本发明涉及食品工程，具体涉及对肉类原料进行刨片式加工的，特别涉及肉类刨片智能生产调节方法、装置及系统。
背景技术：
1、肉类刨片机，是一种专门用于将冷冻肉或常温肉切割成不同厚度肉片的设备。它利用刀片强劲旋转，可以轻松应对猪肉、鱼肉、鸡胸肉板等成品肉的快速刨切，同时减少肉的营养成分和蛋白的流失。
2、一般来说，一致的肉片厚度可以确保烹饪后的口感和质地均匀。而且均匀的肉片更容易控制烹饪时间和火候。然而刨片机在实际操作中容易导致同一原料下的刨肉片薄厚度不统一，主要是因为原料肉块是不规则形状，存在具有曲率特征的凸起或凹陷，而刨片机的刀片位置是相对不变的，因此在刨片过程中会影响刀片的切削深度和角度，进而造成肉片厚度的不均匀；
3、因此，为了使刨片机对加工的肉片保持均匀厚度，一些现有技术对这个问题进行了研究与改良，例如：
4、一种现有技术[1]公开了肉片检测装置，通过光栅和ccd相机的配合实现对肉片厚度的精确测量。然而这种现有技术必须在肉片已经成型后才能确定肉片厚度，并根据已有信息对不良厚度的肉片进行处理，并对刨片机提供调试信息；不仅效率低下，且浪费资源，并且无法直接调节应用于刨片机本体；
5、另几种现有技术[2-4]均公开了可调节肉片加工厚度的刨片机，其均是通过特色的挡位机构可对肉片加工厚度进行调节；但仍然可能产生不良厚度的肉片；因为使用者需要目视已经加工完毕的肉片厚度的差异变化，从而进行相应的档位调节，存在一定的滞后性和主观性，且效率不高；
6、另一种现有技术[5]公开了肉片厚度检测及刨片技术，可以对已切割肉片的脂肪和肉体构成像素点进行定量检测，由此确定不同批次下的肉片品质并对其进行归类。然而，这种方法仍然依赖于已经加工完毕的肉片厚度的差异来实施自动化分拣功能。虽然经过分拣后的不同种类的肉片的薄厚一致，但并不能从根本上解决刨片机在加工肉片的过程中薄厚不一致、无法智能主动化调节的问题；
7、为此，本发明提出肉类刨片智能生产调节方法、装置及系统。
8、本发明中的引证文献如下：
9、[1]马小平，马小军.一种用于牛羊肉刨片的厚度检测模块[p].cn202321982182.8：2024-04-19.
10、[2]刘超见，韩凯.一种宠物食品加工用具有厚度调节功能的刨肉机[p].cn202220926959.8：2022-12-16.
11、[3]刘懿影，晋乐心，段新雨，等.一种手动切片刨肉机[p].cn201720843203.6：2018-03-13.
12、[4]高鼎，高远.厚度调整组件及智能切片机[p].cn201721180537.6：2018-08-21.
13、[5]张炜，王春晓，胡谟杰，等.基于智能分级的牛肉加工系统[p].cn202310378066.3：2023-09-19.
技术实现思路
1、有鉴于此，本发明实施例希望提供肉类刨片智能生产调节方法、装置及系统，以解决或缓解现有技术中存在的技术问题，即如何建立一个闭环的反馈及机器控制机制，实现刨片机在刨片过程中对其厚度进行预测，并主动地进行相应的生产调节；本发明的技术方案是这样实现的：
2、第一方面，肉类刨片智能生产调节方法：
3、(一)概述：
4、本方案旨在解决上述技术问题；通过数据收集、svm模型回归、回溯及预测补偿机制以及pid控制器算法等步骤，实现了对刨片机在刨片过程中肉片厚度的精确预测与控制。通过利用历史数据和智能算法来动态调整挤压角度，从而消除原料肉块不规则形状对刨片效果的影响，保证生产的肉片厚度一致化。
5、(二)技术方案：
6、为实现上述技术目标，需执行如下的步骤s1～s4。
7、2.1步骤s1，数据工程：
8、收集自变量x(输入特征)和因变量y(目标变量)，其中：
9、2.1.1自变量x：
10、包括前多轮刨片的薄厚程度差异波动值s目标肉片厚度t；
11、1)差异波动值s：通过计算连续几轮刨片中肉片厚度的变异系数(coefficient ofvariation,cv)来得到，以反映厚度的稳定性：
12、
13、其中，ω是肉片厚度的标准差，μ是肉片厚度的平均值。
14、2)目标肉片厚度t：用户设定的一个期望值，表示希望达到的肉片厚度。
15、2.1.2因变量y：
16、包括前多轮刨片的挤压角度ea；是刨片机在刨片过程中需要调整的参数，以影响肉片的厚度。在数据收集中，这个值作为因变量被记录下来。
17、2.2步骤s2，执行svm回归模型：
18、将自变量x输入至回归函数f(x)中，基于rbf核函数执行映射，输出预测因变量y’；
19、2.2.1步骤s200，执行回归函数f(x)：
20、
21、其中：n是支持向量的数量。αi和αi*是通过svm训练过程得到的拉格朗日乘子；k(x,xi)是rbf核函数，xi是训练数据集中的某一支持向量，b是偏置项；
22、2.2.2步骤s201，执行rbf核函数映射：
23、
24、其中，σ是宽度参数，控制函数的径向作用范围。υ是rbf核函数的超参数，控制了数据点的相似度如何随着它们在原始空间中的距离而衰减。
25、回归预测的过程表示为基于支持向量xi、对应的拉格朗日乘子αi和αi*及偏置项b，通过回归函数f(x)计算出预测的因变量y'(即预测的挤压角度ea')。这个过程中，对支持向量与输入数据之间的点积运算并加权求和，并加上偏置项。
26、2.3svm模型的训练：
27、在执行步骤s1～s2之前，需要预先对svm回归模型进行训练才能部署并执行步骤s2；其步骤包括：
28、2.3.1第一步，读取数据集d：
29、收集历史数据中的自变量x和因变量y，构成数据集d；并进行常规的数据预处理操作(如归一化、标准化处理)。
30、2.3.2第二步，构建并求解优化问题：
31、2.3.2.1设定优化问题：
32、找到一个最优的超平面来划分数据，相当于处理一个凸优化问题：
33、
34、其中，w是超平面的法向量。c是惩罚系数，用于控制模型复杂度与拟合数据之间的权衡。yi是所述支持向量xi对应的真实值。ξii和ξii*是松弛变量。
35、其中，是将xi映射到高维空间的函数，通过rbf核函数k(x,xi)来隐式地实现高维空间的点积运算(即所谓的“核技巧”)。rbf核函数对k(x,xi)的点积表述为：
36、k(xi,xj)＝φ(xi)·φ(xj)；
37、其中，点积操作表示高维空间中两个向量的相似度。
38、其中，ε是不敏感损失函数中定义了回归允许的误差范围的参数，即基于如下的不敏感损失函数对误差范围进行约束：
39、
40、其中，y是真实值(即相应的因变量)。ε是不敏感区域的半径，是一个用户定义的参数，用于控制模型对预测误差的容忍度。当预测值与真实值的差的绝对值小于或等于ε时，认为预测是准确的，此时损失为0。一旦预测值与真实值的差的绝对值超出了这个范围，损失就会以线性方式累积。
41、2.3.2.2求解优化问题：
42、通过二次规划(quadratic programming,qp)算法来找到一组拉格朗日乘子αi和αi*，它们与数据点相对应，并找到超平面w的位置。
43、先设定拉格朗日函数l，并引入一组拉格朗日乘子其中
44、
45、对l关于求偏导并令其为0，可得到以下关系：
46、
47、将这些关系带入拉格朗日函数中，可得到一个只包含αi和αi*的优化问题，即原问题的对偶问题。然后使用二次规划(qp)算法来求解这个对偶问题。qp算法是一种高效的数学优化方法，特别适用于解决具有二次目标函数和线性约束的优化问题。通过qp算法可以找到最优的αi和αi*值，然后就可以通过它们来确定超平面w的位置。具体来说，超平面的法向量w可以由αi和αi*以及对应的数据点xi(即支持向量)表示出来。同时，也可以通过一些支持向量来计算出偏置项b的值。
48、2.3.3第三步，使用数据集d结合k-fold交叉验证训练svm回归模型，包括以下步骤：
49、1)将数据集d随机分成k个大小相等的子集，即d1,d2,...,dk。
50、2)对于i从1到k：
51、2.1)选择子集di作为测试集dtest，其余子集合并作为训练集dtrain。
52、2.2)使用训练集dtest训练svm模型(解决优化问题)，并对其应用rbf核函数k(x,x’)：
53、2.3)使用子集di测试训练好的svm模型，并记录性能指标(召回率)。
54、3)计算k次测试结果的平均值，作为模型性能的最终评估。
55、4)重复上述步骤，利用网格搜索尝试不同的惩罚系数c和超参数υ的组合，找到使模型性能最佳的参数组合。
56、2.4步骤s3，执行预测补偿机制：
57、基于步骤s2得出的预测因变量y’，执行预测补偿机制，得出当前时刻t下所需的挤压角度ea(t)，以消除滞后性；
58、2.4.1步骤s300，获取误差反馈系数βi：
59、误差反馈系数βi用于控制过去各个时刻的预测误差对当前预测值的补偿程度。通过最小二乘法来确定，以便最小化经过补偿后的预测误差，即最小化以下残差平方和：
60、
61、其中，m是观测数据的总数。这个表达式衡量了模型预测值与实际观测值之间的差异。最小二乘法的目标是找到一组βi值求偏导数，并令这些偏导数为零，从而形成一个线性方程组，使得上述残差平方和s最小化。解这个方程组可以得到使s最小的βi值。
62、2.4.2步骤s301，预测补偿机制：
63、
64、其中：y't是在时刻t由svm回归模型直接预测出的挤压角度。et-i是在时刻t-i的预测误差：et-i＝yt-i-y't-i；n是考虑的历史误差期数，即我们回溯多少期的历史预测误差来进行补偿。
65、其机制在于：在每个时刻t都会记录svm回归模型的预测值y't和实际观测值yt，并计算它们之间的误差et。通过考虑过去n期的预测误差，利用误差反馈系数βi对这些误差进行加权求和，得到一个总的误差补偿值。然后将svm回归模型直接预测出的挤压角度y't与总的误差补偿值相加，得到经过补偿机制调整后的所需挤压角度ea(t)。再然后将调整后的挤压角度ea(t)应用于肉类刨片生产过程中，以消除系统的滞后性，提高生产效率和产品质量。
66、2.5步骤s4，执行pid控制器算法：
67、将挤压角度ea(t)带入至pid控制器算法中，输出电信号e(t)，并进而控制原料的受挤压程度以接受刨片操作；
68、
69、其中：kp是比例增益，用于放大或缩小偏差信号。ki是积分增益，用于消除稳态误差。kd是微分增益，用于预测未来偏差并提前做出反应，以减少超调和提高系统稳定性。
70、error(t)是在时刻t时的偏差，计算方式为设定值减去实际值：e(t)＝
71、r(t)-y(t)；其中r(t)是设定值(目前挤压角度ea)，y(t)是实际值(步骤s3得出的挤压角度ea(t))。
72、error(τ)表示在某一时间变量τ的偏差值，是指在该时间变量τ对应的时间点上，设定值(期望值)与实际值之间的差异。
73、也可以将上述pid控制器算法离散化实施：
74、
75、其中：t表示离散时间步。error(t)是在时间步t时的偏差。error(j)是在时间步j时的偏差。
76、在实际中，步骤s4遵循如下操作步骤：
77、s400，在每个时刻t，计算设定值(期望的挤压角度)与实际值(当前挤压角度ea(t))之间的偏差error(t)。
78、s401，pid计算：使用pid控制器算法，根据偏差、偏差的累积和偏差的变化率来计算输出电信号e(t)。将计算出的电信号e(t)输出给执行机构(即后文所述的第二输送带组件)，以控制原料的受挤压程度。
79、s402，读取字典表：为了快速响应不同的挤压角度ea(t)，可以预先对不同的挤压角度建立一个字典表，表中存储对应的电信号值。这样在实际控制过程中，可以直接通过查表来获取近似的电信号值，减少计算时间。同时，字典表中也应预设好不同的挤压角度ea(t)对应原料挤压部的大小参数，及其会被刨片的大小参数；
80、s403，确定电信号差值：通过计算电信号e(t)的差值来确定微小的调整量，以实现更平滑的控制过程。
81、(三)解决技术问题的原理：
82、3.1svm模型回归：
83、vm模型能够根据历史数据学习并预测出为了达到目标肉片厚度t，在当前情况下应该采用的挤压角度。使得系统能够根据过去的经验和当前的目标来智能地调整挤压角度。
84、3.2回溯及预测补偿机制：
85、通过回溯及预测补偿机制来进一步优化挤压角度的预测值，从而对预测值进行微调，以确保更精确的控制效果。
86、3.3pid控制器算法执行：
87、通过pid控制器算法来执行经过优化后的挤压角度ea(t)。pid控制器能够根据实时的反馈数据来动态调整挤压角度，从而确保肉片厚度的稳定性和一致性。这种闭环控制系统能够有效地应对生产过程中的各种干扰因素，保证肉片厚度的精确控制。
88、第二方面，肉类刨片智能生产调节装置：
89、包括安装于机架大形上的ccd相机、送料机构和刨片机构；
90、所述送料机构将原料输送并将其面向于刨片机构的部分形成一挤压部，所述挤压部根据其大小被所述刨片机构切割时，会形成对应于挤压部大小程度的厚度程度的肉片；
91、所述ccd相机对所述肉片的薄厚程度进行检测，当执行如上述所述的智能生产调节方法后，所述电信号e(t)输入至plc控制器中，所述plc控制器对所述送料机构进行控制，调节所述挤压部的挤压程度，使之被所述旋转刨片时能形成目标薄厚度的肉片。
92、第三方面，肉类刨片智能生产调节系统：
93、如图6所示，该系统包括处理器、与所述处理器连接的存储器，所述存储器中存储有程序指令，所述程序指令被所述处理器执行时，使所述处理器控制如上述所述的智能生产调节装置，使之执行如上述所述的智能生产调节方法。
94、与现有技术相比，本发明的有益效果是：
95、一、智能预测与决策：本发明通过收集自变量(历史刨片厚度波动值、目标肉片厚度)和因变量(如挤压角度)，利用支持向量机(svm)进行回归预测，能够智能地预测为了达到预期肉片厚度所需的挤压角度，从而提高肉片厚度的控制精度。
96、二、动态调整与优化：本发明包含了一个回溯及预测补偿机制，能够根据之前的预测结果和实际反馈进行动态调整。有效地减少了预测误差，并使得系统能够快速适应生产过程中的变化。而且pid控制器算法能够实时监控肉片厚度，并根据实际厚度与预期厚度的差异来调整挤压角度。这种实时反馈机制确保了生产过程的稳定性和肉片厚度的一致性。
97、三、效率与质量的双重提升：本发明通过算法的智能预测和调整，减少了因肉片厚度问题而导致的停机调整时间。直接提高了生产效率，使得刨片过程更加流畅和高效。同时算法通过精确控制肉片厚度，显著降低了因厚度不均而产生的次品率。不仅节约了成本，还提升了整体产品质量。
98、四、减少人工干预：本发明的技术方案使得操作人员无需频繁进行手动调整，降低了工作强度，同时提高了操作的便捷性。
1.肉类刨片智能生产调节方法，其特征在于，包括执行如下步骤：
2.根据权利要求1所述的智能生产调节方法，其特征在于：在所述s1中，所述差异波动值s是基于变异系数cv得到的：
3.根据权利要求1所述的智能生产调节方法，其特征在于：在所述s2中，所述回归函数f(x)和所述映射是分别通过如下两个步骤执行的：
4.根据权利要求3所述的智能生产调节方法，其特征在于：所述svm回归模型在执行s1～s2之前应当进行训练，步骤如下：
5.根据权利要求4所述的智能生产调节方法，其特征在于：在所述s2中，所述rbf核函数k(x,xi)执行映射时，基于如下的不敏感损失函数对误差范围进行约束：
6.根据权利要求3所述的智能生产调节方法，其特征在于：在所述s3中，计算出所述挤压角度ea(t)的方法为：
7.根据权利要求1～6任意一项所述的智能生产调节方法，其特征在于：在所述s4中，所述pid控制器算法为：
8.根据权利要求7所述的智能生产调节方法，其特征在于：所述s4遵循如下操作步骤：
9.肉类刨片智能生产调节装置，其特征在于：包括ccd相机(2)、送料机构(3)和刨片机构(4)；
10.肉类刨片智能生产调节系统，其特征在于：包括处理器、与所述处理器连接的存储器，所述存储器中存储有程序指令，所述程序指令被所述处理器执行时，使所述处理器控制如权利要求9所述的智能生产调节装置，使之执行如权利要求1-8中任意一项所述的智能生产调节方法。
