买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉四川远久食品有限公司申请的专利一种食品加工过程动态质量监控与智能调控方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120765118B 。

龙图腾网通过国家知识产权局官网在2026-03-24发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202511007569.5，技术领域涉及：G06Q10/0639；该发明授权一种食品加工过程动态质量监控与智能调控方法及系统是由吴元久设计研发完成，并于2025-07-22向国家知识产权局提交的专利申请。

本一种食品加工过程动态质量监控与智能调控方法及系统在说明书摘要公布了：本发明提供了一种食品加工过程动态质量监控与智能调控方法及系统，方法包括：S1.数据采集；S2.数据预处理；S3.建立质量预测模型；S4.质量监控；S5.智能调控。本发明采用BP、RF、SVR、LSTM四种算法闭环交互，结合动态权重融合，降低了质量指标预测误差，提升了保质期预测准确率；数据采集频率与模型计算耗时匹配，实现质量指标的准实时预测；基于预测模型的量化调控策略替代经验操作，降低加工参数波动幅度；多算法融合的预测结果为调控提供可靠依据，提升了产品合格率，降低了原料损耗率。

本发明授权一种食品加工过程动态质量监控与智能调控方法及系统在权利要求书中公布了：1.一种食品加工过程动态质量监控与智能调控方法，其特征在于，包括： S1.数据采集；采集食品加工过程中的加工温度、相对湿度、内部压力、蛋白质含量、脂肪含量信号，进行同步存储处理，得到数据集D1； S2.数据预处理；对数据集D1进行异常值检测与去除处理，得到数据集D2；对数据集D2进行缺失值填补处理，得到数据集D3；对数据集D3进行标准化处理，得到数据集D4； S3.建立质量预测模型；基于数据集D4，构建并训练BP神经网络、随机森林、支持向量回归、LSTM神经网络四种模型，通过以下交互机制优化： BP神经网络的隐藏层输出作为随机森林的输入特征，随机森林的特征重要性反馈给BP神经网络修正输入层权重； 支持向量回归的支持向量权重筛选随机森林的关键样本，随机森林的袋外误差调整支持向量回归的惩罚系数； LSTM神经网络的时间趋势特征输入到BP神经网络，LSTM的细胞状态作为随机森林的树权重； 支持向量回归的距离特征输入到BP神经网络，BP神经网络的预测值作为LSTM神经网络的输入； 四种模型通过上述交互传递特征与参数后，再通过加权融合得到包括硬度、色泽和保质期的质量指标预测值Y； S4.质量监控；将质量指标预测值Y与预设阈值范围进行比较，若超出阈值则生成预警信号； S5.智能调控；根据预警信号和质量指标预测值Y，制定加工参数调整策略，将调整后的参数反馈至加工设备，完成调控； S3中，BP神经网络的输入层包含数据集D4和LSTM输出的时间趋势特征，隐藏层含两层，输出层训练时采用Adam优化器和均方误差损失函数，输出对应硬度、色泽、保质期的质量指标； S3中，随机森林由50棵决策树组成，输入特征包含数据集D4的加工参数和BP神经网络隐藏层的输出，基于支持向量回归的支持向量权重筛选关键样本进行训练，输出特征重要性和袋外误差； S3中，支持向量回归采用径向基核函数，基于随机森林的袋外误差调整惩罚系数，基于BP神经网络的预测误差调整不敏感损失参数，输出支持向量及距离特征用于优化随机森林和BP神经网络； S3中，LSTM神经网络输入包含D4和BP神经网络质量预测值，通过门控机制提取时间趋势特征，输出的隐藏状态均值用于优化BP神经网络输入，细胞状态用于优化随机森林的树权重； S3中以BP神经网络、随机森林RF、支持向量回归SVR、LSTM神经网络为基础，通过两两交互传递影响参数，形成关联融合模型，预测质量指标，Y1为质量硬度，Y2为色泽，Y3为保质期； 1BP与RF的交互： RF对BP的影响：RF输出特征重要性，修正BP输入层权重； 特征重要性计算公式：，其中50为树数量，为第棵树用特征分裂后的基尼指数下降量，为根节点基尼指数； BP输入层权重修正：，其中为初始权重，为所有RF特征重要性的最大值； BP对RF的影响：BP隐藏层输出作为RF的附加特征； RF输入特征集扩展为，其中，T为加工温度，H为相对湿度，P为内部压力，为原料中蛋白质含量，原料中脂肪含量，为BP神经网络隐藏层1第个神经元的加权输入总和； 2BP与SVR的交互： SVR对BP的影响：SVR的支持向量计算距离特征，增强BP隐藏层表达； 距离特征：，BP第二层隐藏层输入为，为SVR输出的距离特征；，为支持向量总数；为自然指数函数；为欧氏距离；为中k=1,2…10的表示；为中k=1,2…10的表示； BP对SVR的影响：BP输出层误差，为实际值，修正SVR的不敏感损失参数； 修正公式：，其中=0.01为初始值，=0.5为修正系数； 3BP与LSTM的交互： LSTM对BP的影响：LSTM的隐藏状态提取时间趋势特征，作为BP的附加输入； 趋势特征：，为时间趋势特征，为时间步的隐藏状态，BP输入层扩展为； BP对LSTM的影响：BP的质量指标预测值作为LSTM的目标修正项，优化其时间序列预测； LSTM损失函数修正： ，其中为均方误差，0.3为修正系数，为训练序列总长度；为LSTM在时间步的预测值，为目标输出为第个时间步的质量指标实际值，为欧氏距离平方，为BP在时间步的质量指标预测值； 4RF与SVR的交互： SVR对RF的影响：SVR的支持向量权重拉格朗日乘子筛选RF的关键样本，提升树训练效率； 关键样本集：，RF仅基于进行bootstrap抽样训练，是指SVR输出的支持向量集中的第个样本； RF对SVR的影响：RF的袋外预测误差优化SVR的惩罚系数，为RF对第个袋外样本的预测值，为第个袋外样本的实际质量指标值； 优化公式：，其中=10为初始值，=2为衰减系数，为方差； 5RF与LSTM的交互： LSTM对RF的影响：LSTM的细胞状态计算时间权重，调整RF的树权重； 树权重：，RF预测值为，为LSTM神经网络在时间步的细胞状态，为LSTM所有时间步细胞状态的最大值； RF对LSTM的影响：RF的特征重要性修正LSTM的输入权重，增强关键参数的时间敏感性； LSTM输入权重修正：，为初始输入权重； 6SVR与LSTM的交互： LSTM对SVR的影响：LSTM的多步预测序列构建SVR的时序约束，表示LSTM对第步质量指标的预测值优化其决策边界； SVR约束条件：，表示LSTM未来5步预测值中的最小值，表示最大值，通过该约束使SVR的预测结果贴合时序趋势； SVR对LSTM的影响：SVR的支持向量构建参考点，修正LSTM的隐藏状态更新； 隐藏状态修正：，其中=0.2为修正系数，为修正后的时刻隐藏状态，为支持向量与隐藏状态的偏差，通过平均偏差调整隐藏状态，增强LSTM对关键样本的敏感性； 7集成融合输出： 基于两两交互后的4个模型输出，通过动态权重融合：计算交互贡献度：； 动态权重：； 最终预测：； 为第个模型的交互贡献度，对应分别对应BP神经网络、随机森林、支持向量回归、LSTM神经网络；corr为皮尔逊相关系数；为融合模型的另一个索引，=1,2,3,4且；为第个模型的预测值；为质量指标的实际测量值；为第个模型的动态权重，为四个模型交互贡献度的总和，,,,分别为BP、RF、SVR、LSTM的动态权重；为BP的质量指标预测值； 处理过程：按上述公式依次实现4种算法的两两交互，计算交互贡献度确定动态权重，加权得到最终预测值Y，传输至S4。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人四川远久食品有限公司，其通讯地址为：641199 四川省内江市东兴区富溪镇双井村三社；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。