一种小米米粉生产品质优化方法实用新型专利

专利名称：一种小米米粉生产品质优化方法

专利类型：实用新型专利

专利申请号：CN202310860318.6

专利申请（专利权）人：广东东泰乳业有限公司
权利人地址：广东省揭阳市揭东试验区3号路南侧

专利发明（设计）人：发明人:黄树杰,郑泽霞

专利摘要：本申请提供一种小米米粉生产品质优化方法，包括：根据酶的种类和酶解效果确定最佳酶解条件；根据小米米粉最佳酶解条件下的酶解结果分析，确定酶解效果，并依据此进行酶解工艺的调整和差异化；根据酶解效果进行分析，预测与酶解效果相应的酶解混合物的特性，包括混合物的粘度、密度、溶解性和体积；根据调整后搅拌设备以及参数的效果，设置不同的搅拌速度，确保小米米粉形成的米糊与酶的充分混合；通过混合均匀性的检测和分析，判断混合搅拌效果，调整搅拌过程的参数，获得最佳混合均匀性的搅拌参数；通过对药食同源食品添加的维生素和微量元素进行检测，确保最终小米米粉含量符合标准。

主权利要求：
1.一种小米米粉生产品质优化方法，其特征在于，所述方法包括：
获取不同酶种类及其在各种环境条件下的酶解效果数据，根据不同小米米粉所需微量元素和米糊的酶解酶，确定各种小米米粉所需酶的种类；根据酶的种类和酶解效果确定最佳酶解条件；根据小米米粉最佳酶解条件下的酶解结果分析，确定酶解效果，并依据此进行酶解工艺的调整和差异化；根据酶解效果进行分析，预测与酶解效果相应的酶解混合物的特性，包括混合物的粘度、密度、溶解性和体积；根据酶解混合物的的粘度、密度、溶解性和体积，采用搅拌设备涡轮或搅拌桨，确保混合均匀，从而获得更优的酶解效果；根据调整后搅拌设备以及参数的效果，设置不同的搅拌速度，确保小米米粉形成的米糊与酶的充分混合；通过混合均匀性的检测和分析，判断混合搅拌效果，调整搅拌过程的参数，获得最佳混合均匀性的搅拌参数；通过对药食同源食品添加的维生素和微量元素进行检测，确保最终小米米粉含量符合标准；使用光谱仪对提取溶剂中的小米米粉样品进行光谱分析，判断是否满足标准中对维生素和微量元素的含量要求；
其中，所述获取不同酶种类及其在各种环境条件下的酶解效果数据，根据不同小米米粉所需微量元素和米糊的酶解酶，确定各种小米米粉所需酶的种类，包括:
根据爬虫技术，从相关文献和数据库中爬取小米米粉酶解酶的相关信息，包括不同种类的酶以及它们在各种环境条件下的酶解效果数据；对收集到的数据进行初步的清洗和整理，去除无效、重复或错误的信息，得到精准的酶种类及其酶解效果数据；在Python环境中利用Pandas库对数据进行检查，剔除重复的数据行或者含有空值的数据行；根据已清洗的数据，选择酶解效果的酶解率作为排序依据，对酶解效果的优劣进行排序，得到排序后的酶种类列表；根据不同种类的小米米粉所需的微量元素，以及米糊的酶解酶种类，对比酶种类列表，确定各种小米米粉所需酶的种类；根据已确定的酶种类，以小米米粉类型为键，以酶为值，创建一个酶配置映射表，每种小米米粉分配相应的酶，得到每种小米米粉的酶配置方案；通过对每种小米米粉的酶配置方案进行实验验证，记录实验参数，包括反应时间、pH值、温度，观察实验结果，得到酶配置方案的实验效果数据；每种小米米粉都使用其相应的酶进行处理，并详细记录其酶解效果；
其中，所述根据酶的种类和酶解效果确定最佳酶解条件，包括:
根据预先收集的不同酶种类及其在各种环境条件下的酶解效果数据，将酶解效果表示为数值，其中，所述酶解效果为酶解率；使用多元线性回归算法，构建酶种类与酶解效果的关联模型，预测每种酶在不同条件下的预期酶解效果；采用预设的小米米粉样品，分别添加已经通过关联模型评估过的各种酶，进行小规模的酶解试验；记录每个小米米粉样品试验的结果，包括酶解效果和其他物理化学指标，其中，其他物理化学指标包括pH值、底物浓度、酶解时间、酶解温度；将获取的实验数据输入到建立的酶种类与酶解效果的关联模型中，验证模型的预测准确性并修正模型参数，达到每种酶在不同条件下的实际酶解效果的最佳预测；获取所有酶在不同条件下的实际酶解效果后，对这些数据进行统计分析，包括计算均值、标准差、计算各变量间的相关性，确定每种酶的平均酶解效果和酶解效果的稳定性；通过对确定的各种酶的平均酶解效果和酶解效果的稳定性进行排序，找出效果最佳且稳定性最高的酶种类；确定最佳酶解酶种类后，利用恒温搅拌器，对选定的酶进行深入酶解试验，其中，试验条件包括不同的pH值、底物浓度、酶解时间、酶解温度，确定这种酶的最佳酶解条件；利用多元线性回归分析，建立酶解条件与酶解效果之间的关系模型，为最优酶解条件提供预测模型；应用酶解条件与酶解效果之间的关系模型，预测在各种条件下的酶解效果，根据预测结果，确定最优的酶解条件；
其中，所述根据小米米粉最佳酶解条件下的酶解结果分析，确定酶解效果，并依据此进行酶解工艺的调整和差异化，包括:
从小米米粉样本库中选取适量样本，按照预设的酶种类和最佳酶解条件进行酶解实验；利用高效液相色谱仪对酶解后的小米米粉样本进行详细的化学成分分析，得到各种营养物质含量的具体数据；将获取的具体数据输入到数据分析软件中，采用线性回归分析，来量化酶解效果的各个质量指标，包括糖化率、蛋白质含量；对得到的质量指标数据进行深入分析，包括相关性分析、偏差分析，确定酶解效果与酶解条件之间的关联性；其中，所述酶解条件包括pH值、底物浓度、酶解时间、酶解温度；依据分析结果，获取影响酶解效果的关键酶解条件；针对这些条件，进行相应的调整，并启动新一轮的酶解试验；完成新一轮的酶解试验后，对新得到的酶解结果执行化学成分分析和质量指标判断；对比新的酶解结果与之前的酶解结果数据，明确酶解条件调整带来的效果差异；根据酶解效果的改善情况，确定酶解条件调整方案，以确定酶解工艺的调整需求；
其中，所述通过对药食同源食品添加的维生素和微量元素进行检测，确保最终小米米粉含量符合标准，包括:
根据测定的维生素和微量元素的种类，获取标准样品；先对小米米粉样品进行预处理，包括研磨、过筛、称量，然后选择提取溶剂进行浸提，最后采用光谱分析法行定性和定量分析；获取定量分析的结果，通过数据处理软件得到各类维生素和微量元素的浓度值；然后，通过对这些数据进行深度分析，得到数据的关键特征和模式，包括维生素和微量元素的平均含量、分布范围、极值；根据相关行业标准，对比分析结果，确定是否满足标准中对维生素和微量元素的含量要求；若不满足标准，根据实际情况对生产工艺进行调整，包括增加相应的维生素、微量元素的添加量、改变添加的时间、改变添加的方式；在确定了添加量后，将维生素和微量元素均匀地加入到小米米粉中，并采用恒温搅拌器进行混合；对改进后的小米米粉进行重新定量分析，得到新的分析结果；通过稳定性测试，确定维生素和微量元素在存储和烹饪过程中的稳定性；根据最新的分析结果，再次与行业标准进行对比，最终确定是否满足标准。
2.根据权利要求1所述的方法，其中，所述根据酶解效果进行分析，预测与酶解效果相应的酶解混合物的特性，包括混合物的粘度、密度、溶解性和体积，包括:
根据酶解效果，收集酶解效果和对应的混合物特性的历史数据，其中，所述混合物特性，包括粘度、密度、溶解性和体积；对获取的历史数据进行预处理，包括缺失值处理、异常值检测和处理、数据标准化；根据历史数据，计算酶解混合物的平均粘度、密度、溶解性和体积作为模型的输入数据集；将数据集分为训练集和验证集，对训练集数据进行特征选择和特征缩放；采用线性回归算法，构建酶解混合物特性预测模型；使用训练得到的模型，基于新的酶解效果数据预测酶解混合物的特性。
3.根据权利要求1所述的方法，其中，所述根据酶解混合物的的粘度、密度、溶解性和体积，采用搅拌设备涡轮或搅拌桨，确保混合均匀，从而获得更优的酶解效果，包括:
根据酶解混合物成分的粘度、密度、溶解性和体积，选择涡轮或搅拌桨，确保设备规格与混合物需求相匹配；利用已经准备就绪的搅拌设备，按照预设的转速和时间对酶解混合物进行详细、精确的搅拌；利用粒度分析仪，对搅拌后的酶解混合物进行细致的物理特性分析，获取混合物均匀性的初步数据；对得到的初步数据进行分布分析、均匀度分析，方差分析，获得混合物样本的分布情况和均匀性指标；通过获得的混合物均匀性指标，比较不同搅拌设备以及参数对混合物均匀性的影响程度，找出对混合均匀性影响最大的设备以及参数；根据分析结果，调整具有最大影响力的搅拌设备以及参数，包括改变涡轮、搅拌桨的转速、搅拌时间，启动新一轮的搅拌试验；新一轮的搅拌试验完成后，对混合物进行物理特性分析和混合物均匀性分析，得出经过参数调整后的混合物均匀性指标；将得到的新的混合物均匀性指标与之前的数据进行对比，明确搅拌设备以及参数调整后的效果差异；根据得出的效果差异，持续优化搅拌设备和参数，直至混合物的均匀性达到预设的标准；确定出最优的搅拌设备和搅拌参数，为后续的生产活动提供强有力的支持。
4.根据权利要求1所述的方法，其中，所述根据调整后搅拌设备以及参数的效果，设置不同的搅拌速度，确保小米米粉形成的米糊与酶的充分混合，包括:
针对调整后的搅拌设备和参数的效果进行分析，确定各项关键参数，包括搅拌设备的型号、规格、搅拌速度；通过改变搅拌速度的实验，收集在不同搅拌速度下米糊与酶混合的效果数据；对收集到的数据进行统计分析，包括计算平均值、方差，深度理解在各种搅拌速度下米糊与酶混合效果的具体表现；根据收集的数据，进行深入的数据分析，识别出能使米糊与酶最充分混合的最佳搅拌速度；基于最佳搅拌速度设定进行实验观察，确保在此速度下，米糊与酶的混合效果达到预期；如果实验结果达到预期，那么确认该搅拌速度为最优速度；若未达预期，则运用预测模型进行新一轮的搅拌速度预测；基于新的预测结果，再次重复改变搅拌速度的实验和观察过程，持续优化，直至找到能让米糊与酶混合效果达标的搅拌速度；最后，确定最佳搅拌速度后，开展稳定性测试，确保在长期使用过程中，该速度持续保证米糊与酶的良好混合效果。
5.根据权利要求1所述的方法，其中，所述通过混合均匀性的检测和分析，判断混合搅拌效果，调整搅拌过程的参数，获得最佳混合均匀性的搅拌参数，包括:
通过运用粒度分析仪，对搅拌后的小米米粉酶解混合物进行详细的物理特性测量，生成粒度分布曲线和相关的物理特性数据，包括平均粒径、粒径分布范围、比表面积、密度；通过比较平均粒径、粒径分布范围、比表面积、密度的差异，判断混合搅拌效果是否达到预期；
若判断结果显示混合搅拌效果并未达到预期，则对搅拌过程的参数进行相应的调整，包括改变搅拌设备的型号、调整搅拌速度、重新设定搅拌时间；根据新设定的搅拌参数，重新进行混合搅拌操作，并且再次重复物理特性测量和数据分析，获取新一轮的混合搅拌效果；对于新一轮的混合搅拌效果，进行数据对比，判断新的搅拌参数是否带来了混合均匀性的明显改进；如果新的搅拌参数成功改善了混合均匀性，则将这些参数运用到小米米粉的酶解生产过程中；如果效果还未达到预期，则继续进行参数的调整和优化；在整个参数调整和优化的过程中，重复执行物理特性测量、数据分析和参数调整，直到找到最佳混合均匀性的搅拌参数。 说明书 : 一种小米米粉生产品质优化方法技术领域[0001] 本发明涉及信息技术领域，尤其涉及一种小米米粉生产品质优化方法。背景技术[0002] 小米米粉是一种受欢迎的食品，但在生产过程中存在一些技术问题。首先，小米米粉需要经过酶解工艺才能得到理想的口感和营养成分。然而，目前还没有确定最佳的酶解温度范围和初步的酶解条件，这使得小米米粉的酶解效果无法保证。此外，不同类型的小米米粉需要适合其所需微量元素和米糊的酶解酶。然而，目前还没有确定最适合的酶种类，这导致小米米粉的酶解效果存在差异。另外，酶解过程中混合均匀性也是一个重要问题。如果小米米粉与酶的充分混合不均匀，将会导致酶解效果的不一致。此外，小米米粉中添加的维生素和微量元素需要进行检测，以确保其含量符合标准。然而，目前还没有一个有效的检测方法来确保最终产品的质量。综上所述，小米米粉的酶解工艺存在一些技术问题，包括确定最佳酶解温度范围和初步的酶解条件、选择适合的酶种类、调整酶解工艺和搅拌设备、检测和调整混合均匀性以及确保添加的维生素和微量元素的含量符合标准。解决这些问题将有助于提高小米米粉的品质，并满足消费者的需求。发明内容[0003] 本发明提供了一种小米米粉生产品质优化方法，主要包括：[0004] 获取不同酶种类及其在各种环境条件下的酶解效果数据，根据不同小米米粉所需微量元素和米糊的酶解酶，确定各种小米米粉所需酶的种类；根据酶的种类和酶解效果确定最佳酶解条件；根据小米米粉最佳酶解条件下的酶解结果分析，确定酶解效果，并依据此进行酶解工艺的调整和差异化；根据酶解效果进行分析，预测与酶解效果相应的酶解混合物的特性，包括混合物的粘度、密度、溶解性和体积；根据酶解混合物的的粘度、密度、溶解性和体积，采用搅拌设备涡轮和搅拌桨，确保混合均匀，从而获得更优的酶解效果；根据调整后搅拌设备以及参数的效果，设置不同的搅拌速度，确保小米米粉形成的米糊与酶的充分混合；通过混合均匀性的检测和分析，判断混合搅拌效果，调整搅拌过程的参数，获得最佳混合均匀性的搅拌参数；通过对药食同源食品添加的维生素和微量元素进行检测，确保最终小米米粉含量符合标准；使用光谱仪对提取溶剂中的小米米粉样品进行光谱分析，判断是否满足标准中对维生素和微量元素的含量要求。[0005] 进一步可选地，所述获取不同酶种类及其在各种环境条件下的酶解效果数据，根据不同小米米粉所需微量元素和米糊的酶解酶，确定各种小米米粉所需酶的种类，包括：[0006] 根据爬虫技术，从相关文献和数据库中爬取小米米粉酶解酶的相关信息，包括不同种类的酶以及它们在各种环境条件下的酶解效果数据；对收集到的数据进行初步的清洗和整理，去除无效、重复或错误的信息，得到精准的酶种类及其酶解效果数据；在Python环境中利用Pandas库对数据进行检查，剔除重复的数据行或者含有空值的数据行；根据已清洗的数据，选择酶解效果的酶解率作为排序依据，对酶解效果的优劣进行排序，得到排序后的酶种类列表；根据不同种类的小米米粉所需的微量元素，以及米糊的酶解酶种类，对比酶种类列表，确定各种小米米粉所需酶的种类；根据已确定的酶种类，以小米米粉类型为键，以酶为值，创建一个酶配置映射表，每种小米米粉分配相应的酶，得到每种小米米粉的酶配置方案；通过对每种小米米粉的酶配置方案进行实验验证，记录实验参数，包括反应时间、pH值、温度，观察实验结果，得到酶配置方案的实验效果数据；每种小米米粉都使用其相应的酶进行处理，并详细记录其酶解效果。[0007] 进一步可选地，所述根据酶的种类和酶解效果确定最佳酶解条件，包括：[0008] 根据预先收集的不同酶种类及其在各种环境条件下的酶解效果数据，将酶解效果表示为数值，其中，所述酶解效果为酶解率；使用多元线性回归算法，构建酶种类与酶解效果的关联模型，预测每种酶在不同条件下的预期酶解效果；采用预设的小米米粉样品，分别添加已经通过关联模型评估过的各种酶，进行小规模的酶解试验；记录每个小米米粉样品试验的结果，包括酶解效果和其他物理化学指标，其中，其他物理化学指标包括pH值、底物浓度、酶解时间、酶解温度；将获取的实验数据输入到建立的酶种类与酶解效果的关联模型中，验证模型的预测准确性并修正模型参数，达到每种酶在不同条件下的实际酶解效果的最佳预测；获取所有酶在不同条件下的实际酶解效果后，对这些数据进行统计分析，包括计算均值、标准差、计算各变量间的相关性，确定每种酶的平均酶解效果和酶解效果的稳定性；通过对确定的各种酶的平均酶解效果和酶解效果的稳定性进行排序，找出效果最佳且稳定性最高的酶种类；确定最佳酶解酶种类后，利用恒温搅拌器，对选定的酶进行深入酶解试验，其中，试验条件包括不同的pH值、底物浓度、酶解时间、酶解温度，确定这种酶的最佳酶解条件；利用多元线性回归分析，建立酶解条件与酶解效果之间的关系模型，为最优酶解条件提供预测模型；应用酶解条件与酶解效果之间的关系模型，预测在各种条件下的酶解效果，根据预测结果，确定最优的酶解条件；还包括：基于多元线性回归算法，构建酶种类与酶解效果的模型，预测每种酶在不同条件下的预期酶解效果。[0009] 所述基于多元线性回归算法，构建酶种类与酶解效果的模型，预测每种酶在不同条件下的预期酶解效果，具体包括：[0010] 根据已有的数据集，获取酶种类和环境条件的属性数据，包括不同酶种类在不同pH值、底物浓度、酶解时间、酶解温度下的酶解效果数据；根据数据集中的酶解效果，确定酶解效果的标签数据。采用多元线性算法，得到构建的酶种类与酶解效果的模型。将属性数据和标签数据划分为训练集和测试集，使用训练集进行多元线性回归模型的训练。根据构建的关联模型，预测给定条件下的酶解效果。将给定的酶种类和环境条件输入到酶种类与酶解效果的关联模型中，根据模型的判断条件，得到预测的酶解效果。判断预测结果的准确性，并根据需要进行模型调整和优化。通过与测试集中的真实酶解效果进行比较，评估模型的准确性。根据评估结果，进行模型的调整和优化，提高预测的准确性。[0011] 进一步可选地，所述根据小米米粉最佳酶解条件下的酶解结果分析，确定酶解效果，并依据此进行酶解工艺的调整和差异化，包括：[0012] 从小米米粉样本库中选取适量样本，按照预设的酶种类和最佳酶解条件进行酶解实验；利用高效液相色谱仪对酶解后的小米米粉样本进行详细的化学成分分析，得到各种营养物质含量的具体数据；将获取的具体数据输入到数据分析软件中，采用线性回归分析，来量化酶解效果的各个质量指标，包括糖化率、蛋白质含量；对得到的质量指标数据进行深入分析，包括相关性分析、偏差分析，确定酶解效果与酶解条件之间的关联性；其中，所述酶解条件包括pH值、底物浓度、酶解时间、酶解温度；依据分析结果，获取影响酶解效果的关键酶解条件；针对这些条件，进行相应的调整，并启动新一轮的酶解试验；完成新一轮的酶解试验后，对新得到的酶解结果执行化学成分分析和质量指标判断；对比新的酶解结果与之前的酶解结果数据，明确酶解条件调整带来的效果差异；根据酶解效果的改善情况，确定酶解条件调整方案，以确定酶解工艺的调整需求；还包括：采用线性回归分析，明确酶解效果与酶解条件之间的具体关联性。[0013] 所述采用线性回归分析，明确酶解效果与酶解条件之间的具体关联性，具体包括：[0014] 根据实验数据和相关文献，获取质量指标数据和酶解条件数据。通过计算质量指标之间的Pearson相关系数，评估它们之间的关联程度。根据相关系数的大小和方向，确定与酶解效果密切相关的指标。使用线性回归模型来预测质量指标，并计算实际观测值与预测值之间的差异。通过计算差异的均值、标准差和残差分布，评估模型的预测准确性和偏差情况。根据pH值、底物浓度、酶解时间、酶解温度将数据进行分组。在每个条件下，重复评估它们和质量指标之间的关联程度，确定不同条件对质量指标的影响。根据相关性分析和偏差分析的结果，确定与酶解效果密切相关的质量指标和关键酶解条件。建立线性回归模型，使用酶解条件作为自变量，质量指标作为因变量，来预测酶解效果。通过模型的参数估计和显著性检验，确定酶解效果与酶解条件之间的具体关联性。根据线性回归模型的结果，得到预测酶解效果的方程，对酶解效果的质量指标进行量化和预测。[0015] 进一步可选地，所述根据酶解效果进行分析，预测与酶解效果相应的酶解混合物的特性，包括混合物的粘度、密度、溶解性和体积，包括：[0016] 根据酶解效果，收集酶解效果和对应的混合物特性的历史数据，其中，所述混合物特性，包括粘度、密度、溶解性和体积；对获取的历史数据进行预处理，包括缺失值处理、异常值检测和处理、数据标准化；根据历史数据，计算酶解混合物的平均粘度、密度、溶解性和体积作为模型的输入数据集；将数据集分为训练集和验证集，对训练集数据进行特征选择和特征缩放；采用线性回归算法，构建酶解混合物特性预测模型；使用训练得到的模型，基于新的酶解效果数据预测酶解混合物的特性。[0017] 进一步可选地，所述根据酶解混合物的的粘度、密度、溶解性和体积，采用搅拌设备涡轮和搅拌桨，确保混合均匀，从而获得更优的酶解效果，包括：[0018] 根据酶解混合物成分的粘度、密度、溶解性和体积，选择涡轮或搅拌桨，确保设备规格与混合物需求相匹配；利用已经准备就绪的搅拌设备，按照预设的转速和时间对酶解混合物进行详细、精确的搅拌；利用粒度分析仪，对搅拌后的酶解混合物进行细致的物理特性分析，获取混合物均匀性的初步数据；对得到的初步数据进行分布分析、均匀度分析，方差分析，获得混合物样本的分布情况和均匀性指标；通过获得的混合物均匀性指标，比较不同搅拌设备以及参数对混合物均匀性的影响程度，找出对混合均匀性影响最大的设备以及参数；根据分析结果，调整具有最大影响力的搅拌设备以及参数，包括改变涡轮、搅拌桨的转速、搅拌时间，启动新一轮的搅拌试验；新一轮的搅拌试验完成后，对混合物进行物理特性分析和混合物均匀性分析，得出经过参数调整后的混合物均匀性指标；将得到的新的混合物均匀性指标与之前的数据进行对比，明确搅拌设备以及参数调整后的效果差异；根据得出的效果差异，持续优化搅拌设备和参数，直至混合物的均匀性达到预设的标准；确定出最优的搅拌设备和搅拌参数，为后续的生产活动提供强有力的支持。[0019] 进一步可选地，所述根据调整后搅拌设备以及参数的效果，设置不同的搅拌速度，确保小米米粉形成的米糊与酶的充分混合，包括：[0020] 针对调整后的搅拌设备和参数的效果进行分析，确定各项关键参数，包括搅拌设备的型号、规格、搅拌速度；通过改变搅拌速度的实验，收集在不同搅拌速度下米糊与酶混合的效果数据；对收集到的数据进行统计分析，包括计算平均值、方差，深度理解在各种搅拌速度下米糊与酶混合效果的具体表现；根据收集的数据，进行深入的数据分析，识别出能使米糊与酶最充分混合的最佳搅拌速度；基于最佳搅拌速度设定进行实验观察，确保在此速度下，米糊与酶的混合效果达到预期；如果实验结果达到预期，那么确认该搅拌速度为最优速度；若未达预期，则运用预测模型进行新一轮的搅拌速度预测；基于新的预测结果，再次重复改变搅拌速度的实验和观察过程，持续优化，直至找到能让米糊与酶混合效果达标的搅拌速度；最后，确定最佳搅拌速度后，开展稳定性测试，确保在长期使用过程中，该速度持续保证米糊与酶的良好混合效果。[0021] 进一步可选地，所述通过混合均匀性的检测和分析，判断混合搅拌效果，调整搅拌过程的参数，获得最佳混合均匀性的搅拌参数，包括：[0022] 通过运用粒度分析仪，对搅拌后的小米米粉酶解混合物进行详细的物理特性测量，生成粒度分布曲线和相关的物理特性数据，包括平均粒径、粒径分布范围、比表面积、密度；通过比较平均粒径、粒径分布范围、比表面积、密度的差异，判断混合搅拌效果是否达到预期；若判断结果显示混合搅拌效果并未达到预期，则对搅拌过程的参数进行相应的调整，包括改变搅拌设备的型号、调整搅拌速度、重新设定搅拌时间；根据新设定的搅拌参数，重新进行混合搅拌操作，并且再次重复物理特性测量和数据分析，获取新一轮的混合搅拌效果；对于新一轮的混合搅拌效果，进行数据对比，判断新的搅拌参数是否带来了混合均匀性的明显改进；如果新的搅拌参数成功改善了混合均匀性，则将这些参数运用到小米米粉的酶解生产过程中；如果效果还未达到预期，则继续进行参数的调整和优化；在整个参数调整和优化的过程中，重复执行物理特性测量、数据分析和参数调整，直到找到最佳混合均匀性的搅拌参数。[0023] 进一步可选地，所述通过对药食同源食品添加的维生素和微量元素进行检测，确保最终小米米粉含量符合标准，包括：[0024] 根据测定的维生素和微量元素的种类，获取标准样品；先对小米米粉样品进行预处理，包括研磨、过筛、称量，然后选择提取溶剂进行浸提，最后采用光谱分析法行定性和定量分析；获取定量分析的结果，通过数据处理软件得到各类维生素和微量元素的浓度值；然后，通过对这些数据进行深度分析，得到数据的关键特征和模式，包括维生素和微量元素的平均含量、分布范围、极值；根据相关行业标准，对比分析结果，确定是否满足标准中对维生素和微量元素的含量要求；若不满足标准，根据实际情况对生产工艺进行调整，包括增加相应的维生素、微量元素的添加量、改变添加的时间、改变添加的方式；在确定了添加量后，将维生素和微量元素均匀地加入到小米米粉中，并采用恒温搅拌器进行混合；对改进后的小米米粉进行重新定量分析，得到新的分析结果；通过稳定性测试，确定维生素和微量元素在存储和烹饪过程中的稳定性；根据最新的分析结果，再次与行业标准进行对比，最终确定是否满足标准；还包括：使用光谱仪对提取溶剂中的小米米粉样品进行光谱分析，判断是否满足标准中对维生素和微量元素的含量要求。[0025] 所述使用光谱仪对提取溶剂中的小米米粉样品进行光谱分析，判断是否满足标准中对维生素和微量元素的含量要求，具体包括：[0026] 提取溶剂中的小米米粉样品，使用光谱仪，对提取溶剂中的小米米粉样品进行光谱分析，通过测定峰的面积或浓度推算目标成分的含量，判断样品中是否含有目标成分。根据光谱分析结果，使用数据处理软件，得到的定量分析结果进行整理和处理，得到各类维生素和微量元素的浓度值。根据定量分析结果，对维生素和微量元素的浓度值对这些浓度值进行深度分析，计算维生素和微量元素的平均含量、分布范围和极值。根据相关行业标准，对比分析结果，确定是否满足标准中对维生素和微量元素的含量要求。[0027] 本发明实施例提供的技术方案可以包括以下有益效果：[0028] 本发明公开了一种根据小米米粉所需微量元素和米糊的酶解酶确定酶的种类的方法，并根据不同酶种类在各种环境条件下的酶解效果数据确定最佳酶解条件。通过分析小米米粉最佳酶解条件下的酶解结果，确定酶解效果，并根据酶解效果进行酶解工艺的调整和差异化。根据酶解效果进行分析，预测与酶解效果相应的酶解混合物的特性，包括混合物的粘度、密度、溶解性和体积。为了确保混合均匀，采用搅拌设备涡轮和搅拌桨，并根据酶解混合物的粘度、密度、溶解性和体积调整搅拌设备和参数，以获得更优的酶解效果。通过调整搅拌设备以及参数的效果，设置不同的搅拌速度，以确保小米米粉形成的米糊与酶充分混合。通过混合均匀性的检测和分析，判断混合搅拌效果，并调整搅拌过程的参数，以获得最佳混合均匀性的搅拌参数。为了确保最终小米米粉含量符合标准，对药食同源食品添加的维生素和微量元素进行检测。本发明提供的小米米粉酶解技术通过获取酶种类及其酶解效果数据，并根据小米米粉所需微量元素和米糊的酶解酶确定最佳酶解条件，以提高酶解效果。并通过调整酶解工艺、混合物特性和搅拌参数，进一步优化酶解效果，保证产品质量。附图说明[0029] 图1为本发明的一种小米米粉生产品质优化方法的流程图。[0030] 图2为本发明的一种小米米粉生产品质优化方法的示意图。具体实施方式[0031] 为进一步了解本发明的内容，结合附图及实施例对本发明作详细描述。下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。[0032] 本实施例一种小米米粉生产品质优化方法具体可以包括：[0033] 步骤101，获取不同酶种类及其在各种环境条件下的酶解效果数据，根据不同小米米粉所需微量元素和米糊的酶解酶，确定各种小米米粉所需酶的种类。[0034] 根据爬虫技术，从相关文献和数据库中爬取小米米粉酶解酶的相关信息，包括不同种类的酶以及它们在各种环境条件下的酶解效果数据。对收集到的数据进行初步的清洗和整理，去除无效、重复或错误的信息，得到精准的酶种类及其酶解效果数据。在Python环境中利用Pandas库对数据进行检查，剔除重复的数据行或者含有空值的数据行。根据已清洗的数据，选择酶解效果的酶解率作为排序依据，对酶解效果的优劣进行排序，得到排序后的酶种类列表。根据不同种类的小米米粉所需的微量元素，以及米糊的酶解酶种类，对比酶种类列表，确定各种小米米粉所需酶的种类。根据已确定的酶种类，以小米米粉类型为键，以酶为值，创建一个酶配置映射表，每种小米米粉分配相应的酶，得到每种小米米粉的酶配置方案。通过对每种小米米粉的酶配置方案进行实验验证，记录实验参数，包括反应时间、pH值、温度，观察实验结果，得到酶配置方案的实验效果数据。每种小米米粉都使用其相应的酶进行处理，并详细记录其酶解效果。例如，根据爬虫技术，从相关文献和数据库中爬取小米米粉酶解酶的相关信息如下：(酶种类，环境条件，酶解效果)(酶A，pH5,25℃，80％)，(酶A，pH5,30℃，90％)，(酶A，pH6,25℃，75％)，(酶B，pH6,30℃，85％)，(酶B，pH7,25℃，70％)，(酶C，pH7,30℃，95％)；对收集到的数据进行初步的清洗和整理，去除无效、重复或错误的信息。选择酶解效果的酶解率作为排序依据，对酶解效果的优劣进行排序，则酶C<酶A<酶B，根据不同种类的小米米粉所需的微量元素以及米糊的酶解酶种类，确定各种小米米粉所需酶的种类。如果小米米粉A需要微量元素X和Y，并且米糊的酶解酶种类为酶B，则小米米粉A所需的酶种类为酶B。根据已确定的酶种类，以小米米粉类型为键，以酶为值，创建一个酶配置映射表，从而得到每种小米米粉的酶配置方案。根据上述确定的酶种类和小米米粉类型，得到以下酶配置映射：(小米米粉类型，酶种类)，(小米米粉A，酶B)，(小米米粉B，酶C)；对于小米米粉A，进行实验并记录下实验参数和实验结果，得到以下数据：(小米米粉类型，酶种类，反应时间，pH值，温度，酶解效果)，(小米米粉A，酶B，10，5，35℃，85％)。[0035] 步骤102，根据酶的种类和酶解效果确定最佳酶解条件。[0036] 根据预先收集的不同酶种类及其在各种环境条件下的酶解效果数据，将酶解效果表示为数值，其中，所述酶解效果为酶解率；使用多元线性回归算法，构建酶种类与酶解效果的关联模型，预测每种酶在不同条件下的预期酶解效果；采用预设的小米米粉样品，分别添加已经通过关联模型评估过的各种酶，进行小规模的酶解试验。记录每个小米米粉样品试验的结果，包括酶解效果和其他物理化学指标，其中，其他物理化学指标包括pH值、底物浓度、酶解时间、酶解温度。将获取的实验数据输入到建立的酶种类与酶解效果的关联模型中，验证模型的预测准确性并修正模型参数，达到每种酶在不同条件下的实际酶解效果的最佳预测。获取所有酶在不同条件下的实际酶解效果后，对这些数据进行统计分析，包括计算均值、标准差、计算各变量间的相关性，确定每种酶的平均酶解效果和酶解效果的稳定性。通过对确定的各种酶的平均酶解效果和酶解效果的稳定性进行排序，找出效果最佳且稳定性最高的酶种类。确定最佳酶解酶种类后，利用恒温搅拌器，对选定的酶进行深入酶解试验，其中，试验条件包括不同的pH值、底物浓度、酶解时间、酶解温度，确定这种酶的最佳酶解条件。利用多元线性回归分析，建立酶解条件与酶解效果之间的关系模型，为最优酶解条件提供预测模型。应用酶解条件与酶解效果之间的关系模型，预测在各种条件下的酶解效果，根据预测结果，确定最优的酶解条件。例如，使用多元线性回归算法构建酶种类与酶解效果的关联模型。将pH值、底物浓度、酶解时间和酶解温度作为属性数据，酶解效果作为标签数据，其中，酶解效果为酶解率。假设构建的多元线性回归模型如下：酶解效果＝β0+β1*pH值+β2*底物浓度+β3*酶解时间+β4*酶解温度，其中，β0、β1、β2、β3和β4是回归系数。接下来，进行小规模的酶解试验，采用预设的小米米粉样品，分别添加通过关联模型评估过的各种酶。记录每个小米米粉样品试验的酶解效果和其他物理化学指标，包括pH值、底物浓度、酶解时间和酶解温度。将获取的实验数据输入到建立的酶种类与酶解效果的关联模型中，验证模型的预测准确性并修正模型参数，以达到每种酶在不同条件下的实际酶解效果的最佳预测。在获取所有酶在不同条件下的实际酶解效果后，对这些数据进行统计分析。计算每种酶的平均酶解效果和酶解效果的标准差，评估其稳定性。计算各变量间的相关性，以确定影响酶解效果的主要因素。通过确定各种酶的平均酶解效果和酶解效果的稳定性进行排序，找出效果最佳且稳定性最高的酶种类。假设根据统计分析结果，确定酶B的平均酶解效果最佳且稳定性最高。接下来，利用恒温搅拌器对选定的酶B进行深入酶解试验。试验条件包括不同的pH值、底物浓度、酶解时间和酶解温度，以确定这种酶的最佳酶解条件。利用多元线性回归分析，建立酶解条件与酶解效果之间的关系模型。最后，根据预测结果，确定最优的酶解条件，以达到最佳的酶解效果。例如，想预测酶种类为酶B，在pH值为7.8，底物浓度为0.4，酶解时间为35分钟，酶解温度为60℃的条件下的酶解效果。将这些条件代入关联模型中，得到预测方程：酶解效果＝β0+β1*7.8+β2*0.4+β3*35+β4*60，根据模型的判断条件，得到预测的酶解效果的数值。[0037] 基于多元线性回归算法，构建酶种类与酶解效果的模型，预测每种酶在不同条件下的预期酶解效果。[0038] 根据已有的数据集，获取酶种类和环境条件的属性数据，包括不同酶种类在不同pH值、底物浓度、酶解时间、酶解温度下的酶解效果数据；根据数据集中的酶解效果，确定酶解效果的标签数据。采用多元线性算法，得到构建的酶种类与酶解效果的模型。将属性数据和标签数据划分为训练集和测试集，使用训练集进行多元线性回归模型的训练。根据构建的关联模型，预测给定条件下的酶解效果。将给定的酶种类和环境条件输入到酶种类与酶解效果的关联模型中，根据模型的判断条件，得到预测的酶解效果。判断预测结果的准确性，并根据需要进行模型调整和优化。通过与测试集中的真实酶解效果进行比较，评估模型的准确性。根据评估结果，进行模型的调整和优化，提高预测的准确性。例如，三种不同酶种类在不同温度、pH值和底物浓度下的酶解效果数据：(酶种类，pH值，底物浓度，酶解时间，酶解温度，酶解效果(酶解率))，(酶A，6.5，0.2，20，50℃，0.75)，(酶A，7.0，0.3，30，60℃，0.6)，(酶B，7.5，0.4，25，55℃，0.85)，(酶B，8.0，0.5，40，70℃，0.7)，(酶C，7.2，0.3，35，65℃，0.55)，(酶C，6.8，0.4，30，50℃，0.45)；将使用多元线性回归算法构建酶种类与酶解效果的关联模型。将pH值、底物浓度、酶解时间和酶解温度作为属性数据，酶解效果作为标签数据，其中，酶解效果为酶解率。首先，将数据集划分为训练集和测试集，通常按照比例如80％训练集和20％测试集的方式进行划分。然后，使用训练集进行多元线性回归模型的训练，得到回归系数的估计值。假设得到以下回归模型：酶解效果＝β0+β1*pH值+β2*底物浓度+β3*酶解时间+β4*酶解温度其中，β0、β1、β2、β3和β4是回归系数。接下来，使用测试集数据来验证模型的预测准确性。将测试集中的酶种类和环境条件输入到模型中，根据模型的判断条件，得到预测的酶解效果。例如，想预测酶种类为酶A，在pH值为6.8，底物浓度为0.2，酶解时间为20分钟，酶解温度为50℃的条件下的酶解效果。将这些条件代入模型中，计算预测的酶解效果，酶解效果＝β0+β1*6.8+β2*0.2+β3*20+β4*50，通过与测试集中的真实酶解效果进行比较，评估模型的准确性。根据评估结果，进行模型的调整和优化，以提高预测的准确性。[0039] 步骤103，根据小米米粉最佳酶解条件下的酶解结果分析，确定酶解效果，并依据此进行酶解工艺的调整和差异化。[0040] 从小米米粉样本库中选取适量样本，按照预设的酶种类和最佳酶解条件进行酶解实验；利用高效液相色谱仪对酶解后的小米米粉样本进行详细的化学成分分析，得到各种营养物质含量的具体数据；将获取的具体数据输入到数据分析软件中，采用线性回归分析，来量化酶解效果的各个质量指标，包括糖化率、蛋白质含量。对得到的质量指标数据进行深入分析，包括相关性分析、偏差分析，确定酶解效果与酶解条件之间的关联性；其中，所述酶解条件包括pH值、底物浓度、酶解时间、酶解温度。依据分析结果，获取影响酶解效果的关键酶解条件。针对这些条件，进行相应的调整，并启动新一轮的酶解试验。完成新一轮的酶解试验后，对新得到的酶解结果执行化学成分分析和质量指标判断。对比新的酶解结果与之前的酶解结果数据，明确酶解条件调整带来的效果差异。根据酶解效果的改善情况，确定酶解条件调整方案，以确定酶解工艺的调整需求。例如，从小米米粉样本库中选取了适量的样本，并根据之前确定的最佳酶解条件进行酶解实验。选择酶种类为酶A，酶解条件包括pH值为6.5，底物浓度为0.2，酶解时间为20分钟，酶解温度为50℃。经过酶解实验后，收集到酶解后的小米米粉样本，并利用高效液相色谱仪对样本进行详细的化学成分分析，得到以下具体数据：糖化率：75％，蛋白质含量：12％，将获取的具体数据输入到数据分析软件中，采用线性回归分析来量化酶解效果的各个质量指标，即糖化率和蛋白质含量。通过线性回归分析，建立以下模型：糖化率＝β0+β1*pH值+β2*底物浓度+β3*酶解时间+β4*酶解温度，蛋白质含量＝β0'+β1'*pH值+β2'*底物浓度+β3'*酶解时间+β4'*酶解温度，其中，β0、β1、β2、β3和β4为糖化率模型的回归系数，β0'、β1'、β2'、β3'和β4'为蛋白质含量模型的回归系数。接下来，对得到的质量指标数据进行深入分析，包括相关性分析和偏差分析，以明确酶解效果与酶解条件pH值、底物浓度、酶解时间、酶解温度之间的具体关联性。例如，计算各个酶解条件与糖化率、蛋白质含量之间的相关系数，并进行假设检验来确定是否存在显著关联。经过分析，发现pH值和底物浓度对糖化率和蛋白质含量具有显著影响，而酶解时间和酶解温度的影响相对较小。根据分析结果，调整酶解条件，例如增加底物浓度并微调pH值，启动新一轮的酶解试验。完成新一轮的酶解试验后，再次对新得到的酶解结果执行化学成分分析和质量指标判断。假设新的酶解结果为糖化率：82％，蛋白质含量：10％，与之前的酶解结果进行对比，发现糖化率有所提高，而蛋白质含量有所降低。根据酶解效果的改善情况，确定了酶解条件的调整方案，即增加底物浓度并微调pH值，以进一步改善酶解效果。[0041] 采用线性回归分析，明确酶解效果与酶解条件之间的具体关联性。[0042] 根据实验数据和相关文献，获取质量指标数据和酶解条件数据。通过计算质量指标之间的Pearson相关系数，评估它们之间的关联程度。根据相关系数的大小和方向，确定与酶解效果密切相关的指标。使用线性回归模型来预测质量指标，并计算实际观测值与预测值之间的差异。通过计算差异的均值、标准差和残差分布，评估模型的预测准确性和偏差情况。根据pH值、底物浓度、酶解时间、酶解温度将数据进行分组。在每个条件下，重复评估它们和质量指标之间的关联程度，确定不同条件对质量指标的影响。根据相关性分析和偏差分析的结果，确定与酶解效果密切相关的质量指标和关键酶解条件。建立线性回归模型，使用酶解条件作为自变量，质量指标作为因变量，来预测酶解效果。通过模型的参数估计和显著性检验，确定酶解效果与酶解条件之间的具体关联性。根据线性回归模型的结果，得到预测酶解效果的方程，对酶解效果的质量指标进行量化和预测。例如，从实验数据和相关文献中获取了以下质量指标数据和酶解条件数据。质量指标数据：糖化率、蛋白质含量，酶解条件数据：pH值：5.0、6.0、7.0，底物浓度：10g/L、15g/L、20g/L，酶解时间：60分钟、90分钟、120分钟，酶解温度：40℃、50℃、60℃；首先，计算质量指标之间的Pearson相关系数，评估它们之间的关联程度。假设，pH值与糖化率之间的相关系数为0.85，表示二者之间存在较强的正相关关系。酶解时间与糖化率之间的相关系数为0.75，表示二者之间存在一定的正相关关系。底物浓度与蛋白质含量之间的相关系数为‑0.65，表示二者之间存在一定的负相关关系。酶解温度与蛋白质含量之间的相关系数为‑0.70，表示二者之间存在较强的负相关关系。根据相关系数的大小和方向，确定与酶解效果密切相关的指标是pH值和酶解时间对于糖化率，以及底物浓度和酶解温度对于蛋白质含量。接下来，使用线性回归模型来预测糖化率和蛋白质含量。对于糖化率，以糖化率作为因变量，pH值和酶解时间作为自变量，建立线性回归模型：糖化率＝β1*pH值+β2*酶解时间+截距；对于蛋白质含量，以蛋白质含量作为因变量，底物浓度和酶解温度作为自变量，建立线性回归模型：蛋白质含量＝β1*底物浓度+β2*酶解温度+截距；通过模型的参数估计和显著性检验，得到具体的回归方程。糖化率＝0.65*pH值+0.45*酶解时间+截距，蛋白质含量＝‑0.75*底物浓度‑0.80*酶解温度+截距；假设我们有一组新的酶解条件数据，其中pH值为6.2，底物浓度为12g/L，酶解时间为100分钟，酶解温度为55℃。将pH值和酶解时间代入回归方程得到糖化率[0043] ＝0.65*6.2+0.45*100+截距，蛋白质含量＝‑0.75*12‑0.80*55+截距；通过这样的预测方程，可以将酶解效果的质量指标进行量化和预测，进一步了解不同酶解条件对质量指标的影响。[0044] 步骤104，根据酶解效果进行分析，预测与酶解效果相应的酶解混合物的特性，包括混合物的粘度、密度、溶解性和体积。[0045] 根据酶解效果，收集酶解效果和对应的混合物特性的历史数据，其中，所述混合物特性，包括粘度、密度、溶解性和体积。对获取的历史数据进行预处理，包括缺失值处理、异常值检测和处理、数据标准化。根据历史数据，计算酶解混合物的平均粘度、密度、溶解性和体积作为模型的输入数据集；将数据集分为训练集和验证集，对训练集数据进行特征选择和特征缩放；采用线性回归算法，构建酶解混合物特性预测模型。使用训练得到的模型，基于新的酶解效果数据预测酶解混合物的特性。例如，根据酶解效果，收集酶解效果和对应的混合物特性的历史数据：酶解效果：80％，混合物特性：粘度：10mPa·s，密度：2g/mL，溶解性：可溶解，体积：100mL，酶解效果：90％，混合物特性：粘度：8mPa·s，密度：1g/mL，溶解性：可溶解，体积：80mL，酶解效果：75％，混合物特性：粘度：12mPa·s，密度：3g/mL，溶解性：可溶解，体积：120mL，对获取的历史数据进行预处理。假设有一个异常值，则使用异常值检测算法来识别异常值，并进行处理。将数据标准化为均值为0，标准差为1的标准正态分布。根据历史数据，计算酶解混合物的平均粘度、密度、溶解性和体积作为模型的输入数据集，例如：平均粘度：(10+8+12)/3＝10mPa·s，平均密度：[0046] (2+1+3)/3＝2g/mL，平均溶解性：可溶解，平均体积：(100+80+120)/3＝100mL，将数据集分为训练集和验证集，例如：训练集：80％的数据用于训练模型，即有3条数据用于训练。将20％的数据用于验证模型，即有1条数据用于验证。根据Pearson相关系数算法选择与酶解效果相关性较高的特征。对特征进行缩放，使其在相同的量纲范围内。采用线性回归算法，构建酶解混合物特性预测模型，则酶解效果＝β0+β1*粘度+β2*密度+β3*溶解性+β4*体积使用训练得到的模型，基于新的酶解效果数据预测酶解混合物的特性，则酶解效果：70％，预测粘度：10*β1，预测密度：2*β2，预测溶解性：可溶解，预测体积：100*β4。[0047] 步骤105，根据酶解混合物的的粘度、密度、溶解性和体积，采用搅拌设备涡轮和搅拌桨，确保混合均匀，从而获得更优的酶解效果。[0048] 根据酶解混合物成分的粘度、密度、溶解性和体积，选择涡轮或搅拌桨，确保设备规格与混合物需求相匹配；利用已经准备就绪的搅拌设备，按照预设的转速和时间对酶解混合物进行详细、精确的搅拌。利用粒度分析仪，对搅拌后的酶解混合物进行细致的物理特性分析，获取混合物均匀性的初步数据。对得到的初步数据进行分布分析、均匀度分析，方差分析，获得混合物样本的分布情况和均匀性指标。通过获得的混合物均匀性指标，比较不同搅拌设备以及参数对混合物均匀性的影响程度，找出对混合均匀性影响最大的设备以及参数。根据分析结果，调整具有最大影响力的搅拌设备以及参数，包括改变涡轮、搅拌桨的转速、搅拌时间，启动新一轮的搅拌试验。新一轮的搅拌试验完成后，对混合物进行物理特性分析和混合物均匀性分析，得出经过参数调整后的混合物均匀性指标。将得到的新的混合物均匀性指标与之前的数据进行对比，明确搅拌设备以及参数调整后的效果差异。根据得出的效果差异，持续优化搅拌设备和参数，直至混合物的均匀性达到预设的标准。确定出最优的搅拌设备和搅拌参数，为后续的生产活动提供强有力的支持。例如，若混合物粘度大于预设阈值，选择涡轮搅拌器提供更大的的剪切力和离心力。如果混合物密度大于预设阈值，选择涡轮搅拌器以确保充分混合。如果混合物中的成分可溶解或容易溶解，选择搅拌桨以避免过多的剪切力。如果混合物体积大于预设阈值，选择涡轮搅拌器以提供更大的搅拌能力和流动性。假设，选择直径为20cm的涡轮设备，确保设备规格与混合物需求相匹配。准备就绪的涡轮设备，设定转速为200rpm，搅拌时间为30分钟，对酶解混合物进行搅拌。使用粒度分析仪，对搅拌后的酶解混合物进行物理特性分析。测量样本的粒度分布情况。对得到的物理特性数据进行分布分析，均匀度分析和方差分析，获得混合物样本的分布情况和均匀性指标。比较不同搅拌设备或参数对混合物均匀性的影响程度。假设在转速为200rpm和搅拌时间为30分钟的情况下，混合物的均匀性指标为95％。根据分析结果，调整涡轮设备的转速为250rpm，搅拌时间延长至40分钟，启动新一轮的搅拌试验。完成新一轮的搅拌试验后，再次使用粒度分析仪对混合物进行物理特性分析和混合物均匀性分析。假设新的均匀性指标为98％。将得到的新的均匀性指标与之前的数据进行对比，发现搅拌设备参数调整后，混合物的均匀性指标有明显提高。根据效果差异，继续优化搅拌设备和参数。假设将涡轮设备的转速调整为280rpm，搅拌时间延长至45分钟。进行新一轮的搅拌试验。通过持续优化搅拌设备和参数，根据具体数值进行试验和分析，最终得出最优的搅拌设备和搅拌参数，确保混合物的均匀性达到预设的标准。[0049] 步骤106，根据调整后搅拌设备以及参数的效果，设置不同的搅拌速度，确保小米米粉形成的米糊与酶的充分混合。[0050] 针对调整后的搅拌设备和参数的效果进行分析，确定各项关键参数，包括搅拌设备的型号、规格、搅拌速度。通过改变搅拌速度的实验，收集在不同搅拌速度下米糊与酶混合的效果数据。对收集到的数据进行统计分析，包括计算平均值、方差，深度理解在各种搅拌速度下米糊与酶混合效果的具体表现。根据收集的数据，进行深入的数据分析，识别出能使米糊与酶最充分混合的最佳搅拌速度。基于最佳搅拌速度设定进行实验观察，确保在此速度下，米糊与酶的混合效果达到预期。如果实验结果达到预期，那么确认该搅拌速度为最优速度；若未达预期，则运用预测模型进行新一轮的搅拌速度预测。基于新的预测结果，再次重复改变搅拌速度的实验和观察过程，持续优化，直至找到能让米糊与酶混合效果达标的搅拌速度。最后，确定最佳搅拌速度后，开展稳定性测试，确保在长期使用过程中，该速度持续保证米糊与酶的良好混合效果。例如，针对调整后的酶解工艺和搅拌设备的效果进行深入分析，确定关键参数，包括搅拌设备的型号为涡轮搅拌器，规格为直径20cm，搅拌速度范围为100‑500转/分钟。选择3个不同的搅拌速度，分别为200转/分钟、300转/分钟和400转/分钟。在每个速度下，进行米糊与酶混合实验，重复3次以获取可靠的数据。记录每个搅拌速度下米糊与酶混合的效果数据，包括观察颜色、质地和颗粒分布。对收集到的数据进行统计分析，计算每个速度下观察指标的平均值和方差。比如，观察颜色得分的平均值为8.2，方差为0.3。深入分析数据，比较不同搅拌速度下米糊与酶混合效果的具体表现。通过观察颜色、质地和颗粒分布等指标，识别出能使米糊与酶最充分混合的最佳搅拌速度。基于最佳搅拌速度设定进行实验观察，重复实验并记录米糊与酶混合效果，确保在最佳速度下混合效果达到预期。比如，观察颜色得分为9.0，质地和颗粒分布均匀。如果实验结果达到预期，确认该搅拌速度为最优速度，比如确认400转/分钟为最佳搅拌速度；若未达预期，则运用预测模型进行新一轮的搅拌速度预测。基于新的预测结果，再次进行实验和观察，持续优化，直至找到能让米糊与酶混合效果达标的最佳搅拌速度。确定最佳搅拌速度后，进行稳定性测试，持续观察并记录在长期使用过程中，该速度下米糊与酶的混合效果是否保持良好。[0051] 步骤107，通过混合均匀性的检测和分析，判断混合搅拌效果，调整搅拌过程的参数，获得最佳混合均匀性的搅拌参数。[0052] 通过运用粒度分析仪，对搅拌后的小米米粉酶解混合物进行详细的物理特性测量，生成粒度分布曲线和相关的物理特性数据，包括平均粒径、粒径分布范围、比表面积、密度；通过比较平均粒径、粒径分布范围、比表面积、密度的差异，判断混合搅拌效果是否达到预期。若判断结果显示混合搅拌效果并未达到预期，则对搅拌过程的参数进行相应的调整，包括改变搅拌设备的型号、调整搅拌速度、重新设定搅拌时间。根据新设定的搅拌参数，重新进行混合搅拌操作，并且再次重复物理特性测量和数据分析，获取新一轮的混合搅拌效果。对于新一轮的混合搅拌效果，进行数据对比，判断新的搅拌参数是否带来了混合均匀性的明显改进。如果新的搅拌参数成功改善了混合均匀性，则将这些参数运用到小米米粉的酶解生产过程中；如果效果还未达到预期，则继续进行参数的调整和优化。在整个参数调整和优化的过程中，重复执行物理特性测量、数据分析和参数调整，直到找到最佳混合均匀性的搅拌参数。例如，使用粒度分析仪对搅拌后的小米米粉酶解混合物进行物理特性测量，获2得了以下精确数据：平均粒径：120μm，粒径分布范围：80‑150μm，比表面积：0.25m/g，密度：31.2g/cm ，然后，对这些物理特性数据进行深入分析。通过统计和数据分析技术，比较和分析了各项数据，并形成了对混合搅拌效果的初步判断。如果初步判断结果显示混合搅拌效果未达到预期，则对搅拌过程的参数进行相应的调整。例如，改变搅拌设备的型号，调整搅拌速度或重新设定搅拌时间。根据新设定的搅拌参数，重新进行混合搅拌操作，并再次执行物理特性测量和数据分析，获得新一轮的混合搅拌效果数据。接着，对新一轮的混合搅拌效果进行数据对比和分析，判断新的搅拌参数是否带来了混合均匀性的明显改进。例如，经过调整后的新搅拌参数，获得了以下数据：平均粒径：100μm，粒径分布范围：70‑120μm，比表面2 3积：0.35m/g，密度：1.3g/cm，通过与之前的数据进行对比，发现新的搅拌参数成功改善了混合均匀性。因此，将这些参数应用到小米米粉的酶解生产过程中，确保混合物的均匀性。如果效果仍未达到预期，则继续进行参数的调整和优化。在整个调整和优化的过程中，不断重复执行物理特性测量、数据分析和参数调整的步骤，直到找到最佳混合均匀性的搅拌参数。[0053] 步骤108，通过对药食同源食品添加的维生素和微量元素进行检测，确保最终小米米粉含量符合标准。[0054] 根据测定的维生素和微量元素的种类，获取标准样品。先对小米米粉样品进行预处理，包括研磨、过筛、称量，然后选择提取溶剂进行浸提，最后采用光谱分析法行定性和定量分析。获取定量分析的结果，通过数据处理软件得到各类维生素和微量元素的浓度值。然后，通过对这些数据进行深度分析，得到数据的关键特征和模式，包括维生素和微量元素的平均含量、分布范围、极值。根据相关行业标准，对比分析结果，确定是否满足标准中对维生素和微量元素的含量要求。若不满足标准，根据实际情况对生产工艺进行调整，包括增加相应的维生素、微量元素的添加量、改变添加的时间、改变添加的方式。在确定了添加量后，将维生素和微量元素均匀地加入到小米米粉中，并采用恒温搅拌器进行混合。对改进后的小米米粉进行重新定量分析，得到新的分析结果。通过稳定性测试，确定维生素和微量元素在存储和烹饪过程中的稳定性。根据最新的分析结果，再次与行业标准进行对比，最终确定是否满足标准。例如，根据测定的维生素和微量元素的种类，获取包含目标维生素和微量元素的标准样品，如维生素A、维生素C、铁、锌等。将样品取出一定量后进行研磨，使颗粒更加均匀。然后通过过筛过程，去除颗粒中的杂质，确保样品的纯度，并确定所需的小米米粉样品量。根据维生素和微量元素的性质，选择合适的溶剂进行浸提，如乙醇、乙酸。将预处理后的小米米粉样品与溶剂充分混合，使目标成分溶解到溶剂中。将提取后的溶剂样品置于光谱仪中进行测量。通过与标准样品的比对，确定各类维生素和微量元素的存在与否(定性分析)。利用标准曲线或其他定量方法，计算出维生素和微量元素的浓度值(定量分析)。将得到的定量分析结果输入数据处理软件，进行深度分析。计算各类维生素和微量元素的关键特征，包括平均含量、分布范围、极值。比较分析结果与行业标准要求，确定是否满足维生素和微量元素的含量标准。若分析结果不满足标准要求，根据实际情况调整生产工艺。可能的调整措施包括增加相应维生素和微量元素的添加量、改变添加的时间或方式。根据调整后的添加量，将维生素和微量元素均匀地加入到小米米粉中，确保混合物的均匀性。可采用恒温搅拌器进行混合，保证维生素和微量元素充分分散于小米米粉中。对改进后的小米米粉样品进行重新定量分析，得到新的维生素和微量元素的含量结果。进行维生素和微量元素的稳定性测试，模拟存储和烹饪过程中的条件，观察维生素和微量元素的稳定性。比较测试前后的含量变化，评估其稳定性。根据最新的分析结果与行业标准进行对比，最终确定是否满足维生素和微量元素的含量要求。若满足标准，确定工艺调整的有效性；若不满足标准，则进一步优化工艺并重新进行测试，直至达到要求。[0055] 使用光谱仪对提取溶剂中的小米米粉样品进行光谱分析，判断是否满足标准中对维生素和微量元素的含量要求。[0056] 提取溶剂中的小米米粉样品，使用光谱仪，对提取溶剂中的小米米粉样品进行光谱分析，通过测定峰的面积或浓度推算目标成分的含量，判断样品中是否含有目标成分。根据光谱分析结果，使用数据处理软件，得到的定量分析结果进行整理和处理，得到各类维生素和微量元素的浓度值。根据定量分析结果，对维生素和微量元素的浓度值对这些浓度值进行深度分析，计算维生素和微量元素的平均含量、分布范围和极值。根据相关行业标准，对比分析结果，确定是否满足标准中对维生素和微量元素的含量要求。例如，通过光谱分析得到小米米粉样品中维生素A的浓度为2.5mg/100g，维生素C的浓度为10mg/100g，铁的浓度为1.2mg/100g，锌的浓度为0.8mg/100g。通过深度分析和统计计算，得到维生素A的平均含量为2.4mg/100g，分布范围为1.8‑3.0mg/100g，极值为1.5mg/100g和3.2mg/100g。维生素C的平均含量为10.2mg/100g，分布范围为9.5‑11.5mg/100g，极值为9.2mg/100g和12.0mg/100g。铁的平均含量为1.3mg/100g，分布范围为1.0‑1.6mg/100g，极值为0.8mg/100g和1.9mg/100g。锌的平均含量为0.9mg/100g，分布范围为0.7‑1.2mg/100g，极值为0.5mg/100g和1.5mg/100g。根据相关行业标准，比如维生素A的最低要求为1.2mg/100g，维生素C的最低要求为8mg/100g，铁的最低要求为1.0mg/100g，锌的最低要求为0.6mg/100g，判断样品中维生素A、维生素C、铁、锌的含量都满足标准要求。[0057] 以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

专利地区：广东

专利申请日期：2023-07-13

专利公开日期：2024-10-15

专利公告号：CN116649533B