基于LSTM的上甑酒醅温度预测模型研究

• 作 者: 郝世林
• 出 处: 湖北工业大学
• 发表日期: 2020年08期
• 关键词: 酒醅温度预测 LSTM 贝叶斯优化算法 注意力机制

中国白酒酿造技术是中华五千年酒文化的传承,无论是实用价值和历史价值都是非常重要的。酿酒非常重要的步骤是蒸馏,而蒸馏的质量在于上甑工序的质量。在实现精准探气上甑的过程中,酒醅温度准确预测起着至关重要的作用。当酒醅表面有多个区域跑气时,上甑机器人就无法及时完成铺料操作,容易造成酒损,直接影响酒质。如果能够利用历史酒醅温度信息,预估未来一段时间酒醅温度的变化,将对机器人及时合理完成铺料操作有着重要作用。基于酒醅温度预测问题,文章主要的工作如下:采集劲牌酒厂上甑过程相关数据。采集的数据包含缺失值、异常值和酒甑边缘等,设计合理的预处理流程,包括使用霍夫变换提取酒醅温度数据、对缺失值合理填充、剔除异常温度值、温度矩阵旋转对齐、合理划分数据等。找出对酒醅温度有影响的重要因素,提取时间和空间相关特征。经过预处理后,准确提取了酒醅温度数据,为后续作为模型输入提供了基础。基于酒醅温度预测问题和LSTM存在的问题,设计了基于注意力机制的LSTM模型(简称ATT-LSTM)。实现有效利用LSTM中间隐层各个时刻输出,进行注意力分布的计算,对输出信息进行加权,充分挖掘酒醅温度数据背后隐藏的规律的目的。针对LSTM算法结构复杂,存在多个超参数需要优化的问题,选择贝叶斯优化算法进行参数优选,研究不同参数对模型预测效果的影响。选择适当的优化器、损失函数、学习率和其他参数,以减少误差和训练时间。使用构建的酒醅温度数据集验证ATT-LSTM模型的有效性和准确性。改进后模型采用两层堆叠结构,使用最优参数训练完成得到。将ATT-LSTM与LSTM、RNN比较,观察预测效果,并使用评价指标对比误差大小。实验表明:相比于RNN、LSTM神经网络,ATT-LSTM模型在测试集上MSE更低。改进后的模型可以实现对酒醅温度的准确预测,为上甑机器人精准探气提供依据。