一种智能咖啡烘焙、冷却一体机

本发明属于咖啡设备，具体而言，涉及一种智能咖啡烘焙、冷却一体机。

背景技术：

1、智能咖啡烘焙设备通过采集温度信号与音频爆裂信号对烘焙度进行实时判断，现有方案通常采用固定拓扑神经网络结合梯度下降优化器对多模态传感数据进行建模预测，并以统一的门控权重对不同烘焙阶段的特征分布进行处理。在当前的烘焙控制系统中，由于咖啡豆在一爆期会产生瞬态高能量音频冲击，其频谱分布与低温稳定段存在本质差异，固定拓扑结构的神经元互联密度无法随特征分布稀疏程度动态调整，导致模型表达能力在一爆突变时出现瓶颈；与此同时，热迟滞效应使得烘焙滚筒内实测温度与预测温度之间存在时间滞后误差，固定梯度下降机制在高并发音频冲击输入时响应速度不足，无法在秒级时间内完成路由权重的自适应更新，进而导致烘焙度预测偏差持续累积。也就是说，现有技术中存在烘焙过程中音频冲击信号与温度热迟滞耦合导致烘焙度预测模型无法在一爆突变工况下实现快速自适应校正的技术问题。

技术实现思路

1、有鉴于此，本发明提供一种智能咖啡烘焙、冷却一体机，能够解决现有技术中存在烘焙过程中音频冲击信号与温度热迟滞耦合导致烘焙度预测模型无法在一爆突变工况下实现快速自适应校正的技术问题。

2、本发明是这样实现的：本发明提供一种智能咖啡烘焙、冷却一体机，包括：温度传感器阵列、音频采集单元、风机组件、搅拌器、进豆仓、出豆仓、烘焙滚筒、冷却盘以及控制芯片，其中，所述烘焙滚筒呈圆柱形腔体结构，所述进豆仓固定连接于所述烘焙滚筒一端上方，所述出豆仓固定连接于所述烘焙滚筒另一端下方，所述冷却盘呈圆形浅盘结构，固定设置于所述出豆仓正下方并与所述出豆仓出口对接；所述搅拌器竖直安装于所述冷却盘中心轴位置，所述风机组件固定设置于所述冷却盘底部，所述温度传感器阵列由多个热电偶探针组成，分别嵌入所述烘焙滚筒内壁、所述冷却盘底面及所述出豆仓侧壁；所述音频采集单元由麦克风阵列构成，固定安装于所述烘焙滚筒外壁上方；所述控制芯片固定设置于所述一体机机壳内侧壁的电子控制仓中，所述控制芯片分别与所述温度传感器阵列、所述音频采集单元、所述风机组件、所述搅拌器电连接并进行数据交互；所述控制芯片内设置有烘焙冷却协同优化模块，用于对烘焙阶段的多频段音频流进行实时分解与并发处理，对冷却阶段风机与搅拌器的热对流状态进行解耦计算，并对总线传输过程中的多模态数据流进行自适应滤波调度，最终实现对烘焙度及冷却工况的精准闭环控制；

3、其中，所述烘焙冷却协同优化模块具体执行以下步骤具体包括以下步骤：

4、温度传感器阵列持续采集烘焙滚筒内壁、冷却盘底面及出豆仓侧壁的温度数据，形成温度特征序列，同步触发音频采集单元对烘焙滚筒外壁进行音频信号采集；

5、对音频信号执行轻量级小波分解，将音频切分为高频段、中频段与低频段三路子信号，三路子信号分别进入异步双缓冲队列，由多线程并行读取处理，输出各频段爆裂特征向量；

6、将温度特征序列与爆裂特征向量拼接为输入特征张量，送入热力学熵增拓扑演化预测模型，输出当前烘焙度预测张量及下一时刻温度预测值；

7、根据爆裂特征向量中的爆裂强度指标，与爆裂强度阈值区间进行比对，判断是否处于一爆期或二爆期，据此调整烘焙滚筒加热功率；

8、在冷却阶段，提取冷却盘底面温度，利用空间正交多项式对风机转速与搅拌器转速之间的热对流耦合方程进行解耦，在张量处理流程中完成并行矩阵化求解，输出最优风机转速指令与搅拌器转速指令；

9、计算当前时刻多模态数据总线负载率，利用自适应动态阈值滑动窗口滤波算法剔除冗余特征，保留温度特征序列、爆裂特征向量及风机与搅拌器控制指令的高优先级传输通道；

10、将热力学熵增拓扑演化预测模型的输出烘焙度预测张量与实测温度进行误差计算，利用热迟滞自适应调控函数更新热力学熵增拓扑演化预测模型的门控路由权重，完成闭环迭代优化。

11、其中，所述温度特征序列的采集，具体是温度传感器阵列以采样频率阈值范围内的频率对烘焙滚筒内壁、冷却盘底面及出豆仓侧壁进行持续采样，所述温度传感器阵列由多个热电偶探针组成，分别嵌入烘焙滚筒内壁、冷却盘底面及出豆仓侧壁。

12、其中，所述轻量级小波分解，具体是采用daubechies小波基函数对音频信号进行三层分解，将原始音频信号按频率带宽拆分为高频段子信号、中频段子信号与低频段子信号三路独立子信号，每路子信号对应一个独立缓冲队列，由独立线程异步读取。

13、其中，所述爆裂强度指标，具体是对高频段爆裂特征向量中各帧均方根能量值进行统计，以滑动窗口内连续帧均方根能量均值作为当前爆裂强度指标值；爆裂强度阈值区间分为静默区间、一爆区间与二爆区间三段，各阈值边界通过对不同豆种在不同烘焙度下的多批次实验数据进行均值与方差分析后确定。

14、其中，所述热力学熵增拓扑演化预测模型基于深度学习，模型整体采用动态拓扑编码器与门控路由解码器两段式结构，动态拓扑编码器由若干隐藏层构成，各隐藏层神经元节点数量在训练与推理过程中根据相邻神经元输出激活值的余弦相似度动态执行分裂或合并操作。

15、其中，所述热力学熵增拓扑演化预测模型引入统计力学中的状态熵增方程，将其转换为层间非线性映射约束，损失函数定义为均方误差任务损失与当前批次特征分布的信息熵变化速率和网络层间激活值分布的期望熵增量之差的加权和。

16、其中，所述门控路由解码器内嵌人工蜂群自适应门控寻优算法，设计雇佣蜂分支、观察蜂分支与侦察蜂分支三条独立特征搜索路径，分别对应低温稳定段、升温波动段与一爆突变段三类烘焙状态，各分支路由权重矩阵由黄金分割比例动态分配。

17、其中，所述侦察蜂分支被激活时，利用图论中的最短路径算法在当前神经元互联拓扑图中搜索最优互联路径，将门控路由解码器中各神经元节点抽象为图的顶点，神经元之间当前连接权重绝对值的倒数作为图的边权重，采用dijkstra算法搜索总边权重最小的路径，据此重构路由分支权重分配。

18、其中，所述空间正交多项式解耦，具体是将风机转速与搅拌器转速之间的热对流耦合偏微分方程组投影至legendre正交多项式基底，将耦合项分离为独立的矩阵方程，各矩阵方程在张量处理器中并行求解。

19、其中，所述自适应动态阈值滑动窗口滤波算法，具体是对总线传输的多模态数据流在滑动窗口内统计各特征维度的方差，将方差低于动态阈值的特征维度判定为冗余特征并予以剔除，动态阈值由前一窗口内所有特征方差的中位数乘以滤波系数确定。

20、其中，所述热迟滞自适应调控函数，具体定义为以当前时刻烘焙度预测张量与实测温度特征序列的均方误差值为输入，计算得到热迟滞调控值；当小于第一阈值时，门控路由权重矩阵保持不变；当处于第一阈值与第二阈值之间时，触发观察蜂机制，对门控路由权重矩阵的偏置项进行小步长梯度修正；当不小于第二阈值时，触发侦察蜂机制。

21、其中，所述热力学熵增拓扑演化预测模型的训练数据集，通过采集不同豆种、不同烘焙曲线下的烘焙实验数据建立，每批次记录温度特征序列、音频爆裂特征向量及对应的烘焙度标注，数据标注由专业烘焙师依据色差仪测量值与感官评分联合确定，对原始数据进行归一化处理后按比例划分训练集、验证集与测试集。

22、其中，所述热力学熵增拓扑演化预测模型的训练，采用adam优化器，以均方误差任务损失与熵增约束项构成联合损失函数，每隔设定训练轮次在验证集上评估预测误差，若连续多个评估点误差无下降则触发学习率衰减，训练过程中动态拓扑分裂合并操作每隔设定训练轮次执行一次。

23、其中，所述热力学熵增拓扑演化预测模型采用动态显存分配策略，将各隐藏层的激活值张量按批次维度切分为若干子块，子块依次载入显存进行前向计算后释放；三条蜂群分支的权重矩阵存储于独立内存页，避免分支权重更新时产生内存读写冲突。

24、其中，温度传感器阵列的采样频率阈值范围为1～20hz；各缓冲队列容量阈值范围为50～200帧；爆裂强度指标采用滑动窗口内连续3～8帧均方根能量均值计算；余弦相似度阈值范围为0.85～0.95；约束权重系数的取值范围为0.01～0.1；滤波系数的取值范围为0.1～0.5；滑动窗口长度阈值范围为10～50帧；热力学熵增拓扑演化预测模型输入特征张量维度的取值范围为32～256，输出维度的取值范围为4～16；所述与通过对不同豆种在不同环境温度下的多批次烘焙实验中热迟滞误差分布的四分位分析后确定，实验批次不少于80次。

25、本发明采用动态拓扑分裂合并机制与人工蜂群自适应门控寻优算法相结合的热力学熵增拓扑演化预测模型，解决了固定拓扑神经网络在一爆突变工况下因神经元互联密度不可调整而导致的表达能力瓶颈问题。动态拓扑分裂合并机制使神经元互联密度能够随烘焙阶段特征分布的稀疏程度自动调整，从根本上消除了固定拓扑在一爆期的表达瓶颈；熵增约束损失函数将层间映射方向约束为与烘焙热力学过程一致的信息流动方向，抑制了非物理性参数漂移引发的预测偏差；侦察蜂分支结合图论最短路径算法在一爆突变时触发局部偏置修正，使门控路由权重能够在不中断推理流程的前提下完成秒级自适应更新，从而实现对热迟滞效应的动态补偿。综上所述，本发明解决了背景技术中提到的烘焙过程中音频冲击信号与温度热迟滞耦合导致烘焙度预测模型无法在一爆突变工况下实现快速自适应校正的技术问题。