谢玉球,时 晓,周二干,王 东,刘 亮(江苏洋河酒厂股份有限公司,江苏宿迁223800)
基于物联网技术的窖池智能监测系统在浓香型白酒固态发酵中的应用
谢玉球,时晓,周二干,王东,刘亮
(江苏洋河酒厂股份有限公司,江苏宿迁223800)
摘要:温度是影响酒醅发酵的重要因素,酒醅温度的变化是由环境温度(主要是地温)和窖池微生物生长代谢共同作用的结果[1]。利用基于物联网技术的窖池智能监测系统对浓香型白酒窖内不同空间位置的温度进行多排次跟踪监测,绘制变化曲线,并拟合出数学模型。结果表明,各排窖内温度变化曲线基本符合传统经验[2];使用MATLAB软件分析数据,采用高斯八阶函数曲线模型拟合原始温度数据的效果较好,与各排次以及层次的原始数据都非常接近。
关键词:物联网技术;数字化窖池管控系统;浓香型酒醅发酵;发酵温度;高斯拟合;发酵模型
优先数字出版时间:2016-04-25;地址:http://www.cnki.net/kcms/detail/52.1051.TS.20160425.1006.003.html。
酒醅发酵过程具有强非线性、时变性和相关性,要实现对发酵过程的进一步优化和控制,必须获得足够的发酵过程信息,但其中很多重要生化变量通常无法在线测量,且没有准确的机理模型可参考利用[3]。因此,准确及时地获得酒醅发酵信息,对确保当前生产稳定、优化生产工艺具有极其重要的意义。
酒醅发酵过程主要包括主发酵期、生酸期、产香味期三大阶段,通过建立单一的全局模型来描述其发酵过程的难度较大。因此,本研究主要考虑在不同发酵周期中主发酵期时段的发酵温度变化趋势,以便构造更合理的数学模型。
本研究使用基于ZigBee无线传输技术的智能化窖池检测系统,其具有安装简便、低功耗、可靠性高、安全性好的特点,可实时动态监测酒醅发酵状况。
1.1材料
洋河酒厂浓香窖池:选择酿酒车间各小组中,产质量最好、最稳定的小组为研究对象,共计90口窖池。
1.2实验工具
无线测温仪:北京旗硕公司数字化窖池管控系统。
测温装置整体结构见图1[4],由MCU、测温模块等五大模块构成。电源模块用于给系统供电,测量模块可自动监测窖池内3种不同深度的温度值,在装置显示模块(LCD)显示,并通过基于ZigBee技术的通讯模块将数据发送到局域网服务器上,降低了人工测量时的主观误差,增强数据的准确性。该种无线传感器网络可以通过在网路中添加中转路由进行无限扩展,进而实现近程和远程监测的目的[4]。
图1 MCU模块
图2 数字化窖池管控系统结构
整套系统(图2)其特点如下:
(1)简安装。安装简易,现场布控难度较低。
(2)低功耗:ZigBee的发射功率仅为10 mW,其依靠2节5号电池即可维持长达6~24个月的使用时间。
(3)低成本:ZigBee模块的成本在1.5~2.5美元,且无专利使用费。
(4)短时延:通信及休眠激活时延非常短,典型的搜索设备时延30 ms、休眠激活时延15 ms、活动设备信道接入时延15 ms。
(5)大容量:一个星型结构的Zigbee网络最多可容纳254个从设备和一个主设备,整个网络最大容量为65535个节点。
(6)可靠:采取碰撞避免策略,预留固定带宽通信业务的专用时隙,有效避免发送数据的竞争和冲突。MAC层采用完全确认的数据传输模式,每个数据包必须等待接收方的确认信息,在传输过程中出现问题时可重发。
(7)安全:提供基于循环冗余校验(CRC)的数据包完整性检查功能,支持鉴权和认证,采用AES-128的加密算法。
1.3实验方法
利用数字化窖池管控系统实时收集窖内酒醅发酵温度数据,并汇总统计。探头对窖池正常测温区域(距窖池侧壁30 cm左右)的上层(距窖顶0.5 m深处)、中层(距窖顶1.3 m深处)、下层(距窖顶1.6 m深处)共3个点的酒醅温度进行实时监测,从封窖开始直到落火为止。
1.4数据分析
利用MINITAB软件对数据进行原始数据测绘,再使用MATLAB软件对收集数据进行拟合分析。
2.1各排次酒醅发酵温度数据收集
按复工一排、二排、压窖一排3个排次,测量时监控上中下3个层面的发酵温度变化。每排次收集30个池口共计30 d的发酵温度数据,对每天所测温度数据取平均值后进行分析。
2.1.1复工一排池口各层温度变化分析
表1 复工一排池口各层温度统计 (℃)
由表1可知,下层酒醅平均入池温度18.5℃,顶火温度31.0℃,顶火时间10 d,升温幅度12.5℃,占火时间11 d;中层酒醅平均入池温度21.5℃,顶火温度32.3℃,顶火时间10 d,升温幅度10.8℃,占火时间10 d;上层酒醅平均入池温度28.2℃,发酵8 d温度降至25.5℃,下降幅度2.7℃,发酵16 d温度再升至27.4℃,随后发酵温度逐渐下降(图3)。
2.1.2二排池口各层温度变化分析
由表2可知,下层酒醅平均入池温度17.6℃,顶火温度28.5℃,顶火时间12 d,升温幅度10.9℃,占火时间9 d;中层酒醅平均入池温度22.3℃,顶火温度26.4℃,顶火时间11 d,升温幅度4.1℃,占火时间8 d;上层酒醅平均入池温度32.1℃,发酵9 d,发酵温度降至24.2℃,下降幅度7.9℃,发酵16 d温度再升至26.2℃,随后发酵温度逐渐下降(图4)。
图3 复工一排各层次发酵温度变化曲线
发酵时间(d)1 2 3 4 5 6 7 8 9 1 0 11 12 13 14 15下层温度17.6 17.9 18.3 18.9 20.5 22.5 24.3 25.8 26.9 27.7 28.2 28.5 28.5 28.5 28.5中层温度22.3 23.1 24.0 24.7 25.3 25.6 25.9 26.1 26.3 26.3 26.4 26.4 26.3 26.3 26.2上层温度32.1 29.6 28.1 27.0 26.1 25.4 24.7 24.4 24.2 24.4 24.7 24.9 25.3 25.7 26.0发酵时间(d)16 17 18 19 20 21 22 23 24 25 26 27 28 29 30下层温度28.6 28.3 28.0 27.8 27.7 27.5 27.4 26.9 26.5 26.3 26.1 25.8 25.6 25.5 25.3中层温度26.1 26.0 25.7 25.2 25.0 24.7 24.7 24.5 24.4 24.2 24.1 23.8 23.5 23.2 23.0上层温度26.2 26.1 25.9 25.3 24.2 23.7 23.0 22.4 22.1 21.8 21.6 21.3 21.2 21.1 21.0
图4 二排各层次发酵温度变化曲线
表2二排池口各层温度统计(℃)2.1.3压窖一排池口各层温度变化分析
由表3可知,下层酒醅入池温度18.7℃,顶火温度31.5℃,顶火时间8 d,升温幅度12.8℃,占火时间12 d;中层酒醅入池温度24.0℃,顶火温度31.2℃,顶火时间10 d,升温幅度8.2℃,占火时间10 d;上层酒醅入池温度34.2℃,发酵6 d温度降到27.1℃,下降幅度7.1℃,发酵10 d温度再升至30.2℃,随后发酵温度逐渐下降(图5)。
2.2使用MATLAB软件分析排次发酵温度拟合曲线
对各排次窖池的各层酒醅发酵温度变化曲线使用MATLAB软件进行了高斯拟合。结果发现,与原始数据绘图对比,符合度较好,高斯曲线模型对数据拟合效果非常好,各层温度均满足高斯方程(图6、图7、图8),只是具体参数有所不同。
表3 压窖一排池口各层温度统计
图5 压窖一排各层次发酵温度变化曲线
图6 复工一排各层发酵温度高斯曲线拟合结果
限于文章篇幅,此处只列出压窖一排中层酒醅温度曲线的高斯方程如下:
General model Gauss8:
f(x)=a1×exp{-[(x-b1)/c1]2}+a2×exp{-[(x-b2)/c2]2}+ a3×exp{-[(x-b3)/c3]2}+a4×exp{-[(x-b4)/c4]2}+a5×exp{-[(x-b5)/c5]2}+a6×exp{-[(x-b6)/c6]2}+a7×exp{-[(x-b7)/ c7]2}+a8×exp{-[(x-b8)/c8]2}
图7 二排各层发酵温度高斯曲线拟合结果
图8 压窖一排各层发酵温度高斯曲线拟合结果
Coefficients(with 95%confidence bounds):
a1=32.300(-5.633,35.88),b1=11.000(-12.31,15.36),c1 = 2.282(-0.816,3.2);
a2=31.334(4.679,40.821),b2 =16.000(-10.235,94),c2=1.907(-2.156,3.758);
a3= 30.268(-12.312,58.924),b3 =21.000(-98.215,102.31),c3=2.094(1.021,15.236);
a4= 29.099(14.561,82.547),b4 = 26.000(17.546,29.687),c4=4.061(-0.213,9.875);
a5= 29.034(12.258,254.21),b5 = 6.000(1.023,98.215),c5=1.062(-5.879,13.564);
a6= 24.925(18.579,69.524),b6 = 8.000(0.952,109.152),c6=1.475(1.025,98.121);
a7= 24.744(-9.568,94.259),b7 = 4.000(-100.23,56.231),c7=1.565(-12.589,47.861);
a8=28.536(15.684,159.948),b8 = 12.000(-10.236,99.548),c8=2.314(1.236,213.65);
Goodness of fit:
SSE:35.42
R-square:0.4009
Adjusted R-square:0.001609
RMSE:4.165
3.1温度参数对发酵过程的重要性
传统白酒固态发酵是一个多菌种协同发酵过程[5],微生物的种类和数量都处在动态变化中。由于客观条件的限制,很难连续地测定实际生产发酵过程中微生物的种类和数量变化。但每一种微生物都有其适宜的生长温度范围,如酵母菌的最适温度为28~30℃、细菌的最适温度为35~37℃,因此发酵过程中的温度变化,必然会影响发酵微生物种类和数量,从而影响固态白酒的产、质量。浓香型白酒固态发酵为实现产质量最大化,发酵过程温度变化要求前缓、中挺、后缓落。
为了解实际生产中酒醅的温度变化情况,通常采用温度计插入窖池内的方式,测量酒醅发酵过程中的温度变化。但这种方式有三大弊端,一是测量范围有限,只能测量窖池内某点的温度,无法反映发酵过程中不同部位的升温变化;二是无法连续记录,并存在主观测量误差;三是破坏发酵环境,测量时会破坏酒醅发酵的厌氧环境。因此必须采用合适的温度监控系统,连续记录生产中的酒醅发酵过程,通过分析温度的变化情况,揭示白酒固态发酵温度变化与产量和质量之间的关系,为不同季节酿酒工艺及时合理地调整提供了科学的依据[6]。
但白酒行业中的技术应用及进步相对迟缓,信息化、自动化水平不高。根据白酒行业的“十二五”规划,用现代化技术改造白酒工艺过程中各生产单元的传统操作模式,彻底将白酒生产从手工劳动生产方式中解脱出来,全面提高企业生产效益;加强科研开发,在原料处理加工、原酒储存、勾兑调配、产品包装等工段已经向机械化、大型化、计算机辅助控制等方面发展的基础上,争取在发酵、蒸馏机理和装备上取得突破性进步,促进白酒企业整体向机械化、自动化、现代化发展[7]。物联网的崛起和推广应用极大地促进了工业信息化进程,为精确测量、精细生产、信息无缝共享、高效管理提供了强有力的手段,使之成为可能。在目前的技术背景下,高效利用基于Zig-Bee技术的智能化窖池管控系统,使24小时多点在线监控酒醅发酵成为可能。
3.2温度数据的数字化采集
基于物联网的白酒固态酿造工艺数字化综合管控系统包括了智能感知、信息采集与传输、智能控制、生产过程数字化管理、生产过程智能决策。涵盖了制曲、发酵、酿造、蒸馏、鉴定分级等原酒生产环节。
整个数据采集包括:①数据自动采集和人工录入;②全过程的数字化管理系统;③基于云计算技术的白酒发酵生产过程智能决策系统。
共收集90个池口上中下层温度,共计270个测温点。
3.3温度数据的分析
经MINITAB软件取平均值进行分析,得出各排次、层次发酵温度平均值,并进行绘图,发现各排次的底层发酵温度曲线走势符合“前缓、中挺、后缓落”的传统经验。
经MATLAB软件分析,对各层发酵温度平均值进行高斯方程曲线拟合,发现高斯函数对温度数据的拟合效果较好,而且随着次数的升高,拟合程度越好,与原始数据非常接近。
3.4对浓香型各排次、各层次发酵模型的探索
经统计分析,汇总各排次发酵温度数据后发现:
下层酒醅发酵模型符合“前缓、中挺、后缓落”的发酵趋势,这与传统经验是高度契合的。
中层酒醅发酵模型符合“前缓、中挺、后缓落”的发酵趋势,这与其酒醅构成、工艺操作是一一对应的。
上层酒醅发酵模型符合“先急落、后快升、再缓降”的发酵趋势,这与整个上层酒醅的发酵环境、酒醅构成是高度契合的。
由于酒醅发酵受外界多种环境影响因子的影响,理论上说拟合的曲线只是最大程度的逼近原始数据,因此可能存在更好的数学模型适合浓香型窖池发酵的温度变化趋势。并且由于不同季节、不同窖池、不同操作等的差异,因此本文的温度模型公式也有其局限性。
基于数字化窖池管控系统的实时监测特性,工作人员一方面可根据发酵温度的变化,及时、准确地微调工艺参数,确保酒醅发酵顺利,维持酿酒生产的稳定高效;另一方面在大数据支持的基础上,不断健全、完善白酒发酵温度模型。
参考文献:
[1]周新虎,陈翔,杨勇,等.浓香型白酒窖内参数变化规律及相关性研究(Ⅱ)温度及其数学模型[J].酿酒科技,2012(5):44-46.
[2]黄治国,罗惠波,程铁辕,等.酒醅发酵过程中温度变化曲线的实时检测及其数学模型建立[J].酿酒科技,2008(10):20-25.
[3]王贵成.智能控制理论在发酵过程中的应用研究[D].沈阳:东北大学,2006.
[4]赵殿臣,翟顺,王卫红,等.基于ZigBee的白酒厂窖池无线测温装置[J].酿酒科技,2011(7):60-63.
[5]樊伟伟,黄惠华.固态发酵数学模型研究进展[J].酿酒科技,2007(5):81-84.
[6]周庆伍.白酒固态发酵温度变化与产、质量关系的研究[J].酿酒,2008(6):62-64.
[7]任玉杰.探索白酒有益成分持续提升产品质量[J].酿酒,2007 (5):12-13.
中图分类号:TS262.3;3TS261.4;TP27
文献标识码:A
文章编号:1001-9286(2016)05-0075-05
收稿日期:2016-02-24
作者简介:谢玉球(1957-),男,高级经济师,高级工程师,高级评酒师,中国白酒专家组成员,国家白酒评委,江苏洋河酒厂股份有限公司总工艺师。
Application of Internet-of-Things-Based Intelligent Pits Monitoring System in Solid Fermentation of Nongxiang Baijiu
XIE Yuqiu,SHI Xiao,ZHOU Ergan,WANG Dong and LIU Liang
(Yanghe Distillery Co. Ltd.,Suqian,Jiangsu 223800,China)
Abstract:Temperature is an important factor influencing the fermentation of fermented grains. The change of fermented grains temperature is determined by ambient temperature(mainly ground temperature)and microbial growth and metabolism in pits. Internet-of-things-based intelligent pits monitoring system had been applied for tracking and monitoring of the temperature at different spatial location in pits for multiple production rounds. Then the changing curves were drawn and the relative fitting mathematical models were obtained. The results showed that,temperature changing curves in pit in each production round were almost in line with traditional experience,and data analysis by MATLAB software proved Gaussian eight-order function curve model for the fitting of original temperature data was the best choice(very close to the original data in each production round/ at different spatial location).
Key words:internet of things;digital pits control system;Nongxiang fermented grains;fermentation temperature;Gaussian fitting;fermentation model