ИСКУССТВЕННЫЕ НЕЙРОННЫЕ СЕТИ В ОЦЕНКЕ ПОКАЗАТЕЛЕЙ КАЧЕСТВА НИЗКОАЛЛЕРГЕННЫХ КИСЛОМОЛОЧНЫХ НАПИТКОВ
Авторы:
1.
ФГБОУ ВО «Воронежский государственный университет инженерных технологий»
Воронеж, Воронежская область, Россия
Воронеж, Воронежская область, Россия
2.
ФГБОУ ВО «Воронежский государственный университет инженерных технологий»
3.
Воронежский государственный университет инженерных технологий
Воронеж, Воронежская область, Россия
Воронеж, Воронежская область, Россия
Тип:
Статья
Страницы:
с 152
по 158
Статус:
Опубликован
Получено:
14.02.2019
Одобрено:
18.01.2023
Опубликовано:
24.03.2017
Классификаторы:
УДК 543-1.06: 637.146.21
УДК 66 Химическая технология. Химическая промышленность. Родственные отрасли
УДК 60 Прикладные науки. Общие вопросы
УДК 66 Химическая технология. Химическая промышленность. Родственные отрасли
УДК 60 Прикладные науки. Общие вопросы
Язык материала:
русский
Ключевые слова:
Искусственные нейронные сети, оценка показателей качества, низкоаллергенные кисломолочные напитки
Аннотация (русский):
Для получения кисломолочных напитков со сниженной остаточной антигенностью нами предложено применение гидролизата β-лактоглобулина, полученного с применением ферментных препаратов Flavorpro 750MDP и Promod 439L. При этом необходимо обеспечить нормируемые физико-химические и приемлемые органолептические показатели полученного кисломолочного напитка. Цель проведенных исследований - изучение возможности применения метода искусственных нейронных сетей для прогнозирования свойств, а также показателей качества и безопасности нормализованных молочных смесей, используемых для получения низкоаллергенных кисломолочных напитков. Органолептические характеристики и физико-химические свойства нормализованных смесей изучены с помощью сенсорометрического метода. С применением метода искусственных нейронных сетей адаптирован способ оценки показателей качества нормализованных смесей и кисломолочных напитков. Использована трехслойная нейронная сеть с 6 нейронами во входном слое, 12 нейронами во внутреннем слое и 4 нейронами в выходном слое по числу выходных параметров. Обучение сети осуществлялось с применением алгоритма обратного распространения ошибки. Полученные результаты свидетельствуют о том, что разработанная нейронная сеть прогнозирует основные характеристики нормализованных смесей с гидролизатом β-лактоглобулина с относительной погрешностью, не превышающей 2,6 % при прогнозировании содержания β-лактоглобулина, 3,9 % - при прогнозировании остаточной антигенности и 3,1 % - при прогнозировании титруемой кислотности и органолептических показателей. Этот способ применим и для оценки качества готовых продуктов и позволяет заменить традиционные методы анализа, действующие на предприятиях молочной отрасли.
Для получения кисломолочных напитков со сниженной остаточной антигенностью нами предложено применение гидролизата β-лактоглобулина, полученного с применением ферментных препаратов Flavorpro 750MDP и Promod 439L. При этом необходимо обеспечить нормируемые физико-химические и приемлемые органолептические показатели полученного кисломолочного напитка. Цель проведенных исследований - изучение возможности применения метода искусственных нейронных сетей для прогнозирования свойств, а также показателей качества и безопасности нормализованных молочных смесей, используемых для получения низкоаллергенных кисломолочных напитков. Органолептические характеристики и физико-химические свойства нормализованных смесей изучены с помощью сенсорометрического метода. С применением метода искусственных нейронных сетей адаптирован способ оценки показателей качества нормализованных смесей и кисломолочных напитков. Использована трехслойная нейронная сеть с 6 нейронами во входном слое, 12 нейронами во внутреннем слое и 4 нейронами в выходном слое по числу выходных параметров. Обучение сети осуществлялось с применением алгоритма обратного распространения ошибки. Полученные результаты свидетельствуют о том, что разработанная нейронная сеть прогнозирует основные характеристики нормализованных смесей с гидролизатом β-лактоглобулина с относительной погрешностью, не превышающей 2,6 % при прогнозировании содержания β-лактоглобулина, 3,9 % - при прогнозировании остаточной антигенности и 3,1 % - при прогнозировании титруемой кислотности и органолептических показателей. Этот способ применим и для оценки качества готовых продуктов и позволяет заменить традиционные методы анализа, действующие на предприятиях молочной отрасли.
Ключевые слова:
Искусственные нейронные сети, оценка показателей качества, низкоаллергенные кисломолочные напитки
Искусственные нейронные сети, оценка показателей качества, низкоаллергенные кисломолочные напитки
Введение Для получения кисломолочных напитков со сниженной остаточной антигенностью нами предложено применение гидролизата β-лактоглобулина, получен- ного с применением ферментных препаратов Flavorpro 750MDP и Promod 439L [1]. При этом необ- ходимо обеспечить нормируемые физико-химические и приемлемые органолептические показатели полученного кисломолочного напитка. В производстве пищевых продуктов важное зна- чение имеют экспресс-методы контроля показателей качества и безопасности сырья, полуфабрикатов и готовых продуктов [2, 3]. В последние десятилетия в анализе ароматов пищевых продуктов и напитков все большее значение приобретают сенсоры на основе различных преобразователей и сенсорные системы В состав многослойной искусственной нейрон- ной сети входят нейроны, расположенные на раз- ных уровнях, причем помимо входного и выходно- го слоев имеется еще как минимум один внутрен- ний (скрытый) слой. Они способны обрабатывать несколько входных сигналов (входные данные или выходные сигналы других нейронов). Однако каж- дый нейрон характеризуется только одним выхо- дом, который является конечным результатом или входным сигналом для других нейронов [11-13]. w w w … w 1 x1 2 [4], характеризующиеся компактностью, воспроизво- x димостью и надежностью результатов, быстротой . формирования аналитического сигнала, низкими пределами обнаружения, не требующие специальной x . подготовки персонала [5-7]. Обработку результатов данных, полученных с по- мощью массива сенсоров, в мультисенсорном анализе ∑ S y . f . проводят, используя современные достижения в изу- чении искусственного интеллекта, в том числе мето- ды распознавания веществ по характерным визуаль- ным характеристикам («образам»), специфичным для данной газовой смеси (искусственные нейронные сети, корреляционный анализ, линейно- дискриминантный анализ), а также многопараметри- ческие градуировки [8, 9]. Идентификацию «образов» осуществляют при установлении или прогнозирова- нии свойств объекта, которые непосредственно не могут быть определены, но косвенно зависят от изме- ряемых показателей. Искусственные нейронные сети (ИНС) - непара- метрический и нелинейный метод обработки данных. В последние годы он востребован в различных обла- стях аналитической химии, в частности в мультисен- сорном анализе [10]. Зависимость конечного резуль- тата от качества одновременной обработки информа- ции всеми звеньями сети является основной особен- ностью ИНС. Применение такого метода способству- ет значительному ускорению обработки информации при большом количестве межнейронных связей, ста- новится возможной трансформация откликов в мас- штабе реального времени. Стойкость к ошибкам сети, возникающим на некоторых линиях (синапсах), вы- рабатывается только при большом количестве меж- нейронных соединений. Кроме того, нейронные сети способны к обучению и обобщению полученных зна- ний [11]. Нейроны состоят из трех элементов (рис. 1): умножители (синапсы), сумматор и нелинейный пре- образователь. Взаимодействие между нейронами осуществляется с помощью синапсов, которые умно- жают входные сигналы хj (j = 1, 2, ..., N) на силу связи (вес синапса) wij, сигнал поступает в направлении от узла i к узлу j. Сигналы, поступающие по синаптиче- ским связям от других нейронов и внешних входных сигналов, обобщаются сумматором, а результат срав- нивается с пороговым значением wi0. Преобразователь реализует нелинейную функцию одного аргумента (сигнала с выхода сумматора), называемую функцией активации и представляющую собой передаточную функцию нейрона [12]. Рис. 1. Схематичное изображение искусственного нейрона [13] При обучении нейронной сети осуществляют подбор таких значений весов нейронов wij скрытого и выходного слоев сети, чтобы при заданном вход- ном векторе Х получить на выходе сигналы уj, ко- торые с требуемой точностью совпадут с ожидае- мыми значениями dj для j = 1, 2, ..., М. При разра- ботке способов прогнозирования посредством ИНС входными сигналами являются временные ряды, представляющие значения контролируемых пара- метров в некотором интервале времени [10]. Цель проведенных исследований - изучение возможности применения метода ИНС для прогно- зирования свойств, а также показателей качества и безопасности нормализованных молочных смесей, используемых для получения низкоаллергенных кисломолочных напитков. Объекты и методы исследований Органолептические характеристики и физикохимические свойства нормализованных смесей (табл. 1) были изучены с помощью сенсорометри- ческого метода. Легколетучие осмофорические компоненты анализировали посредством отбора паров равновесных газовых фаз и последующего инжекторного ввода пробы в статическом режиме в мультисенсорную экспериментальную установку. Таблица 1 Соотношения рецептурных ингредиентов в Об-ра- зец Молочнаясмесь / гид- ролизат β-лактоглобу- лина, % Массоваядоля β-лактогло- булина, % Массовая доля общего белка, % Массовая доля истинного белка, % 1 90 : 10 0,29 3,2 3,06 2 80 : 20 0,25 3,2 2,93 3 70 : 30 0,22 3,2 2,72 4 60 : 40 0,20 3,2 2,37 исследованных нормализованных смесях 4 5 6 1 3 2 2 Рис. 2. Внешний вид мультисенсорной экспериментальной установки Основные блоки мультисенсорной эксперимен- тальной установки для газового анализа в статиче- ском инжекторном режиме (рис. 2) представлены: насосом для воздуха при регенерации сорбента (1); системой осушки воздуха (2); ячейкой детектиро- вания с 9 пьезосенсорами (3); генераторами коле- баний в защитном кожухе (4); частотомером (5); персональным компьютером с соответствующим программным обеспечением (6). Регистрация и за- пись частóт всех модифицированных пьезокварце- вых резонаторов в виде файлов происходила одно- временно. Оригинальная мультисенсорная ячейка детекти- рования представляет собой корпус, изготовленный из нержавеющей стали в виде цилиндрического сосуда с герметично завинчивающейся крышкой (по кругу расположены панели для 9 сенсоров) и съемным основанием [14]. Герметичность резьбо- вого соединения крышки и основания с цилиндром обеспечивается посредством двух резиновых колец. На корпусе мультисенсорной ячейки имеется три патрубка с герметично закрывающимися поли- уретановыми прокладками и прижимными заглушками. Схематичное изображение ячейки детектирования мультисенсорной экспериментальной уста- новки представлено на рис. 3. Пьезоэлектрические кварцевые резонаторы АТ-среза (колебания типа «сдвиг по толщине») применены в качестве сенсоров, модифицированных тонкой пленкой сорбента. С целью обес- печения стабильных результатов и хорошей адге- зии модификатора на поверхности применяли электроды с тонкой пленкой оксида алюминия, структура которого характеризовалась многочис- ленные порами и дефектами. АТ-срез кварца [срез под углом (35,15 1)] минимизировал вли- яние температуры [15]. Механически и термически прочные пластины -кварца (SiO2) с малым внутренним трением и стабильными электрофизическими параметрами [16] были применены в качестве трансдьюсеров пьезокварцевых резонаторов. Это способствовало повышению метрологических характеристик дат- чиков на основе пьезоэлектрических кварцевых резонаторов. Рис. 3. Схематичное изображение ячейки детектирования мультисенсорной экспериментальной установки: 1 - полый цилиндр; 2 - патрубок для выхода воздуха при регенерации; 3 - патрубок для ввода пробы; 4 - крышка; 5 - съемное основание; 6 - панели для крепления шести сенсоров; 7 - сенсоры; 8 - резиновые уплотнительные кольца; 9 - патрубок для ввода пробы; 10 - прижимная заглушка с отверстием для прокола; 11, 12 - глухие прижимные заглушки; 13 - полиуретановые прокладки Аналитический сигнал электродов пьезокварце- вого резонатора был незначительным, поскольку их поверхность слабо адсорбировала исследуемые осмофорические вещества. Поэтому такую поверх- ность (диаметр 9 мм) с собственной частотой коле- баний 8-10 МГц модифицировали равномерным нанесением раствора сорбентов с помощью мик- рошприца объемом 10 мкл с последующим удале- нием растворителя высушиванием при 40 ºС в те- чение 30 мин. Это способствовало многократному усилению сигнала Аl-электродов пьезокварцевого резонатора АТ-среза в результате увеличения кон- центрации активных центров сорбента и возраста- ния энергии адсорбции на поверхности по сравне- нию с немодифицированным сенсором. Электроды пьезокварцевых резонаторов моди- фицировали с применением стандартных непо- движных газохроматографических фаз с различной полярностью, а также специфических сорбентов (табл. 2). В результате адсорбции на поверхности электродов образовывались тонкие и однородные по толщине пленки, устойчивые на воздухе (не окисляющиеся и не разлагающиеся). Для них ха- рактерны: сродство к сорбату, малая летучесть, механическая стабильность (это свойство способ- ствует проведению большого числа экспериментов на одной пленке) и незначительные акустические потери, вносимые модификатором в резонансную систему сенсора (что обеспечивает получение пле- нок с высоким модулем упругости на поверхности Аl-электродов [16]). Таблица 2 Характеристика модификаторов пьезокварцевых резонаторов Номерсенсора в мас- сиве Сорбент Сорбируемое вещество 1 ТХ-100 Этанол 2 Рибонуклеиноваякислота Диацетил, ацетоин 3 Трисоксиметила-минометан Масляная, уксусная,каприновая и др. кислоты 4 Тween-40 Ацетальдегид 5 Сульфосалициловаякислота Амины, пептиды, амино-кислоты 6 Полиэтиленгли- кольсебацинат (ПЭГСб) Этилацетат, ацетон, ме-тилэтилкетон, бутанол-1 и бутанол-2 В качестве растворителей модификаторов при- меняли дистиллированную воду, этиловый спирт, ацетон, толуол. Выбор этих веществ обусловлен соответствием следующим требованиям: летучесть, химическая инертность к сорбционным фазам, вы- сокая растворяющая способность в отношении сор- бента, отсутствие прочных сольватов. 9-канальный цифровой измерительный ком- плекс обеспечивал измерение и обработку сигналов сенсоров с применением ПК посредством подклю- чения через последовательный интерфейс RS-232 С. Изменение частоты колебаний модифицирован- ных сенсоров фиксировалось с промежутками в 1 с, одновременно данные выводились на монитор компьютера. В частотомере предусмотрен выбор выдержек измерения от 1 до 60 с. Частотомер функционировал на базе микро- контроллера PIC16F628 фирмы MICROCHIP, кото- рый имел встроенную память программ, несколько таймеров-счетчиков и последовательный интер- фейс. Микроконтроллер позволяет уменьшить га- баритные размеры частотомера, благодаря чему он может быть использован как портативное (пере- носное) устройство. По окончании каждого цикла сенсорометрического анализа полученные резуль- таты передавались группами, состоящими из четы- рех байтов, на ПК. Дальнейшая их обработка и хранение осуществлялись под управлением про- граммы компьютера [17]. Перед измерениями проверяли стабильность ра- боты сенсоров. Показателем стабилизации служил сдвиг частоты колебаний в течение 1 мин, не превышающий 5 Гц. Затем в мультисенсорную ячейку инжектировали пары равновесной газовой фазы анализируемого образца с помощью микрошприца. После измерения ячейку детектирования и пленоч- ные покрытия регенерировали продувкой системы осушенным лабораторным воздухом. Аналитические сигналы пьезосенсоров были получены в идентичных условиях в процессе их экспонирования в парах равновесных газовых фаз осмофорических компонентов. Условия проведения сенсорометрического анализа: объем вводимой пробы 2 см3, масса пленки сорбента на электродах mпл = 15 5 мкг, концентрация ароматобразующих веществ 10 мг/м3, температура в ячейке детектирования 20 ± 1 оС. Образование бόльшей по массе пленки модификатора приводит к увеличению погрешности анализа вследствие затухания колебаний объемной акустической волны в пленке сорбента [18]. Обработку полученных результатов проводили методами математической статистики по данным 5-10 опытов в трехкратной последовательности. Результаты экспериментальных исследований под- вергали нейросетевой аппроксимации, а также об- работке с помощью программы «Анализ потока данных» [17]. Результаты и их обсуждение С применением сенсорометрического анализа методом искусственных нейронных сетей в сочетании с компьютерной обработкой сигналов сенсоров разработан способ оценки показателей качества нормализованных смесей для низкоаллергенных кисломолочных напитков, который включал сле- дующие операции: получение аналитических сигналов матрицы сенсоров при их одновременном экспонировании в многокомпонентной парогазовой смеси ароматобразующих веществ нормализованных смесей с гидролизатом β-лактоглобулина; обучение нейронной сети; проверка полученной модели по тестовой вы- борке. Предварительное обучение нейронной сети обеспечивает корректные выходные сигналы. Этот процесс проводили по величинам аналитических сигналов матрицы пьезосенсоров с пленками сор- бентов на электродах, полученным при одновре- менном экспонировании в парах равновесной газо- вой фазы нормализованных смесей. Одновременно определяли наиболее значимые для технологического процесса показатели каче- ства нормализованной смеси: титруемую кислот- ность проб, массовую долю β-лактоглобулина, остаточную антигенность, органолептические пока- затели. При обучении нейронной сети входными параметрами являлись результаты анализа физико- химических и органолептических свойств нормали- зованных смесей, а выходными - разность частот модифицированных сенсоров до и после сорбции. Применяли трехслойную нейронную сеть (рис. 4) с 6 нейронами во входном слое по числу сенсоров в массиве, 12 нейронами во внутреннем слое и 4 нейронами в выходном слое по числу вы- ходных параметров. Обучение сети осуществляли с применением алгоритма обратного распростране- ния ошибки. Рис. 4. Многослойный персептрон, адаптированный к модели прогнозирования показателей качества исследуемых нормализованных смесей Результаты обучения подтверждают, что полу- ченная нейронная сеть прогнозирует основные ха- рактеристики нормализованных смесей с гидроли- затом β-лактоглобулина с относительной погрешностью, не превышающей 2,6 % при прогнозирова- нии содержания β-лактоглобулина, 3,9 % - при прогнозировании остаточной антигенности и 3,1 % - при прогнозировании титруемой кислотно- сти и органолептических показателей (табл. 3). Этот способ применим и для оценки качества гото- вых продуктов. Таблица 3 Сравнительная оценка результатов нейросетевой аппроксимации Номер образца Значение измеренного показателяс применением метода Относительная погрешность,% традиционного искусственныхнейронных сетей Титруемая кислотность, °Т 1 17,0 17,5 2,94 2 18,0 18,5 2,78 3 19,0 19,5 2,63 4 20,0 20,5 2,50 Массовая доля β-лактоглобулина, % 1 0,286 0,292 2,10 2 0,256 0,259 1,17 3 0,223 0,228 2,24 4 0,198 0,203 2,53 Остаточная антигенность, % 1 58,3 60,0 2,92 2 47,0 48,1 2,34 3 41,2 42,8 3,88 4 35,2 36,4 3,41 Органолептические показатели, баллы 1 4,80 4,65 3,13 2 4,67 4,53 3,00 3 3,95 4,01 1,52 4 3,12 3,19 2,24 Таким образом, разработанный экспресс-способ позволяет установить органолептические свойства и стандартные показатели качества нормализован- ных смесей и готовых продуктов на их основе, за- менить традиционные методы анализа, действую- щие на предприятиях молочной отрасли.
1. Пономарева, Н.В. Биоконверсия молочных белков для снижения остаточной аллергенности / Н.В. Пономарева, Е.И. Мельникова, Е.В. Богданова // Биотехнология. - 2015. - № 1. - С. 70 - 74.
2. Мельникова, Е.И. Микропартикуляты сывороточных белков как имитаторы молочного жира в производстве продуктов питания / Е.И. Мельникова, Е.Б. Станиславская // Фундаментальные исследования. - 2009. - № 57. - С. 23.
3. Изучение хранимоспособности молокосодержащего продукта сметанного типа / Л.В. Голубева, О.И. Долматова, Е.И. Бочарова, Ж.С. Долматова // Вестник Воронежского государственного университета инженерных технологий. - 2012. - № 4 (54). - С. 90-91.
4. Химические сенсоры и их системы / Ю.Г. Власов, Ю.Е. Ермоленко, А.В. Легин, А.М. Рудницкая [и др.] // Журнал аналитической химии. - 2012. - Т. 65. - № 9. - С. 900-919.
5. Власов, Ю.Г. Электронный язык - системы химических сенсоров для анализа водных сред / Ю.Г. Власов, А.В. Легин, А.М. Рудницкая // Российский химический журнал (Журнал Российского химического общества им. Д.И. Менделеева). - 2008. - Т. LII. - № 2. - С. 101-112.
6. Кучменко, Т.А. Инновационные решения в аналитическом контроле / Т.А. Кучменко. - Воронеж: ВГТА, 2009. -252 с.
7. Перспективы использования «электронного языка» в контроле бродильных производств / Р.А. Еникеева, П.С. Никаноров, А.В. Насоненко, В.А. Сергеева [и др.] // Известия СПбГТИ(ТУ). - 2015. - № 29. - С. 76-79.
8. System of piezosensors for prognostication of the storage life of food products / Ya.I. Korenman, E.I. Mel'Nikova, S.I. Niftaliev, S.E. Boeva, A.A. Selivanova, E.S. Rudnichenko, E.V. Bogdanova // Russian Journal of Applied Chemistry. - 2009. - Vol. 82. - no. 8. - P. 1380-1383. DOI: 10.1134/S1070427209080114.
9. Tang, Kea-Tiong. A Local Weighted Nearest Neighbor Algorithm and a Weighted and Constrained Least-Squared Method for Mixed Odor Analysis by Electronic Nose Systems / Kea-Tiong Tang, Yi-Shan Lin, Jyuo-Min Shyu // Sensors. - 2010. - No. 10. - P. 10467-10483; DOI: 10.3390/s101110467.
10. Рассел, С. Искусственный интеллект. Современный подход / С. Рассел, П. Норвиг. - М.: Вильямс, 2007. - 1410 с.
11. Korotcenkov, G. Chemical sensors: comprehensive sensor technologies [Text] / G. Korotcenkov.-Momentum Press, LLC, 2012. - 77 p.
12. Хайкин, С. Нейронные сети: полный курс / С. Хайкин. - М.: Вильямс, 2016. - 1104 с.
13. Сенсорометрический анализ и нейросетевые технологии в оценке качества молокосодержащих продуктов / Е.И. Мельникова, Я.И. Коренман, С.И. Нифталиев, С.Е. Боева. - Воронеж: ВГТА, 2009. - 202 с.
14. Патент № 2288468 РФ. Универсальная пьезосорбционная ячейка детектирования / А.А. Киселев, С.И. Нифталиев, Я.И. Коренман, Е.И. Мельникова, С.Е. Светолунова // Изобретения. - 2006. - № 33. - Ч. I. - С. 318.
15. Партс, Я.А. Многочастотные пьезорезонансные датчики: принцип действия, способы построения, решаемые задачи / Я.А. Партс // Нелинейный мир. - 2009. - № 5. - С. 17-23.
16. Еремин, Н.И. Неметаллические полезные ископаемые / Н.И. Еремин. - М.: Изд-во МГУ, 2007. - 464 с.
17. Боева, С.Е. Анализ и оценка качества некоторых молокосодержащих продуктов / С.Е. Боева. - Дис.. канд. хим. наук: спец. 02.00.02 - Аналитическая химия. - Воронеж, 2007. - 163 с.
18. Санина, М.Ю. Применение экспресс- и тест-методов в анализе природных объектов / М.Ю. Санина // Известия ВГПУ. - 2013. - Т. 260. - № 1. - С. 258-262.
