《Journal of Food Engineering》：Quality monitoring of the lautering process in microbreweries using machine learning
编辑推荐：
•变频器的数据可用于监控过滤（醪液分离）过程。•支持向量机（SVM）可分类过滤状态，包括床层压实和床层异常。•干物质和浊度分析有助于解读过滤质量。•该方法可在小型酿酒厂环境中实现低成本实时监测。引言酿造行业是全球食品饮料市场中占据重要地位的组成部分，具有显著的经济影响力。20
- •
变频器的数据可用于监控过滤（醪液分离）过程。
- •
支持向量机（SVM）可分类过滤状态，包括床层压实和床层异常。
- •
干物质和浊度分析有助于解读过滤质量。
- •
该方法可在小型酿酒厂环境中实现低成本实时监测。
引言
酿造行业是全球食品饮料市场中占据重要地位的组成部分，具有显著的经济影响力。2023年，该行业为全球GDP贡献了8780亿美元，相当于全球各国政府的税收收入达到3760亿美元（Foreman等，2025）。在生产方面，BarthHaas的数据显示，中国、美国和巴西分别位居全球前三大生产国，凸显了该行业的全球性和多元化特征（Hintermeier和Georgensgmuend，2024）。近年来市场的增长和多元化在很大程度上得益于小型独立生产商的崛起（Hintermeier和Georgensgmuend，2024）。多年来行业内的这些转变促进了精酿啤酒厂的普及和扩展。在此背景下，较小的运营规模通常允许在改进和实施新技术方面拥有更大的灵活性，因为生产线的修改相对容易。这有利于定量和定性参数的调整，以实现最终产品所需的成效。因此，消费者可以享受到更丰富的原料组合、风味和香气选择。然而，尽管这是一个不断成长和演变的行业，许多小型酿酒厂的生产过程与自动化技术的整合程度仍然有限。在此背景下，工业4.0概念所提出的系统代表了中小企业优化发展的新纪元。这些系统旨在提升整体运作效率，从而在效率和生产力方面取得显著提升，同时减少浪费和运营成本。
与这类企业需要实现更高层次现代化和工厂升级的需求并行的，是其投资资源往往有限的现实。在这种情况下，人工智能算法、物联网（IoT）和云计算等技术因其潜在较低的部署成本特性而具有优势（Nettesheim等，2024）。
在此情况下，将此类技术应用于酿造过程需要：
- 1.
识别过程中允许对产品品质进行分类的参数；
- 2.
选择要应用的机器学习方法；
- 3.
定义必要的工具和适配方案，使技术的实施能够促进整体过程的显著改善。
机器学习技术已被应用于酿造过程的各个环节，包括前处理、过程和后处理阶段。在前处理阶段，机器学习结合运筹学已被用于改善需求预测和生产计划（Martins等，2026）。在后处理阶段，相关应用集中于改善废水处理中厌氧消化器的在线监测（Dewasme，2019）、基于化学和感官分析预测消费者的风味偏好和感官特征（Wang等，2021，Schreurs等，2024，Tabassum等，2025），以及通过分析pH值、酒精含量和糖度等化学计量学指标来预测最终泡沫性和颜色（Viejo等，2018）。过程阶段是机器学习在提升质量和效率方面提供重要机遇的领域。例如，通过分析运行数据可提高设备可靠性和改善故障预测，从而实现预测性维护（Eboke等，2026）。此外，机器学习可以预测生产过程中的能耗，进一步提升运营效率（Conduah等，2025）。就啤酒酿造过程本身而言，已有大量努力将机器学习技术应用于发酵环节，特别是预测整个过程中酒精浓度的变化（Vann等，2017，Bowler等，2021，Heese等，2023）。该技术也被用于实时预测啤酒醪液中的游离氨基酸氮浓度（Wefing等，2021）。
在过去十年中，机器学习已被应用于酿造过程的不同阶段，主要聚焦于发酵（预测酒精含量和酵母活性）、生产计划（能效和运筹学）以及最终啤酒质量（预测风味和泡沫体积）。然而，酿造过程中的故障诊断——尤其是过滤阶段的故障诊断——在文献中仍未得到探索。本研究通过利用控制过滤泵的变频器已经产生的运行数据，将机器学习应用于过滤阶段的故障诊断，填补了这一空白。核心贡献在于证明仅凭泵的电学特征——无需任何额外传感器或仪表——即可可靠地指示过滤过程的状态，从而直接利用设备已产生的数据进行异常检测。
这具有实践意义，因为过滤质量通常通过人工目视检查来评估，尤其是在小型酿酒厂中，该方法容易不一致、耗时且存在质量风险。我们将异常定义为偏离正常过滤阶段的行为，最显著的是渐进性床层压实的开始。通过从泵的电力数据而非专用传感器推断过程状态，所提出的方法提供了一种低成本、易于部署的解决方案：异常检测利用酿酒厂已有的设备实现，无需额外的运营或硬件成本——这是一个适合投资能力有限的企业的解决方案。
章节摘要
啤酒制造工艺
从广义上讲，啤酒可以被定义为一种由大麦麦芽、啤酒花、酵母和水混合制成的饮料（Hardwick，1994）。还可以添加额外的配料，通常为未发芽的谷物，如大米、玉米和小麦（Parcunev等，2012）。酿造过程从麦芽谷物的研磨开始。在这一步中，谷物的外层被打破，使得位于谷物内部的胚乳得以释放。此过程产生富含细淀粉的化合物。
支持向量机
在人工智能的众多分支中，机器学习是推进工业领域进程最具影响力的分支之一。在机器学习的各种算法中，本研究方法论特别值得关注的是一种支持向量机（SVM）。作为一种广泛用于模式分类的监督学习算法，SVM被认为是一种较为易于使用且有效的分类技术。它提供准确的……
实验方法
本节介绍了研究中采用的方法论，简要描述了所使用的材料、技术和设备，以及获取和分析所呈现数据的方法及其后续验证过程。
结果
本节介绍了通过实验方法获得的结果。关于物理化学数据分析的取样，应指出的是，对于72个主要实验条件（3种床层高度 × 6种转速 × 4个时间点）的每一个，均采集了2管流体样本。此外，还采集了糖化罐中麦汁初始状态的重复基线样本，以及过滤槽中"正常床层"、"较小床层"等初始状态下麦汁的基线样本。
讨论
本研究的主要目标包括分析离心泵在不同运行场景下的电机扭矩、电流和功率因数，并探索泵速对系统性能的影响。研究结果显示，根据所考察场景的不同，测量值存在显著差异。
关于所分析的泵电机电流（图7），结果表明其行为虽然在不同场景间相对稳定，但呈现出……
结论
从实际应用角度来看，对所分析变量的持续监测对于优化过滤过程至关重要。在高负载场景下识别电机扭矩和电流的峰值，便于进行运营调整，以确保泵在安全且高效的参数范围内运行。所观察到的行为反映了变频器数据中所示不同运行变量的影响。麦芽床层的初始阻力需要更高的电流……
CRediT作者贡献声明
Carolina R. Matheus：撰写——初稿撰写、方法论、调查。Rodrigo Nicoletti：撰写——审阅与编辑、监督、概念化。André L. Dias：监督、经费获取、形式分析、概念化。Jean C.R. da Silva：监督。
利益冲突声明
作者声明他们没有已知的可能影响本文所述工作的竞争性经济利益或个人关系。
致谢
本项目得到了巴西国家科学与技术发展委员会（CNPq）（项目编号：303375/2024-8）、圣保罗州研究资助基金会（FAPESP）（项目编号：2024/15951-5）、研究生人员提升协调处（CAPES）（资助代码 001）以及圣保罗联邦教育科学技术学院（IFSP - Sert?ozinho校区）提供酿酒生产实验室的支持。
Carolina R. Matheus|Rodrigo Nicoletti|André L. Dias|Jean C.R. da Silva
