基于声发射(Acoustic Emission, AE)与认知系统(Cognitive System, CS)的葡萄酒工业酒精发酵过程动态控制

《Beverages》：Dynamic Control of Industrial Wine Fermentation Using Cognitive System and Acoustic Emission

　　

葡萄酒的酒精发酵是一个复杂的多变量化学过程。本研究提出一种基于声发射(Acoustic Emission, AE)信号的工业葡萄酒酒精发酵过程动态认知控制系统(Cognitive System, CS)。系统的核心采用机器学习(Machine Learning, ML)算法执行感知任务，预测作为发酵过程控制与决策关键化学参数的密度。研究人员使用浸没于发酵罐中的水听器(hydrophone)监测过程，在当前达到技术成熟度等级(TRL)4阶段，于里奥哈(Rioja)法定产区(Denomination of Origin, D.O.)酒庄进行了测量，获取并存储酒精发酵过程中的数据作为模型输入。酿酒师在整个发酵过程中采集的手动测量值用于训练与验证模型结果。采用统计指标评估ML模型性能。实验结果显示，模型计算的密度与酿酒师实测密度呈高度相关性。该系统是控制酒精发酵这类多变量过程的有效创新工具。研究人员利用AE信号相对于过程温度演变具有预见性(anticipatory nature)的特点作为新方案出发点，其应用有助于通过减少现有温控系统热冲击造成的酵母热应激(thermal stress)，保障发酵稳定，提升酒庄过程控制水平，并作为控制与决策的认知系统(Cognitive System, CS)。

《Dynamic Control of Industrial Wine Fermentation Using Cognitive System and Acoustic Emission》论文解读

一、研究背景与立项依据

葡萄酒酒精发酵是由酿酒酵母(Saccharomyces cerevisiae)将糖类转化为乙醇和CO₂的放热生化反应（C₆H₁₂O₆→2CH₃CH₂OH+2CO₂↑+98,324 kJ）。传统发酵监测依赖酿酒师定期人工测量密度、波美度(°Bx)或酒精度(% vol)，存在时间分辨率低、依赖人工干预、难以及时察觉异常等局限。温度骤变（±4–5 ℃/h）引起酵母热应激，导致代谢模式转为"生存模式"，影响细胞存活率及最终酒质，甚至引发中止发酵(stuck fermentation)。已有研究表明发酵中CO₂气泡产生的声发射(Acoustic Emission, AE)信号可反映过程动力学，且AE信号比温度变化更早预示过程走向，具备超前(anticipatory)感知潜力。现有文献多将人工智能(Artificial Intelligence, AI)与机器学习(Machine Learning, ML)用于葡萄酒品质分类或光谱结合ML预测糖/醇浓度，尚未见将AE信号、ML建模与基于SOAR(State, Operator And Result)架构的认知系统(Cognitive System, CS)集成用于葡萄酒发酵动态密度估计与温控决策的研究。因此，研究人员开展本工作，旨在基于工业现场AE信号构建ML感知模型预测醪液(must)密度，并将其嵌入SOAR架构CS中，实现发酵过程的认知控制——提前调控冷却系统以减少热冲击，降低酵母应激。本文发表于《Beverages》。

二、主要关键技术方法

研究人员在西班牙里奥哈(Rioja)法定产区一商业酒庄，选用丹魄(Tempranillo)葡萄品种及商用Saccharomyces cerevisiae酵母，于20000 L工业发酵罐中开展酒精发酵，罐外壁配置ON-OFF控温冷却夹套。每罐中部距底部2 m处悬挂Aquarian A5压电IEPE水听器(hydrophone)采集CO₂气泡AE信号，经SIMATIC S7-1200 PLC及SM1281振动模块以5 min采样周期、每小窗12个数据点记录并存入数据库；酿酒师每日人工测密度作基准真值。从AE信号提取平均及最小气泡对应的峰值加速度(aPeak, aPeak_min)、有效值加速度(aRMS, aRMS_min)及累积活跃度(aCumAct, aCumAct_min)共6个特征。数据集按8:2划分为训练集与测试集，5折交叉验证防过拟合，以MAE、MSE、RMSE及决定系数R²评价模型。测试四种监督回归算法——鲁棒线性回归(Robust Linear Regression, LRM)、回归树(Regression Tree, RT)、树集成(Ensemble of Trees, ET, 即Bagged Tree)及高斯过程回归(Gaussian Process Regression, GPR)，以人工密度值为目标变量训练模型选优。将优选ML模型嵌入基于SOAR架构的认知系统(CS)：感知阶段由ML输出实时预估密度、发酵速率(ΔD/Δt)与加速度(ΔV/Δt)，与温度(T)、温度变化率(dT/dt)、发酵阶段(STATE)等共同构成工作记忆；程序性记忆存储IF-THEN产生式规则形成知识库，经由决策流程选取算子，协调模块驱动冷却阀或营养剂添加等物理执行动作，并通过本体感觉(proprioceptive)反馈闭环修正，运行中自动积累经验生成新规则实现自适应学习。

三、研究结果

3.1. 2.2. Acoustic Emission Analysis and Set Up / 2.3. Statistical Analysis——AE信号特征提取与预处理

研究人员发现CO₂气泡对水听器的撞击呈混沌分布，大小气泡共存。原始AE信号经滑动平均滤波与稳健二次回归平滑去噪后，分别提取全量平均值（代表含聚合大气泡效应）与每时间窗最小值（代表未聚合初生小气泡效应）对应的aPeak、aRMS，并对过程动力学信号积分得aCumAct。aCumAct趋势与液体密度变化呈线性关系，可表征糖分消耗速率及CO₂产率。据此构建含平均/最小两组各三项特征（aRMS、aPeak、aCumAct）的输入向量供ML建模。

3.2. 3. Results and Discussion——AE信号时域特征与发酵分期对应关系

发酵过程AE峰值加速度初时迅速上升达极大值后逐渐衰减至近零，呈S型(sigmoidal)曲线，与文献报道CO₂产率动力学一致。研究人员依AE特征曲线将发酵划为四区：I区滞后期(lag phase)与指数生长期(exponential phase)——酵母适应环境并启动高速产CO₂；II区剧烈发酵期(tumultuous phase)——代谢活性峰值，CO₂大量生成致罐内混合增强；III区稳定期(stationary phase)——可发酵糖受限、乙醇抑制致CO₂产率下降，酵母沉降；IV区衰亡/结束期——发酵活动基本停止。aCumAct曲线随发酵推进单调变化，与密度下降趋势反向对应，证明AE特征可有效表征发酵进程不同阶段及酵母活力状态。

3.3. ML模型性能评估与密度预测结果

四种算法中，Ensemble Bagged Tree（树集成装袋法）表现最优：测试集决定系数R²=0.99，均方根误差RMSE=0.19，MAE与MSE亦最低。模型预估密度随时间演化曲线与酿酒师每日手工测定值吻合良好；散点图显示实测值与预测值高度线性相关（R²=0.99）。结果表明，基于AE信号特征融合ML可高精度连续估算发酵醪密度，替代频繁人工取样，且AE信号具温度超前感知能力，可为后续认知控制提供可靠输入。

3.4. 2.4.2. Cognitive System Based on SOAR Architecture——认知系统架构与知识库构建

研究人员将优选ML感知模块接入SOAR架构CS。系统工作记忆维护当前T、dT/dt、ML预估密度(D)、发酵速度(V=ΔD/Δt)、发酵加速度(A=ΔV/Δt)、 elapsed time(t)、发酵相态(STATE)、内部标志(FLAG)及数据有效性(VALID)。知识库以IF-THEN产生式规则编码专家经验（如：若|dT/dt|>阈值且V处于II区高峰则提前开启冷却夹套减缓温升；若A骤降且D停滞则报警疑似中止发酵需补氮源等）。正常工况走基于规则直接决策保证响应速度；非常规情境触发子状态规划求解并生成新规则存入程序性记忆。情节记忆(episodic memory)记录历史发酵过程用于类比推理，语义记忆(semantic memory)固化酿酒领域事实。ML感知→SOAR决策→执行机构→本体反馈构成完整认知环路，实现比传统ON-OFF温控更平滑、超前的发酵管理，降低±4–5 ℃/h剧变引起的酵母热应激。

四、讨论与结论翻译

讨论指出本研究局限性为仅使用单一Tempranillo品种及单年度数据，未记录当年微气候因子，未来需扩展多品种、多年份、多产区并加入直接CO₂产率、微生物学酵母活性表征以强化验证。结论如下：

研究人员探讨了将声发射(AE)、机器学习(ML)与认知系统(CS)联合应用于基于智能温控的发酵动力学控制的技術可行性。在认知系统感知阶段应用ML，是建立发酵动力学与葡萄酒密度之间关系、分析酒精发酵期间AE信号的有效手段。利用发酵过程生成的AE信号，使其从仅供酿酒师参考的信息元素转变为可保证与系统交互以实现控制过程的变量。研究人员考察数种模型，其中Ensemble Bagged Tree模型在测试集表现出最佳预测精度，优于其他评估模型（RMSE=0.19）。基于所生成AE信号特征开发的架构考虑了发酵过程中添加剂接种影响及发酵活动动力学因素，这些被捕捉入特征变量并用作温控认知系统的规则条件。AE信号相对温度具有预见性，可实现超前温控，避免突变及由此引发的酵母应激。该方案应用于酒庄将显著缩短操作时间、减轻酿酒师人工负担，并为其评估营养剂添加或温控调整等工艺操作需求提供定量可靠工具。