本发明涉及食品安全，具体是一种基于机器学习的无色茶饮生产的智能预警方法。
背景技术：
1、在无色茶饮的制备过程中，需要经过多个步骤，包括原料处理、萃取、过滤、调配等多个环节。这些过程不仅涉及复杂的化学反应，还需要精确控制温度、压力、时间等参数，任何环节的失误都可能导致产品质量下降，甚至发生安全事故，传统的安全管理方法大多依赖于人工监控和经验判断，缺乏有效的预测手段，这在一定程度上限制了生产效率和安全性。
技术实现思路
1、本发明的目的在于提供一种基于机器学习的无色茶饮生产的智能预警方法，结合先进的机器学习技术和智能数据分析方法，实现对无色茶饮生产过程中潜在风险的早期识别与预警，显著提升了生产安全性和效率。
2、本发明的目的可以通过以下技术方案实现：
3、本申请提供了一种基于机器学习的无色茶饮生产的智能预警方法，包括如下步骤：
4、获取所述无色茶饮生产的数据；计算无色茶饮生产数据对应的生产数据值与生产数据对应的历史安全生产数据中的所有生产数据值之间的相似性；
5、利用所获取的历史安全生产数据建立所述无色茶饮生产的智能预警模型，并对所述智能预警模型进行验证；
6、其中，所述智能预警模型包括第一模型和第二模型，所述第一模型用于预测单个生产数据参数的变化对生产安全的影响程度；所述第二模型用于预测整体生产过程中的安全隐患概率；
7、采用所述智能预警模型对所述无色茶饮生产进行在线检测。
8、进一步的，在获取所述无色茶饮生产的历史安全生产数据之前，还包括：采集所述无色茶饮生产的历史安全生产数据，还包括采集无色茶饮生产的所有设备运行时产生的实时监测数据。
9、进一步的， 计算无色茶饮生产数据对应的生产数据值与生产数据对应的历史安全生产数据中的所有生产数据值之间的相似性，具体包括：
10、从历史安全生产数据中提取出该生产数据参数对应的所有生产数据值；
11、计算该生产数据对应的生产数据值与生产数据对应的所有生产数据值之间的余弦距离。
12、进一步的，将所获取的历史安全生产数据输入预先设置好的第一算法模型得到所述第一模型；将所获取的历史安全生产数据输入预先设置好的第二算法模型以得到所述第二模型；其中，所述第一算法模型包括主成分分析法pca和偏最小二乘回归法plsr，所述第二算法模型包括支持向量机svm分类器。
13、进一步的，所述第一算法模型使用主成分分析法进行降维处理，然后应用偏最小二乘回归法建立第一模型，预测单个参数变化对生产安全的影响，具体主成分分析法表示为：，其中是第i 个主成分，是特征向量，是原始特征；具体偏最小二乘回归法表示为：，其中，y 是响应变量，x 是经过pca处理后的输入矩阵，b 是回归系数，f 是残差。
14、所述第二算法模型使用支持向量机分类器建立第二模型，所述支持向量机分类器表示为：，其中，是拉格朗日乘子，是类别标签，是核函数，b 是截距。
15、进一步的，使用支持向量机（svm）分类器建立模型，预测整体生产过程中的安全隐患概率，通过platt缩放来将svm的决策函数输出值映射到概率上，具体包括：
16、使用训练数据训练svm模型，并根据训练实例获取svm的决策函数的输出值f(x)；
17、使用svm的输出f(x) 作为输入特征，实际类别标签作为目标变量，训练逻辑回归模型；其中，逻辑回归模型表示为：，其中，是给定特征向量 x 时，样本属于正类（通常标记为1）的概率，a 和b 是参数，它们控制sigmoid曲线的形状和位置，是svm的决策函数输出，计算样本x 与决策边界的距离。
18、通过svm模型获取f(x)，然后将其输入到逻辑回归模型中，得到概率估计。
19、进一步的，根据建立的第一模型和第二模型，利用历史安全生产数据训练第一模型，利用遗传算法对第二模型进行训练，寻找最佳模型参数组合；
20、再根据实时收集生产过程中的监测数据，输入训练好的第一模型和第二模型中进行实时分析，若输出概率超过预设阈值，则触发预警机制，及时通知生产人员。
21、进一步的，对所述智能预警模型进行验证，具体包括：利用独立于训练集的数据测试所述第一模型和第二模型的准确率、精密度、召回率及f1值是否满足预设条件；若不满足，则返回重新构建模型。
22、进一步的，所述预警机制包括：
23、当所述第一模型预测出单个生产数据参数的变化对生产安全的影响程度大于等于第一阈值时，则触发低级别警报提示该生产数据参数出现异常；
24、当所述第二模型预测的整体生产过程中的安全隐患概率大于等于第二阈值时，则触发高级警报并停止生产。
25、进一步的，根据智能预警模型的预测结果，记录每次实际发生的生产事故与智能预警模型的预测结果之间的误差；基于多次误差统计分析的结果来调整所述第一模型或者所述第二模型。
26、本发明的有益效果为：
27、（1）通过采用主成分分析（pca）和偏最小二乘回归（plsr）以及支持向量机（svm）分类器机器学习技术，本发明能够更准确地预测单个生产参数变化对生产安全的影响以及整体生产过程中的安全隐患概率，这种方法克服了传统依赖人工监控和经验判断的局限性，通过数据分析和模型预测，提前识别潜在风险，从而显著提高了生产过程的安全性；
28、（2）通过使用加权余弦距离和动态时间规整（dtw）的结合来分析生产数据与历史安全生产数据之间的相似性，本发明能够准确地识别出生产过程中的潜在风险，这种方法相较于传统的经验判断，可以更早地预见到异常情况，从而实现提前预警，这种提前的预警给了操作人员更多时间来应对可能的安全隐患，从而避免了事故的发生，显著提高了生产过程的安全性；
29、（3）本发明在预警阶段还发挥作用，能够通过记录和分析实际发生的事故与预测结果之间的误差，实现对模型的持续改进，这种基于反馈的迭代优化过程使得预警过程能够随着时间的推移而不断调整和完善，确保其在不同生产阶段和条件下都能保持高度的适应性和有效性，通过这种方式能够持续提升生产安全管理的水平，减少事故发生，保障生产人员的安全和健康。
1.一种基于机器学习的无色茶饮生产的智能预警方法，其特征在于：包括如下步骤：获取所述无色茶饮生产的数据；计算无色茶饮生产数据对应的生产数据值与生产数据对应的历史安全生产数据中的所有生产数据值之间的相似性；
2.根据权利要求1所述的一种基于机器学习的无色茶饮生产的智能预警方法，其特征在于：在获取所述无色茶饮生产的历史安全生产数据之前，还包括：采集所述无色茶饮生产的历史安全生产数据，还包括采集无色茶饮生产的所有设备运行时产生的实时监测数据。
3.根据权利要求1所述的一种基于机器学习的无色茶饮生产的智能预警方法，其特征在于：计算无色茶饮生产数据对应的生产数据值与生产数据对应的历史安全生产数据中的所有生产数据值之间的相似性，具体包括：
4.根据权利要求2所述的一种基于机器学习的无色茶饮生产的智能预警方法，其特征在于：将所获取的历史安全生产数据输入预先设置好的第一算法模型得到所述第一模型；将所获取的历史安全生产数据输入预先设置好的第二算法模型得到所述第二模型；其中，所述第一算法模型包括主成分分析法pca和偏最小二乘回归法plsr，所述第二算法模型包括支持向量机svm分类器。
5.根据权利要求4所述的一种基于机器学习的无色茶饮生产的智能预警方法，其特征在于：所述第一算法模型使用主成分分析法进行降维处理，然后应用偏最小二乘回归法建立第一模型，预测单个参数变化对生产安全的影响，具体主成分分析法表示为：，其中是第i 个主成分，是特征向量，是原始特征；具体偏最小二乘回归法表示为：，其中，y 是响应变量，x 是经过pca处理后的输入矩阵，b 是回归系数，f 是残差；
6.根据权利要求5所述的一种基于机器学习的无色茶饮生产的智能预警方法，其特征在于：使用支持向量机分类器建立第二模型，预测整体生产过程中的安全隐患概率，通过platt缩放来将svm的决策函数输出值映射到概率上，具体包括：
7.根据权利要求6所述的一种基于机器学习的无色茶饮生产的智能预警方法，其特征在于：根据建立的第一模型和第二模型，利用历史安全生产数据训练第一模型，利用遗传算法对第二模型进行训练，寻找最佳模型参数组合；
8.根据权利要求1所述的一种基于机器学习的无色茶饮生产的智能预警方法，其特征在于：对所述智能预警模型进行验证，具体包括：利用独立于训练集的数据测试所述第一模型和第二模型的准确率、精密度、召回率及f1值是否满足预设条件；若不满足，则返回重新构建模型。
9.根据权利要求8所述的一种基于机器学习的无色茶饮生产的智能预警方法，其特征在于：所述预警机制包括：
10.根据权利要求1所述的一种基于机器学习的无色茶饮生产的智能预警方法，其特征在于：根据智能预警模型的预测结果，记录每次实际发生的生产事故与智能预警模型的预测结果之间的误差；基于多次误差统计分析的结果来调整所述第一模型或者所述第二模型。
