模型，利用改进随机森林完成特征加权筛选后输出至 bp 网络接续运算，经样本迭代训练与参数寻优后将模型部署于在线监测系统实现实时质量预测，随后对比预测豆粕质量与目标质量，在误差超标时依托梯度下降算法闭环迭代优化工艺参数、误差达标即锁定最优工艺用于生产，整套流程从数据预处理、特征优选、融合建模到在线预测与工艺闭环调控形成全链路管控，既克服单一模型拟合缺陷与原生算法受偶然数据干扰造成权重失真、固定学习率易陷入局部最优的问题，又能够依据成品目标品质反向动态修正工艺参数，有效降低豆粕成品品质波动幅度，减少原料与能耗损耗，提升豆粕加工的成品合格率与生产管控智能化水平。