基于物联网的精酿啤酒酿造数据智能监测方法

专利名称：基于物联网的精酿啤酒酿造数据智能监测方法

专利类型：发明专利

专利申请号：CN202310828107.4

专利申请（专利权）人：四川君安天源精酿啤酒有限公司
权利人地址：四川省广元市广元经济技术开发区石龙工业园区白龙村

专利发明（设计）人：李涛, 柯常毅, 孙金成, 高合勇, 汪勇, 李有根

专利摘要：本发明公开了基于物联网的精酿啤酒酿造数据智能监测方法，涉及数据处理技术领域。该基于物联网的精酿啤酒酿造数据智能监测方法，利用酸碱度序列变化趋向与酸碱度数据在时间序列上的趋势项之间的差异关系，反映酸碱度数据的异常程度，并根据温度变化确定原始数据变化的真实性，从而识别出异常数据，从而将异常数据剔除，进而获得准确的监测数据，以此实现对发酵过程的酸碱度的智能监测。能够避免对酸碱度的真实变化的误识别，提高异常分析结果的真实性。

主权利要求：基于物联网的精酿啤酒酿造数据智能监测方法
技术领域
[0001] 本发明涉及数据处理技术领域，尤其涉及基于物联网的精酿啤酒酿造数据智能监测方法。
背景技术
[0002] 随着物联网技术的不断发展和普及，越来越多的行业开始将其应用于生产和监测领域。酿造业也不例外，其中精酿啤酒行业更是开始大规模地使用物联网技术进行智能监测，在糖化和发酵过程中有着大量微生物的参与，所以需要监测酒液的酸碱度，以确保各种酶和微生物的生长环境处于最佳状态。
[0003] 但是在实际监测过程中，由于传感器误差等原因，导致所采集的监测数据准确度不足，所以在实际分析之前，首先需要对所采集的监测数据进行清洗。
[0004] 对啤酒的糖化和发酵过程中酸碱度的监测数据的清洗主要针对数据采集过程的异常，现有算法主要利用相邻数据变化之间的差异关系，获得数据的异常变化。但是啤酒的糖化和发酵过程中酸碱度的变化缓慢，所以在时间序列上相邻数据变化差异较小，不利用变化差异分析；并且啤酒的糖化和发酵过程中酸碱度受温度影响较大，在持续发酵过程中酸碱度的变化趋势存在偏差，所以相邻数据变化之间的差异，无法直接反映数据异常变化趋势，即所进行的异常分析不准确。
发明内容
[0005] 本发明要解决的技术问题在于避免对酸碱度的真实变化的误识别，提高异常分析结果的真实性，针对现有技术中的缺陷，提出基于物联网的精酿啤酒酿造数据智能监测方法。
[0006] 为了解决上述技术问题，本发明提供了一种基于物联网的精酿啤酒酿造数据智能监测方法，采用如下监测方法：
[0007] 按预设采集频率采集精酿啤酒酿造过程中的酸碱度数据和温度数据，并将所述酸碱度数据按采集时间排列为酸碱度序列；
[0008] 获得每个所述酸碱度数据对应的趋势项；
[0009] 基于所述酸碱度序列和所述趋势项计算每个所述酸碱度数据的变化趋势；
[0010] 基于所述酸碱度数据、所述趋势项和所述变化趋势计算每个所述酸碱度数据的异常程度；
[0011] 基于所述温度数据、所述酸碱度数据和所述变化趋势计算每个所述变化趋势对所述异常程度的表现程度；
[0012] 基于所述异常程度和对应的所述表现程度计算每个所述酸碱度数据的最终异常程度；
[0013] 根据所述最终异常程度从所述酸碱度数据中筛选出异常数据。
[0014] 可选地，按预设采集频率采集精酿啤酒酿造过程中的酸碱度数据和温度数据，包括：
[0015] 利用酸碱度传感器每10秒采集一次精酿啤酒酿造过程中的酸碱度数据；
[0016] 利用温度传感器每10秒采集一次精酿啤酒酿造过程中的温度数据；
[0017] 其中，酸碱度传感器和温度传感器为同步采集。
[0018] 可选地，获得每个所述酸碱度数据对应的趋势项，包括：
[0019] 采用移动平均法获得所述酸碱度序列中每个所述酸碱度数据对应的趋势项；其中，移动平均窗口大小为7。
[0020] 可选地，基于所述酸碱度序列和所述趋势项计算每个所述酸碱度数据的变化趋势，包括：
[0021] 将所述酸碱度序列和每个所述酸碱度数据对应的所述趋势项绘制到直角坐标系中；其中，直角坐标系的水平方向为所述酸碱度数据的顺序、竖直方向为所述酸碱度数据的值及对应的所述趋势项；
[0022] 将每个所述酸碱度数据分别与其后相邻的L0个所述酸碱度数据相连为L0个线段，并分别获得每个所述线段与水平方向的线段夹角；
[0023] 获得L0个所述线段的端点对应的L0个所述趋势项的趋势项连线与水平方向的趋势夹角；
[0024] 选择与所述趋势夹角相差最小的所述线段夹角对应的所述线段作为所述酸碱度数据的变化趋势。
[0025] 可选地，基于所述酸碱度数据、所述趋势项和所述变化趋势计算每个所述酸碱度数据的异常程度，包括：
[0026] 计算每个所述酸碱度数据与其所在的各个所述变化趋势之间的回归差；
[0027] 计算每个所述变化趋势的所述线段夹角与对应的所述趋势项连线的所述趋势夹角之间的夹角差值；
[0028] 计算每个所述变化趋势的前端点和后端点的所述酸碱度数据与对应所述趋势项的残差；
[0029] 基于所述回归差、所述夹角差值以及前端点和后端点对应的残差计算每个所述酸碱度数据的异常程度。
[0030] 可选地，根据以下公式计算所述异常程度：
[0031] ；
[0032] 式中， 表示第 个所述酸碱度数据的所述异常程度； 表示第个所述酸碱度数据与其所在的第 个所述变化趋势之间的所述回归差； 表示第 个所述变化趋势的所述线段夹角和对应的所述趋势项连线的所述趋势夹角之间的所述夹角差值； 和 表示第个所述变化趋势的前端点、后端点对应的所述酸碱度数据与对应所述趋势项的残差。
[0033] 可选地，基于所述温度数据、所述酸碱度数据和所述变化趋势计算每个所述变化趋势对所述异常程度的表现程度，包括：
[0034] 获取每个所述变化趋势经过的各个所述酸碱度数据对应的所述温度数据；
[0035] 计算每个所述变化趋势对应的所述温度数据的温度均值；
[0036] 计算每个所述变化趋势的前端点与后端点的所述酸碱度数据之间的数据差异；
[0037] 计算每个所述变化趋势的前端点与后端点对应的所述温度数据之间的温度差异；
[0038] 基于所述温度均值、所述数据差异和所述温度差异计算每个所述变化趋势对所述异常程度的表现程度。
[0039] 可选地，根据以下公式计算所述表现程度：
[0040] ；
[0041] 式中， 表示第 个所述变化趋势对所述异常程度的所述表现程度； 表示第个所述变化趋势经过的第 个所述酸碱度数据对应的所述温度数据； 表示所述温度数据的数量； 表示第 个所述变化趋势经过的所有所述酸碱度数据对应的所述温度数据的所述温度均值； 表示第 个所述变化趋势的前端点与后端点的所述酸碱度数据之间的所述数据差异； 表示第 个所述变化趋势的前端点与后端点对应的所述温度数据之间的所述温度差异。
[0042] 可选地，根据以下公式计算所述最终异常程度：
[0043] ；
[0044] 式中， 表示第个所述酸碱度数据的所述最终异常程度； 表示第个所述酸碱度数据的所述异常程度；表示第 个所述变化趋势对所述异常程度的所述表现程度； 表示第 个所述酸碱度数据的所述变化趋势的数量；表示第个所述酸碱度数据与对应所述趋势项的残差。
[0045] 可选地，根据所述最终异常程度从所述酸碱度数据中筛选出异常数据，包括：
[0046] 对各个酸碱度数据的最终异常程度分别进行归一化处理，得到每个酸碱度数据的归一化结果；其中，归一化处理采用最大最小值归一化法；
[0047] 将归一化结果大于异常阈值的酸碱度数据确定为异常数据；其中，异常阈值为0.8。

[0048] 实施本发明的基于物联网的精酿啤酒酿造数据智能监测方法，具有以下有益效果：
[0049] 先以酸碱度数据之间的线段反映酸碱度数据的变化趋势，避免常规趋势项计算中拟合偏差，提高数据变化趋势的真实性；再利用表示酸碱度数据的变化趋势的线段与趋势项之间的差异，反映酸碱度数据的变化趋势相对于数据整体趋向之间的偏差，从而根据酸碱度数据的真实变化趋势的偏差获得酸碱度数据的异常程度。
[0050] 再确定线段对酸碱度数据的变化趋势的真实表现，从而获得线段对其异常程度的表现程度，此处考虑了啤酒发酵过程中温度对其酸碱度的影响，以温度变化获得变化趋势的线段对应区间的酸碱度本身的变化，从而避免对数据真实变化的误识别，提高酸碱度数据变化的偏差的真实性，即提高所获得异常程度的真实性。
[0051] 最终确定啤酒的糖化和发酵过程中所采集的酸碱度数据中的异常数据，然后将异常数据剔除，从而获得准确的监测数据，以此实现对发酵过程的酸碱度的智能监测。
附图说明
[0052] 图1是本发明实施例的基于物联网的精酿啤酒酿造数据智能监测方法的主要步骤的示意图；
[0053] 图2是本发明实施例的基于物联网的精酿啤酒酿造数据智能监测方法的整体逻辑的示意图；
[0054] 图3是本发明一个可参考实施例的基于物联网的精酿啤酒酿造数据智能监测方法的获得异常数据的过程示意图；
[0055] 图4是本发明一个可参考实施例的基于物联网的精酿啤酒酿造数据智能监测方法的应用示意图；
[0056] 图5是本发明一个可参考实施例的基于物联网的精酿啤酒酿造数据智能监测方法的最终异常程度的计算流程示意图。
具体实施方式
[0057] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0058] 如图1所示，本发明实施例提供的基于物联网的精酿啤酒酿造数据智能监测方法采用的监测方法主要包括如下步骤：
[0059] 步骤S101、按预设采集频率采集精酿啤酒酿造过程中的酸碱度数据和温度数据，并将酸碱度数据按采集时间排列为酸碱度序列。
[0060] 在啤酒发酵的酸碱度智能监测过程中，需要对所监测的数据（即酿造过程中的酸碱度）进行清洗，即获得采集数据的异常数据。对于啤酒的糖化和发酵过程，本发明实施例考虑了啤酒发酵过程中温度对其酸碱度的影响，因此，同时采集酸碱度数据和温度数据。
[0061] 在本发明实施例中，按预设采集频率采集精酿啤酒酿造过程中的酸碱度数据和温度数据，可以采用如下方式实现：利用酸碱度传感器每10秒采集一次精酿啤酒酿造过程中的酸碱度数据；利用温度传感器每10秒采集一次精酿啤酒酿造过程中的温度数据。
[0062] 作为一种优选的实施方式，将预设采集频率设置为1次/10秒，并且使酸碱度传感器和温度传感器同步采集。需要说明的是，酸碱度传感器和温度传感器为现有设备，其采集过程本发明实施例不再赘述。
[0063] 步骤S102、获得每个酸碱度数据对应的趋势项。
[0064] 对于啤酒发酵过程中发酵桶内对于酸碱度的监测，所采集的酸碱度数据为时序数据，已知酸碱度的变化主要由于微生物的活动造成的，其中微生物活动变化较为缓慢，所以酸碱度的变化较为缓慢，且酸碱度变化具有一定趋势，此时对于异常采集的数据会破坏数据本身变化所表现趋势，所以酸碱度数据在采集过程的异常分析需要先确定酸碱度数据本身变化所表现趋势。本发明实施例以趋势项表达酸碱度数据本身变化所表现趋势。
[0065] 在本发明实施例中，步骤S102可以采用如下方式实现：采用移动平均法获得酸碱度序列中每个酸碱度数据对应的趋势项。
[0066] 对于时序数据变化趋向的确定，可以直接采用移动平均法，获得所有酸碱度数据对应的趋势项，反映酸碱度序列变化趋向。此时，趋势项与酸碱度数据之间的残差的大小，直接反映着酸碱度数据相对于酸碱度序列变化趋向的异常，残差越大，数据异常程度越大。
[0067] 移动平均法是根据时间序列资料、逐项推移，依次计算包含一定项数的序时平均值，以反映长期趋势的方法。移动平均法的具体实现过程可以参考现有的技术方案或利用已有计算机程序实现，本发明实施例不再赘述。此外，移动平均窗口大小可以根据实际情况或历史经验确定，作为一种优选的实施方式，将移动平均窗口大小设置为7。
[0068] 步骤S103、基于酸碱度序列和趋势项计算每个酸碱度数据的变化趋势。
[0069] 对于啤酒的糖化和发酵过程，酒液的酸碱度变化缓慢，所以在时间序列上相邻数据变化差异较小，不利用变化差异分析，所以本发明实施例利用酸碱度序列变化趋向与变化趋势之间的差异关系进行异常分析，并根据温度变化确定原始数据变化真实性。
[0070] 根据步骤S102所确定的酸碱度数据的趋势项，其残差大小可以反映酸碱度数据的异常程度，但是单个趋势项的残差大小仅反映单个酸碱度数据的趋势，没有涉及酸碱度数据之间的趋势关系，即无法反映酸碱度序列变化趋向的差异关系，并且趋势项受多个酸碱度数据的影响，所以在异常趋势项所表现的异常需要对应多个酸碱度数据之间的关系，所以上述单个趋势项无法准确反映原始数据异常。
[0071] 趋势项与酸碱度数据的对应关系反映在趋势项的变化与酸碱度数据的变化之间的关系，趋势项的变化与酸碱度数据的变化越一致，酸碱度数据的变化趋势越准确、其异常程度越小。因此，先确定每一个酸碱度数据对应的变化趋势。
[0072] 已知对于酸碱度数据的变化趋势需要和所获得趋势项的变化进行对比，以反映酸碱度数据相对于趋势项的特征，所以酸碱度数据变化需要结合趋势项的变化。具体地，在本发明实施例中，步骤S103可以采用如下方式实现：将酸碱度序列和每个酸碱度数据对应的趋势项绘制到直角坐标系中；将每个酸碱度数据分别与其后相邻的L0个酸碱度数据相连为L0个线段，并分别获得每个线段与水平方向的线段夹角；获得L0个线段的端点对应的L0个趋势项的趋势项连线与水平方向的趋势夹角；选择与趋势夹角相差最小的线段夹角对应的线段作为酸碱度数据的变化趋势。
[0073] 其中，直角坐标系的水平方向为所述酸碱度数据的顺序、竖直方向为所述酸碱度数据的值及对应的所述趋势项。以及，L0个线段的端点即相邻的L0个酸碱度数据，则趋势项连线是这L0个酸碱度数据所对应的L0个趋势项的线性趋势。线性趋势是适用于简单线性数据集的最佳拟合直线，其计算过程可以参考现有的技术方案或利用已有计算机程序实现，本发明实施例不再赘述。
[0074] 步骤S104、基于酸碱度数据、趋势项和变化趋势计算每个酸碱度数据的异常程度。
[0075] 酸碱度数据的变化分析中，变化间隔的大小直接影响着酸碱度数据的变化趋势与趋势项的关系，所以在实际分析中，需要在酸碱度数据的不同变化间隔下，分析其变化趋势与趋势项的变化之间的差异关系，从而确定酸碱度数据准确的异常程度。
[0076] 在当前所有酸碱度数据中，确定每一个酸碱度数据的变化趋势，即对应线段。一个变化趋势的线段包含多个酸碱度数据（线段经过多个酸碱度数据点），此时根据酸碱度数据与其所在的表示变化趋势的线段之间的关系，确定其异常程度，即先分析酸碱度数据与表现其变化趋势的一个线段之间的关系对其异常程度的表现。具体地，在本发明实施例中，步骤S104可以采用如下方式实现：计算每个酸碱度数据与其所在的各个变化趋势之间的回归差；计算每个变化趋势的线段夹角与对应的趋势项连线的趋势夹角之间的夹角差值；计算每个变化趋势的前端点和后端点的酸碱度数据与对应趋势项的残差；基于回归差、夹角差值以及前端点和后端点对应的残差计算每个酸碱度数据的异常程度。
[0077] 作为一种优选的实施方式，可以根据以下公式计算异常程度：
[0078] ；
[0079] 式中， 表示第 个酸碱度数据的异常程度； 表示第个酸碱度数据与其所在的第 个变化趋势之间的回归差； 表示第 个变化趋势的线段夹角和对应的趋势项连线的趋势夹角之间的夹角差值； 和 表示第 个变化趋势的前端点、后端点对应的酸碱度数据与对应趋势项的残差。
[0080] 即第个酸碱度数据与对应位置在代表变化趋势的线段中的值的差值，其值越大，第 个酸碱度数据的预期趋势变化的偏差越大，其异常程度越大。 的值越大，第 个变化趋势所表示的第个酸碱度数据的变化趋势越不可信，即 对第个酸碱度数据异常的表现程度越低。 和 的值越大，当前线段越不准确，所以变化趋势与趋势项的差异关系越不准确， 所表现的第个酸碱度数据异常越不准确。
[0081] 利用上述步骤，根据酸碱度数据变化所表现趋势与趋势项之间的关系，反映酸碱度数据的异常程度。其中以酸碱度数据之间的线段反映酸碱度数据的变化趋势，避免常规趋势项计算中的拟合偏差，提高了变化趋势的真实性。利用表示酸碱度数据的变化趋势的线段与趋势项之间的差异，反映酸碱度数据的变化趋势相对于数据整体趋势之间的偏差，从而根据酸碱度数据真实变化趋势的偏差获得酸碱度数据的异常程度。
[0082] 步骤S105、基于温度数据、酸碱度数据和变化趋势计算每个变化趋势对异常程度的表现程度。
[0083] 上述步骤利用酸碱度数据与其所在的多个趋势表示（即变化趋势）之间的差异反映酸碱度数据的异常程度，其中主要依据酸碱度数据的变化趋势，而原始酸碱度的变化受发酵过程微生物活动影响，此时在微生物活动发生变化时，所监测的酸碱度本身同样会发生变化，导致所监测的酸碱度序列的变化趋向改变，所以为了提高变化趋向分析的准确性，需要考虑微生物活动产生的影响。
[0084] 在啤酒发酵过程中，微生物活动受温度影响，其中酵母在低温下会增加其代谢活跃度，可能使得发酵桶酸度增加；在高温下，酵母代谢减缓，可能导致更低的酸度。所以在温度变化的基础上，所监测的酸碱度数据本身具有变化关系，所以其变化趋势具有变化关系。
[0085] 据此分析酸碱度数据本身变化关系。上述步骤涉及一个线段对酸碱度数据的变化趋势的表示，此时针对上述线段，分析其本身变化关系，从而确定线段（即变化趋势）与酸碱度数据的对应关系对酸碱度数据的异常程度的表现程度。
[0086] 在本发明实施例中，步骤S105可以采用如下方式实现：获取每个变化趋势经过的各个酸碱度数据对应的温度数据；计算每个变化趋势对应的温度数据的温度均值；计算每个变化趋势的前端点与后端点的酸碱度数据之间的数据差异；计算每个变化趋势的前端点与后端点对应的温度数据之间的温度差异；基于温度均值、数据差异和温度差异计算每个变化趋势对异常程度的表现程度。
[0087] 利用上述步骤，确定线段对酸碱度数据的变化趋势的真实表现，从而获得线段（即变化趋势）对其异常程度的表现程度，其中考虑了啤酒发酵过程中温度对其酸碱度的影响，以温度变化获得线段对应区间的酸碱度本身的变化，从而避免对数据真实变化的误识别，提高酸碱度数据变化的偏差的真实性，即提高所获得异常程度的真实性。
[0088] 作为一种优选的实施方式，可以根据以下公式计算表现程度：
[0089] ；
[0090] 式中， 表示第 个变化趋势对异常程度的表现程度； 表示第 个变化趋势经过的第 个酸碱度数据对应的温度数据； 表示温度数据的数量； 表示第 个变化趋势经过的所有酸碱度数据对应的温度数据的温度均值； 表示第 个变化趋势的前端点与后端点的酸碱度数据之间的数据差异； 表示第 个变化趋势的前端点与后端点对应的温度数据之间的温度差异。
[0091] 其中， 表示当前表现变化趋势的线段对应区间内温度变化与整体变化的差异，其值越大，第 个温度数据相对与整体变化越突出； 即为当前线段对应的 个温度数据相对于整体变化均值的差异，其值越大，当前线段对应采样时刻温度变化越突出，所以当前线段对应的酸碱度数据本身变化程度越大，所以当前线段对其对应的酸碱度数据的趋势变化的表现程度越低，即当前线段与酸碱度数据的对应关系对酸碱度数据的异常程度的表现程度越低。 表示整体数据中与当前线段对应的相同长度的采样区间内酸碱度相对于温度变化的变化， 即表示当前线段对应的采样区间内酸碱度相对于温度的变化与整体变化的差异，其值越小，当前线段对应的酸碱度变化越符合温度变化对其影响，所以当前线段对应区间内酸碱度数据变化越正常，所以当前线段对应数据变化与趋势项变化差异关系对其酸碱度数据的异常程度的表现程度越低。

[0092] 步骤S106、基于异常程度和对应的表现程度计算每个酸碱度数据的最终异常程度。
[0093] 根据酸碱度数据与表示其变化趋势的线段之间的关系确定其异常程度，同时确定线段对应酸碱度数据在温度变化的影响下其本身变化关系，从而反映酸碱度数据真实的异常程度。
[0094] 由于一个酸碱度数据对应多个反应其变化趋势的线段，此时结合线段（即变化趋势）的变化关系，利用多个线段与酸碱度数据对应关系，获得所监测的酸碱度数据的最终异常程度。具体地，可以根据以下公式计算最终异常程度：
[0095] ；
[0096] 式中， 表示第个酸碱度数据的最终异常程度； 表示第个酸碱度数据的异常程度；表示第 个变化趋势对异常程度的表现程度； 表示第个酸碱度数据的变化趋势的数量；表示第个酸碱度数据与对应趋势项的残差。
[0097] 其中，的值越大， 对第 个酸碱度数据的异常程度的表现程度越高， 即反映第 个变化趋势与第 个酸碱度数据的关系反映第 个酸碱度数据的真实异常程度，则表示第个酸碱度数据对应的 个变化趋势的线段与第 个酸碱度数据的关系所反映第个酸碱度数据的异常程度，其值越大，最终异常程度越大。以及 的值越大，第个酸碱度数据的最终异常程度越大。

[0098] 步骤S107、根据最终异常程度从酸碱度数据中筛选出异常数据。
[0099] 确定啤酒发酵过程中所监测的酸碱度数据的最终异常程度后，可以根据该最终异常程度识别采集过程的异常数据。
[0100] 在本发明实施例中，步骤S107可以采用如下方式实现：对各个酸碱度数据的最终异常程度分别进行归一化处理，得到每个酸碱度数据的归一化结果；将归一化结果大于异常阈值的酸碱度数据确定为异常数据。
[0101] 其中，归一化处理采用最大最小值归一化法。此外，异常阈值可以根据实际需要或历史经验确定，作为一种优选的实施方式，可以将异常阈值设置为0.8。
[0102] 根据上述步骤，确定啤酒的糖化和发酵过程中所采集的酸碱度数据中的异常数据，然后将异常数据剔除，获得准确的监测数据，最终利用准确的监测数据对发酵过程的酸碱度进行监测。
[0103] 可以看出，本发明实施例的基于物联网的精酿啤酒酿造数据智能监测方法，利用酸碱度序列变化趋向与酸碱度数据在时间序列上的趋势项之间的差异关系，反映酸碱度数据的异常程度。其中，先以酸碱度数据之间的线段反映酸碱度数据的变化趋势，避免常规趋势项计算中拟合偏差，提高数据变化趋势的真实性；再利用表示酸碱度数据的变化趋势的线段与趋势项之间的差异，反映酸碱度数据的变化趋势相对于数据整体趋向之间的偏差，从而根据酸碱度数据的真实变化趋势的偏差获得酸碱度数据的异常程度。再确定线段对酸碱度数据的变化趋势的真实表现，从而获得线段对其异常程度的表现程度，此处考虑了啤酒发酵过程中温度对其酸碱度的影响，以温度变化获得变化趋势的线段对应区间的酸碱度本身的变化，从而避免对数据真实变化的误识别，提高酸碱度数据变化的偏差的真实性，即提高所获得异常程度的真实性。最终确定啤酒的糖化和发酵过程中所采集的酸碱度数据中的异常数据，然后将异常数据剔除，从而获得准确的监测数据，以此实现对发酵过程的酸碱度的智能监测。
[0104] 如图2所示，本发明实施例的基于物联网的精酿啤酒酿造数据智能监测方法的整体逻辑为：
[0105] 首先，采集原始数据；
[0106] 对于精酿啤酒对应发酵过程的酸碱度监测，首先需要采集数据，可以直接通过酸碱度传感器采集，即安装在发酵桶内的酸碱度传感器直接获得发酵过程中的酸碱度数据，本发明实施例设置数据采集的时间间隔为经验值10秒。又因为发酵过程中酸碱度受温度影响，所以需要同时获取温度数据，可以利用温度传感器直接采集温度数据。所获得的酸碱度数据与温度数据传输到监测模块，然后对酸碱度数据进行清洗，即去除异常数据。
[0107] 然后，根据温度对酸碱度的影响确定酸碱度数据的变化趋势的真实偏差；
[0108] 对于酸碱度数据在采集过程中的异常数据分析，主要针对酸碱度数据的变化趋势的偏差，酸碱度数据的变化趋势偏差越大，其异常程度越大，数据变化偏差越真实，对其异常程度的表现程度越高。本发明实施例通过温度对发酵过程中酸碱度的影响确定数据变化关系，结合变化趋势与趋势项的真实偏差获得数据异常程度。
[0109] 最后，利用数据变化趋势的真实偏差反映其异常程度；
[0110] 确定啤酒的糖化和发酵过程中所采集的酸碱度数据中的异常数据，然后将异常数据剔除，获得准确的监测数据，最终利用准确的监测数据对发酵过程的酸碱度进行监测。
[0111] 如图3所示，本发明实施例的基于物联网的精酿啤酒酿造数据智能监测方法，获得异常数据的过程为：
[0112] a）监测数据变化趋势。
[0113] 所采集的酸碱度数据为时序数据，对于时序数据变化趋势的确定，本发明实施例直接采用移动平均法，其中移动平均窗口大小设置为经验值7，获得所有酸碱度数据对应的趋势项，反映酸碱度数据的变化趋势。此时，趋势项与酸碱度数据之间的残差的大小，直接反映着酸碱度数据相对于变化趋势的异常程度，残差越大异常程度越大。
[0114] b）利用原始数据变化与趋势变化之间的关系确定数据异常程度，并根据温度变化确定原始数据变化真实性。
[0115] 已知对于酸碱度数据的变化趋势需要和所获得趋势项的变化进行对比，以反映酸碱度数据相对于趋势项的特征，所以酸碱度数据变化需要结合趋势项的变化。此时，首先将酸碱度序列和每个酸碱度数据对应的趋势项绘制到直角坐标系中；然后将每个酸碱度数据分别与其后相邻的L0个酸碱度数据相连，获得L0个线段，线段与水平方向夹角分别为 ，L0个线段的端点对应的趋势项连线与水平方向的夹角为 ，此时在L0个线段中选择最小的线段，作为当前酸碱度数据的变化趋势。
[0116] 每个线段是对一个酸碱度数据的变化趋势的表示，此时针对上述线段（即变化趋势），分析其本身变化关系，从而确定线段与酸碱度数据的对应关系对酸碱度数据的异常程度的表现程度。
[0117] c）异常数据识别。
[0118] 一个监测数据对应有多个反应其变化趋势的线段，此时结合线段的变化关系，利用多个线段与酸碱度数据的对应关系，获得所监测的酸碱度数据的最终异常程度。
[0119] 如图4所示，在应用本发明实施例的基于物联网的精酿啤酒酿造数据智能监测方法时，该智能调控系统采用的调控方法可参考以下流程：
[0120] 步骤401、利用酸碱度传感器每10秒采集一次精酿啤酒酿造过程中的酸碱度数据，并将酸碱度数据按采集时间排列为酸碱度序列；
[0121] 步骤402、利用温度传感器每10秒采集一次精酿啤酒酿造过程中的温度数据；
[0122] 步骤403、采用移动平均法获得酸碱度序列中每个酸碱度数据对应的趋势项；
[0123] 步骤404、计算每个酸碱度数据的异常程度：
[0124] ；
[0125] 利用以上公式计算异常程度，式中， 表示第个酸碱度数据的异常程度； 表示第个酸碱度数据与其所在的第 个变化趋势之间的回归差； 表示第 个变化趋势的线段夹角和对应的趋势项连线的趋势夹角之间的夹角差值； 和 表示第 个变化趋势的前端点、后端点对应的酸碱度数据与对应趋势项的残差；
[0126] 步骤405、计算每个变化趋势对异常程度的表现程度：
[0127] ；
[0128] 利用以上公式计算表现程度，式中， 表示第 个变化趋势对异常程度的表现程度； 表示第 个变化趋势经过的第 个酸碱度数据对应的温度数据； 表示温度数据的数量； 表示第 个变化趋势经过的所有酸碱度数据对应的温度数据的温度均值；表示第 个变化趋势的前端点与后端点的酸碱度数据之间的数据差异； 表示第 个变化趋势的前端点与后端点对应的温度数据之间的温度差异；

[0129] 步骤406、计算每个酸碱度数据的最终异常程度：
[0130] ；
[0131] 利用以上公式计算最终异常程度，式中， 表示第 个酸碱度数据的最终异常程度； 表示第个酸碱度数据的异常程度；表示第 个变化趋势对异常程度的表现程度；表示第个酸碱度数据的变化趋势的数量；表示第个酸碱度数据与对应趋势项的残差；

[0132] 步骤407、对各个酸碱度数据的最终异常程度分别进行归一化处理，得到每个酸碱度数据的归一化结果；
[0133] 步骤408、将归一化结果大于异常阈值的酸碱度数据确定为异常数据。
[0134] 如图5所示，在应用本发明实施例的基于物联网的精酿啤酒酿造数据智能监测方法时，酸碱度数据的最终异常程度的计算可参考以下流程：
[0135] 步骤501、将酸碱度序列和每个酸碱度数据对应的趋势项绘制到直角坐标系中；
[0136] 步骤502、将每个酸碱度数据分别与其后相邻的L0个酸碱度数据相连为L0个线段，并分别获得每个线段与水平方向的线段夹角；
[0137] 步骤503、获得L0个线段的端点对应的L0个趋势项的趋势项连线与水平方向的趋势夹角；
[0138] 步骤504、选择与趋势夹角相差最小的线段夹角对应的线段作为酸碱度数据的变化趋势；
[0139] 步骤505、计算每个酸碱度数据与其所在的各个变化趋势之间的回归差；
[0140] 步骤506、计算每个变化趋势的线段夹角与对应的趋势项连线的趋势夹角之间的夹角差值；
[0141] 步骤507、计算每个变化趋势的前端点和后端点的酸碱度数据与对应趋势项的残差；
[0142] 步骤508、基于回归差、夹角差值以及前端点和后端点对应的残差计算每个酸碱度数据的异常程度；
[0143] 步骤509、获取每个变化趋势经过的各个酸碱度数据对应的温度数据；
[0144] 步骤510、计算每个变化趋势对应的温度数据的温度均值；
[0145] 步骤511、计算每个变化趋势的前端点与后端点的酸碱度数据之间的数据差异；
[0146] 步骤512、计算每个变化趋势的前端点与后端点对应的温度数据之间的温度差异；
[0147] 步骤513、基于温度均值、数据差异和温度差异计算每个变化趋势对异常程度的表现程度；
[0148] 步骤514、基于异常程度和对应的表现程度计算每个酸碱度数据的最终异常程度。
[0149] 本发明实施例的基于物联网的精酿啤酒酿造数据智能监测方法包括：采用酸碱度传感器，每10秒采集一次精酿啤酒酿造过程中的酸碱度数据，并将所述酸碱度数据按采集时间排列为酸碱度序列；
[0150] 采用温度传感器，每10秒采集一次精酿啤酒酿造过程中的温度数据；
[0151] 获得每个所述酸碱度数据对应的趋势项；基于所述酸碱度序列和所述趋势项计算每个所述酸碱度数据的变化趋势；基于所述酸碱度数据、所述趋势项和所述变化趋势计算每个所述酸碱度数据的异常程度；基于所述温度数据、所述酸碱度数据和所述变化趋势计算每个所述变化趋势对所述异常程度的表现程度；基于所述异常程度和对应的所述表现程度计算每个所述酸碱度数据的最终异常程度；根据所述最终异常程度从所述酸碱度数据中筛选出异常数据。
[0152] 此外，酸碱度传感器和温度传感器为同步采集。
[0153] 在本发明实施例中，还可以包括：
[0154] 采用移动平均法获得所述酸碱度序列中每个所述酸碱度数据对应的趋势项；其中，移动平均窗口大小为7。
[0155] 在本发明实施例中，还可以包括：
[0156] 将所述酸碱度序列和每个所述酸碱度数据对应的所述趋势项绘制到直角坐标系中；其中，直角坐标系的水平方向为所述酸碱度数据的顺序、竖直方向为所述酸碱度数据的值及对应的所述趋势项；
[0157] 将每个所述酸碱度数据分别与其后相邻的L0个所述酸碱度数据相连为L0个线段，并分别获得每个所述线段与水平方向的线段夹角；
[0158] 获得L0个所述线段的端点对应的L0个所述趋势项的趋势项连线与水平方向的趋势夹角；
[0159] 选择与所述趋势夹角相差最小的所述线段夹角对应的所述线段作为所述酸碱度数据的变化趋势。
[0160] 在本发明实施例中，还可以包括：
[0161] 计算每个所述酸碱度数据与其所在的各个所述变化趋势之间的回归差；
[0162] 计算每个所述变化趋势的所述线段夹角与对应的所述趋势项连线的所述趋势夹角之间的夹角差值；
[0163] 计算每个所述变化趋势的前端点和后端点的所述酸碱度数据与对应所述趋势项的残差；
[0164] 基于所述回归差、所述夹角差值以及前端点和后端点对应的残差计算每个所述酸碱度数据的异常程度。
[0165] 此外，可以根据以下公式计算所述异常程度：
[0166] ；
[0167] 式中， 表示第 个所述酸碱度数据的所述异常程度； 表示第个所述酸碱度数据与其所在的第 个所述变化趋势之间的所述回归差； 表示第 个所述变化趋势的所述线段夹角和对应的所述趋势项连线的所述趋势夹角之间的所述夹角差值； 和 表示第个所述变化趋势的前端点、后端点对应的所述酸碱度数据与对应所述趋势项的残差。
[0168] 在本发明实施例中，还可以包括：
[0169] 获取每个所述变化趋势经过的各个所述酸碱度数据对应的所述温度数据；
[0170] 计算每个所述变化趋势对应的所述温度数据的温度均值；
[0171] 计算每个所述变化趋势的前端点与后端点的所述酸碱度数据之间的数据差异；
[0172] 计算每个所述变化趋势的前端点与后端点对应的所述温度数据之间的温度差异；
[0173] 基于所述温度均值、所述数据差异和所述温度差异计算每个所述变化趋势对所述异常程度的表现程度。
[0174] 此外，可以根据以下公式计算所述表现程度：
[0175] ；
[0176] 式中， 表示第 个所述变化趋势对所述异常程度的所述表现程度； 表示第个所述变化趋势经过的第 个所述酸碱度数据对应的所述温度数据； 表示所述温度数据的数量； 表示第 个所述变化趋势经过的所有所述酸碱度数据对应的所述温度数据的所述温度均值； 表示第 个所述变化趋势的前端点与后端点的所述酸碱度数据之间的所述数据差异； 表示第 个所述变化趋势的前端点与后端点对应的所述温度数据之间的所述温度差异。
[0177] 此外，可以根据以下公式计算所述最终异常程度：
[0178] ；
[0179] 式中， 表示第个所述酸碱度数据的所述最终异常程度； 表示第个所述酸碱度数据的所述异常程度；表示第 个所述变化趋势对所述异常程度的所述表现程度； 表示第 个所述酸碱度数据的所述变化趋势的数量；表示第个所述酸碱度数据与对应所述趋势项的残差。
[0180] 在本发明实施例中，可以进一步包括：
[0181] 对各个酸碱度数据的最终异常程度分别进行归一化处理，得到每个酸碱度数据的归一化结果；其中，归一化处理采用最大最小值归一化法；
[0182] 将归一化结果大于异常阈值的酸碱度数据确定为异常数据；其中，异常阈值为0.8。

[0183] 根据本发明实施例的技术方案可以看出，本发明实施例的基于物联网的精酿啤酒酿造数据智能监测方法，先以酸碱度数据之间的线段反映酸碱度数据的变化趋势，避免常规趋势项计算中拟合偏差，提高数据变化趋势的真实性；再利用表示酸碱度数据的变化趋势的线段与趋势项之间的差异，反映酸碱度数据的变化趋势相对于数据整体趋向之间的偏差，从而根据酸碱度数据的真实变化趋势的偏差获得酸碱度数据的异常程度。再确定线段对酸碱度数据的变化趋势的真实表现，从而获得线段对其异常程度的表现程度，此处考虑了啤酒发酵过程中温度对其酸碱度的影响，以温度变化获得变化趋势的线段对应区间的酸碱度本身的变化，从而避免对数据真实变化的误识别，提高酸碱度数据变化的偏差的真实性，即提高所获得异常程度的真实性。最终确定啤酒的糖化和发酵过程中所采集的酸碱度数据中的异常数据，然后将异常数据剔除，从而获得准确的监测数据，以此实现对发酵过程的酸碱度的智能监测。
[0184] 最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

专利地区：四川

专利申请日期：2023-07-07

专利公开日期：2023-09-12

专利公告号：CN116561525B