[发明专利]一种茶叶初制过程各单元协同控制方法

权利要求书

1.一种茶叶初制过程中各单元协同控制方法，其特征在于：包括如下步骤：

步骤一：对在茶叶初制过程中积累的生产数据进行处理，建立茶叶初制各单元关键工艺参数与各单元运行指标的数据库；

步骤二：找出各加工单元后茶叶品质评价与其色差、形态、内部理化成分之间的关系；

步骤三：设定茶叶初制最终质量评价指标范围，并根据以下步骤进行数学建模、误差反馈和建立设计空间，具体步骤如下：

S1：针对茶叶初制过程中需要经历的摊青、杀青、回潮、揉捻、初烘、复烘这几个单元，建立各单元关键工艺参数与各单元运行指标之间的数学模型，各单元模型采用数据驱动的黑箱模型，黑箱模型指的是从非线性回归模型、径向基神经网络模型、最小二乘支持向量机模型中选择适合该单元数据特征的模型；这三个模型的公式分别如下：

(1)非线性回归模型：

[y₁，y₂]＝[b₀，b₁，b₂，...，b_n，b_n+1，b_n+2]′[1，x₁，x₂，...，x_n，y′₁，y′₂]

其中，y₁、y₂为本单元茶叶含水率和茶叶品质，b_i，i＝0,1,…,n+2为回归模型系数，x_i，i＝1,2,…,n为各单元关键工艺参数，y′₁、y′₂为上单元茶叶含水率和茶叶品质；

(2)径向基神经网络模型：

其中，为第j个输出节点的输出估计值，k为隐含层基函数个数，ω_ij为第i，1≤i≤k个隐含层基函数到第j个输出节点的连接权值，x为输入节点，R(x)为径向基函数：

上式中，c为径向基函数的中心，σ为径向基函数的敏感域，决定了径向基函数的宽度，||x-c||表示输入节点和径向基函数的中心的距离；

(3)最小二乘支持向量机模型：

其中，ψ(x)表示从样本空间到高维特征空间的映射，ω为权重向量，ω^T为ω的转置向量，b为偏差；上式的求解可转化为如下优化问题：

s.t.y_i-ω^Tx_i-b＝e_i；

式中γ为正则化参数，n为训练集样本数目，e_i，i＝1,2,…,n为每个样本的训练误差，y_i，i＝1,2,…,n为训练集样本输出值，x_i，i＝1,2,…,n为训练集样本输入值，b为偏差；采用拉格朗日法将优化问题转化为求解线性方程组问题，最后可得最小二乘支持向量机模型为：

式中为训练集样本预测值，α为拉格朗日乘子，b为偏差，K(x，x’)为高斯径向基核函数：

其中x为训练集样本输入值，x′为高斯径向基核函数的中心，σ为径向基核函数的敏感域；

最优模型筛选以均方根误差RMSE为建模目标，同时对最大相对误差MRE、平均相对误差ARE和决定系数R²进行观测，其中：

式中，y_i为实测值，为模型预测值；

S2：以各单元运行指标为输入，茶叶初制最终质量为输出建立总体模型；总体模型采用线性主模型和非线性误差补偿模型组成的混合建模策略，可以得到线性主模型为：

线性主模型得到的预测值与实际综合生产指标之间的误差为非线性误差补偿模型采用最小二乘支持向量机模型：

式中α_i代表拉格朗日乘子，n为训练集样本个数，c为径向基函数的中心，b为偏置项，K(y，c)为高斯径向基核函数：

其中y为训练集样本输入值，c为高斯径向基核函数的中心，σ为径向基核函数的敏感域；

则最终各单元生产指标与综合生产指标之间的混合模型为：

S3：在实际生产数据中可以得到茶叶初制最终质量的目标值范围，由单元模型和总体模型得到茶叶初制最终质量的预测值，根据一定的规则将目标值与预测值的误差合理的反馈给各单元的运行指标，得到各单元运行指标的目标值范围，再根据单元模型可以得到关键工艺参数的目标值范围；这里规则的挖掘采用粗糙集规则挖掘概念，建立误差反馈决策信息表，误差反馈决策信息表以最终含水率目标值、最终品质目标值、最终含水率差值、最终品质差值、运行指标的预测值为条件属性，以运行指标的补偿值为决策属性，对误差反馈决策信息表进行离散化和约简处理，得到误差反馈规则；

S4：将各单元运行指标和关键工艺参数的目标值范围均分为若干等分，产生大量关键工艺参数数据组合，将每个组合代入单元模型与总体模型中，如果得到的最终质量的预测值在目标范围之内，则保留该组数据，如果得到的最终质量的预测值不在目标范围之内，则舍弃该组数据，所有保存下来的数据共同组成茶叶最终质量设计空间。