酵素肥智能配料优化方法及系统与流程
本申请涉及生物发酵配料,尤其涉及一种酵素肥智能配料优化方法及系统。
背景技术:
1、酵素肥是以有机废弃物为原料经酵素菌种发酵制成的生物有机肥料,含有活性酶、有益微生物及多种养分,在改良土壤结构、促进作物生长等方面具有重要作用。酵素肥生产中,配料是决定成品质量的关键前置环节,配料方案的合理性直接影响后续发酵过程的效率、成品养分达标率及酵素活性水平。
2、酵素肥原料来源广泛,包括畜禽粪便、农作物秸秆、果渣、糖渣、酵素菌种等多种物料,各批次原料的养分含量、有机质比例、酶活性及微生物群落状态存在固有波动。现有配料技术多采用固定配方,未对原料的生物活性特征进行系统性采集与向量化表征,无法根据原料批次的活性差异动态调整配料方案,导致成品酵素活性一致性难以保证。同时,多种原料共同发酵时存在非线性协同效应,现有技术缺乏对不同原料组合协同效应的量化计算手段,也未能将历史数据中挖掘出的深层关联规律引入协同效应的评估过程,配料决策仍停留在静态养分指标的线性叠加层面,难以从酵素活性最大化的角度统筹原料间的相互作用关系。
3、因此,提供一种酵素肥智能配料优化方法及系统,以解决现有技术缺乏原料生物活性特征的系统性表征手段、缺乏原料间发酵协同效应的量化计算方法、以及配料环节与发酵环节信息割裂导致历史发酵规律无法作为先验知识驱动配料方案持续优化的问题,是亟待解决的问题。
技术实现思路
1、本申请提供了一种酵素肥智能配料优化方法及系统,用于提高发酵配料的适应性与成品质量稳定性。
2、第一方面,本申请提供了一种酵素肥智能配料优化方法,包括:
3、s1、采集配料设备中各批次原料的批次信息与特征参数,提取生物活性特征,计算碳氮比动态平衡系数,融合得到各批次原料的综合特征向量;
4、s2、获取历史配料方案及对应的发酵成品数据建立标准化数据集,并结合上一轮生成的深层关联特征,计算不同原料组合的发酵协同效应系数,构建发酵协同效应矩阵;
5、s3、基于综合特征向量与发酵协同效应矩阵构建多目标配料优化模型,求解多目标配料优化模型,得到最优配料方案;
6、s4、获取最优配料方案对应的发酵预测结果,根据最优配料方案进行原料投料,在发酵过程中采集实时发酵数据,与发酵预测结果比对得到发酵偏差结果;
7、s5、当发酵偏差结果超出预设偏差范围时,记录最优配料方案及实时发酵数据,以最优配料方案、实时发酵数据与成品质量数据为新增样本,采用增量学习方法更新发酵协同效应矩阵;
8、s6、将成品质量数据、最优配料方案、更新后的发酵协同效应矩阵及原料的批次信息进行关联,形成结构化的配料知识记录;
9、s7、当配料知识记录达到预设数量时,基于全部配料知识记录构建配料知识图谱,分析配料与成品质量的深层关联特征,并将深层关联特征作为先验数据,参与下一轮多目标配料优化模型构建及发酵协同效应矩阵生成。
10、第二方面,本申请提供了一种酵素肥智能配料优化系统,包括:
11、特征提取模块,用于采集配料设备中各批次原料的批次信息与特征参数,提取生物活性特征,计算碳氮比动态平衡系数,融合得到各批次原料的综合特征向量;
12、效应建模模块,用于获取历史配料方案及对应的发酵成品数据建立标准化数据集,并结合上一轮生成的深层关联特征,计算不同原料组合的发酵协同效应系数,构建发酵协同效应矩阵;
13、优化求解模块,用于基于综合特征向量与发酵协同效应矩阵构建多目标配料优化模型,求解多目标配料优化模型,得到最优配料方案;
14、发酵比对模块,用于获取最优配料方案对应的发酵预测结果,根据最优配料方案进行原料投料,在发酵过程中采集实时发酵数据,与发酵预测结果比对得到发酵偏差结果;
15、增量更新模块,用于当发酵偏差结果超出预设偏差范围时,记录最优配料方案及实时发酵数据,以最优配料方案、实时发酵数据与成品质量数据为新增样本,采用增量学习方法更新发酵协同效应矩阵;
16、知识记录模块,用于将成品质量数据、最优配料方案、更新后的发酵协同效应矩阵及原料的批次信息进行关联,形成结构化的配料知识记录;
17、图谱构建模块,用于当配料知识记录达到预设数量时,基于全部配料知识记录构建配料知识图谱,分析配料与成品质量的深层关联特征,并将深层关联特征作为先验数据,参与下一轮多目标配料优化模型构建及发酵协同效应矩阵生成。
18、第三方面,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的酵素肥智能配料优化方法。
19、与现有技术相比,本申请的有益效果至少如下所述:
20、1、通过采集原料批次信息与生物活性特征并融合为综合特征向量,解决现有技术未对原料生物活性进行系统性表征的问题,使配料方案能够根据原料活性差异动态适配。
21、2、通过结合深层关联特征计算发酵协同效应系数并构建协同效应矩阵,解决现有技术缺乏原料间协同效应量化手段的问题,为多目标配料优化提供了反映生物活性相互作用关系的决策依据。
22、3、通过发酵偏差驱动增量学习更新协同效应矩阵,解决配料与发酵环节信息割裂的问题,建立从发酵反馈到配料模型自修正的优化机制。
23、4、通过构建配料知识图谱并挖掘深层关联特征作为先验数据参与下一轮优化,解决历史发酵规律无法系统性驱动配料改进的问题,使配料优化过程具备持续自学习能力。
1.一种酵素肥智能配料优化方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述s1包括:
3.根据权利要求1所述的方法,其特征在于,所述s2包括:
4.根据权利要求1所述的方法,其特征在于,所述s3包括:
5.根据权利要求1所述的方法,其特征在于,所述s4包括:
6.根据权利要求1所述的方法,其特征在于,所述s5包括:
7.根据权利要求1所述的方法,其特征在于,所述s6包括:
8.根据权利要求1所述的方法,其特征在于,所述s7包括:
9.一种酵素肥智能配料优化系统,用于实现如权利要求1-8中任一项所述的方法,其特征在于,包括:
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-8中任一项所述的酵素肥智能配料优化方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com