專利名稱：：一種啤酒生產(chǎn)配方優(yōu)化方法
技術領域：
：本發(fā)明屬于信息與控制
技術領域：
，涉及自動化技術，特別是涉及一種啤酒生產(chǎn)配方優(yōu)化方法。
背景技術：
：原料配方優(yōu)化設計問題是化工、食品、材料等領域中的一個重要研究內(nèi)容。為了獲得性能優(yōu)異、能滿足使用要求的配方，需根據(jù)產(chǎn)品的性能要求和工藝條件，通過試驗、優(yōu)化、鑒定、合理地選用原材料，確定各種原材料的用量配比關系。近年來對配方優(yōu)化設計的應用研究開始活躍，對于這樣一個復雜的多目標配方體系，目前大多采用試驗設計的方法。啤酒企業(yè)配方設計也不例外，為了釀造啤酒風格的一致，麥芽進廠后通過分析，進行原料組分的概算，決定配料方案，再通過小型糖化檢查、驗證，最后定出配料生產(chǎn)試驗方案。通過生產(chǎn)驗證修改，最終訂出產(chǎn)品配料。在啤酒生產(chǎn)過程中，啤酒原料配方?jīng)Q定了產(chǎn)品的風味、質量、成本等重要指標。目前，啤酒生產(chǎn)企業(yè)生產(chǎn)配方仍然依靠人工經(jīng)驗結合試驗的方法來確定，雖然可以滿足工藝的基本要求，但是原料總成本、口味等指標參數(shù)容易偏高。因此對啤酒配方進行優(yōu)化對提高企業(yè)生產(chǎn)效率、降低產(chǎn)品成本具有重要意義。啤酒配方優(yōu)化是一個含多極值點的配方優(yōu)化問題。迄今為止，配方優(yōu)化問題多采用常見的傳統(tǒng)數(shù)學優(yōu)化方法，如單純形法、共軛梯度法、幾何平均分析法、正交設計法等。由于這些優(yōu)化方法缺乏全局最優(yōu)搜索的魯棒性，且絕大多數(shù)傳統(tǒng)優(yōu)化都需要梯度信息，因而要求解此類具有復雜數(shù)學形式的優(yōu)化問題，相當困難。
發(fā)明內(nèi)容本發(fā)明的目標是針對啤酒配方優(yōu)化中的一些難題，提出一種具有較強全局優(yōu)化能力的配方優(yōu)化方法。本發(fā)明的技術方案是將連續(xù)的配方優(yōu)化問題轉變成離散的組合優(yōu)化問題，然后采用仿生的蟻群算法，并采用變尺度的方法改善算法尋優(yōu)性能，縮短計算時間，最終確立了一種啤酒生產(chǎn)配方優(yōu)化方法。本發(fā)明方法的具體步驟是步驟1、獲取啤酒配方中主要原料(包括大麥麥芽、特種麥芽、小麥麥芽和輔助原料等)的產(chǎn)槽率、a氨基氮、糖化力、總可溶性氮、3葡聚糖以及單價等參數(shù)，這些數(shù)據(jù)可以通過供應商獲得，也可通過生產(chǎn)過程中統(tǒng)計獲取；步驟2、通過原料的參數(shù)建立綜合生產(chǎn)性能指標估算模型，考慮的主要綜合性能指標為麥芽糖化力、麥汁總氮、麥汁a氨基氮、麥汁3葡聚糖以及過濾槽糟層厚度。①麥芽糖化力在正常糖化操作下(6568°C糖化3045min)，每千克混合原料投料中，應含有15002000WK的糖化力。上限值可以縮短精化時間，并得到較高發(fā)酵度的麥汁；下限值糖化時間長，發(fā)酵度低。如小于1500WK會影響糖化作業(yè)、影響原料利用率、影響麥汁組成。且麥芽的總可溶性氮可按下式進行估算式中，TpXi分別為組分i的糖化力強度及質量分數(shù)，1≤i≤η；②麥汁總氮通常啤酒定型麥汁的總可溶性氮水平為全麥芽麥汁9001200mg/L加輔料濃醇型啤酒麥汁700850mg/L加輔料淡爽型啤酒麥汁550700mg/L并且，麥汁的總可溶性氮可按下式進行估算式中為組分i的總氮質量濃度;A、ν分別為一批次需要的原料總質量和要求的麥汁產(chǎn)量，單位分別為千克以及升；γ、識分別為蛋白質分解強度和煮沸氮析出率。③麥汁α氨基氮麥汁α氨基氮均與啤酒的風味物質高級醇和雙乙酰相關，控制麥汁α氨基氮濃度對于控制啤酒風味尤為重要。一般麥汁α氨基氮控制在160180mg/L范圍內(nèi)比較適宜。且麥汁α氨基氮含量可以通過下式估算式中，廣《為組分i的α氨基氮質量濃度，K為氨基氮系數(shù)。④麥汁β葡聚糖啤酒中含有適量的β葡聚糖是保持啤酒具有醇厚感的物質之一，但是如果過多的β葡聚糖會在制麥中分解不足，在啤酒釀造過程中會帶來一系列相關的問題。因此在制麥過程β葡聚糖的含量低于250mg/L。且麥汁β葡聚糖含量可以通過下式估算式中，ρ為組分i的β葡聚糖質量濃度，ν為葡聚糖系數(shù)。⑤過濾槽糟層厚度在糖化過程中，糖化醪所含有的不溶性麥糟將形成糟層。糟層厚度過厚，麥汁過濾速度緩慢，過濾時間延長；糟層厚度過薄，雖然提高過濾速度，但會降低麥汁透明度。生產(chǎn)中糟層厚度一般控制在3050cm。且糟層厚度可以通過下式估算式中，D為過濾槽設備的直徑，廣為組分i的產(chǎn)槽率。步驟3、利用變尺度蟻群優(yōu)化方法對啤酒配方模型進行優(yōu)化，最終求解最低成本的生產(chǎn)配方。具體步驟如下①進行參數(shù)初始化，將每種組分所占質量百分比進行N等分，每種組分的離散間琪中,胃為組分質量百分比的上下限。②若maxQll,h2，...，hn)≤ε，算法停止，輸出當前最優(yōu)方案，ε表示結束條件；否則轉第3步；③(r，i)為第r組分上的第i個節(jié)點，其數(shù)值記為Xr,t；(r+1,j)為第r+1組分上的第j個節(jié)點；[(r，i)，(r+1),j]為節(jié)點(r,i)到節(jié)點(r+1,j)的連線，蟻群中螞蟻的數(shù)量為m在運動過程中，在時刻t螞蟻k由位置(r，i)轉移到位置(r+1，j)的概率為式中Μ,+1是第r+Ι組分的允許取值范圍，保證各品種比例之和不大于100%。如果第r+Ι品種不是最后一個待定品種，那么Mrt取值范圍為但對于最后一個品種，則Mrt只能取值為為時刻t在[(r，i)，(r+1),j]連線上殘留得信息素濃度強度，初始條件下各條路徑上信息素濃度強度相等，即τ[(r,0,(^,^(0)=C常數(shù)。螞蟻k(k=1,2...m)是根據(jù)各條路徑上概率進行隨機選擇。在創(chuàng)建解的過程中，螞蟻訪問到節(jié)點后，并且對其所走路徑上的信息素采用局部信息素更新規(guī)則進行更新式中，ρ是信息量衰減參數(shù)，(O<P<1)，令^=+，0為常數(shù)，^表示該螞蟻得到方案的配方成本。每只螞蟻如此遞推并最終生成各自的配方方案。④利用指標模型剔除不滿足生產(chǎn)指標的不可行方案，對可行方案按下式計算配方成本J并將其與最好方案對比，如果配方成本J小于最好方案中的配方成本，則把該方案記為最好方案；兒其中Mi為原料組分i的單價。⑤當所有螞蟻均構建了配方方案，則按下式對信息素進行全局更新，得到信息素濃度強度式中Jmingb為開始迭代時所獲得的最低目標函數(shù)值。⑥更新迭代次數(shù)t—t+Ι；若t≥tmax，則轉到第3步；否則，找出當前最好方案，更新xrt、、其中wr=2·h1，并按下式修正搜索上下限xrappCT、χ—轉到第1步，其中Xrfl為最好方案中第r組分的最佳質量百分比。本發(fā)明相比于現(xiàn)有技術具有以下有益效果本發(fā)明方法具有開放性、魯棒性、并行性、全局收斂性以及對問題的數(shù)學形式無特殊要求等特點。圖1為本發(fā)明方法中組分的離散間隔示意圖。具體實施例方式以下將結合附圖對本發(fā)明作進一步描述。本發(fā)明方法的包括以下步驟步驟1、獲取啤酒配方中主要原料(包括大麥麥芽、特種麥芽、小麥麥芽和輔助原料等)的產(chǎn)槽率、α氨基氮、糖化力、總可溶性氮、β葡聚糖以及單價等參數(shù)，這些數(shù)據(jù)可以通過供應商獲得，也可通過生產(chǎn)過程中統(tǒng)計獲??；步驟2、通過原料的參數(shù)建立綜合生產(chǎn)性能指標估算模型，考慮的主要綜合性能指標為麥芽糖化力、麥汁總氮、麥汁α氨基氮、麥汁β葡聚糖以及過濾槽糟層厚度。①麥芽糖化力在正常糖化操作下(6568°C糖化3045min)，每千克混合原料投料中，應含有15002000WK的糖化力。上限值可以縮短精化時間，并得到較高發(fā)酵度的麥汁；下限值糖化時間長，發(fā)酵度低。如小于1500WK會影響糖化作業(yè)、影響原料利用率、影響麥汁組成。且麥芽的總可溶性氮可按下式進行估算麥芽糖化不，式中，TiJi分別為組分i的糖化力強度及質量分數(shù)，②麥汁總氮通常啤酒定型麥汁的總可溶性氮水平為全麥芽麥汁9001200mg/L加輔料濃醇型啤酒麥汁700850mg/L加輔料淡爽型啤酒麥汁550700mg/L并且，麥汁的總可溶性氮可按下式進行估算總可溶性氮，式中，w為組分i的總氮質量濃度’A、V分別為一批次需要的原料總質量和要求的麥汁產(chǎn)量，單位分別為千克以及升；γ、p分別為蛋白質分解強度和煮沸氮析出率。③麥汁α氨基氮麥汁α氨基氮均與啤酒的風味物質高級醇和雙乙酰相關，控制麥汁α氨基氮濃度對于控制啤酒風味尤為重要。一般麥汁a氨基氮控制在160180mg/L范圍內(nèi)比較適宜。且麥汁a氨基氮含量可以通過下式估算麥汁a氨基氮=乞10《-^-A-k，式中為組分^的a氨基氮質量濃度，K為氨基氮系數(shù)。④麥汁0葡聚糖啤酒中含有適量的0葡聚糖是保持啤酒具有醇厚感的物質之一，但是如果過多的3葡聚糖會在制麥中分解不足，在啤酒釀造過程中會帶來一系列相關的問題。因此在制麥過程0葡聚糖的含量低于250mg/L。且麥汁0葡聚糖含量可以通過下式估算麥汁0葡聚糖二藝.，.，式中，,為組分i的3葡聚糖質量濃度，V為葡聚糖系數(shù)。⑤過濾槽糟層厚度在糖化過程中，糖化醪所含有的不溶性麥糟將形成糟層。糟層厚度過厚，麥汁過濾速度緩慢，過濾時間延長；糟層厚度過薄，雖然提高過濾速度，但會降低麥汁透明度。生產(chǎn)中糟層厚度一般控制在3050cm。且糟層厚度可以通過下式估算過濾槽糟層厚度nf，式中，D為過濾槽設備的直徑，廣為組分i的產(chǎn)槽率。步驟3、利用變尺度蟻群優(yōu)化方法對啤酒配方模型進行優(yōu)化，最終求解最低成本的生產(chǎn)配方。具體步驟如下①進行參數(shù)初始化，將每種組分所占質量百分比進行N等分，每種組分的離散間隔九=^upper廣w(r=l2,...,n)；其中-“,-為組分質量百分比的上下限。如圖1所示，圖中每根垂直條分線代表一種原料，并被離散成N等分，離散的節(jié)點代表該成分的質量分數(shù)。經(jīng)過離散處理以后，配方優(yōu)化問題轉變?yōu)閷ふ易顑?yōu)路徑的問題。螞蟻從start點出發(fā)，逐級經(jīng)過每個品種上的節(jié)點，最后到達end點，完成一次循環(huán)并形成一個完整的配方。②若maxOvh2，...，hn)彡e，算法停止，輸出當前最優(yōu)方案，￡表示結束條件；否則轉第3步；③(r，i)為第r組分上的第i個節(jié)點，其數(shù)值記為X。；(r+1,j)為第r+1組分上的第j個節(jié)點；[(r，i)，(r+1),j]為節(jié)點(r,i)到節(jié)點(r+1,j)的連線，蟻群中螞蟻的數(shù)量為m在運動過程中，在時刻t螞蟻k由位置(r，i)轉移到位置(r+1，j)的概率為式中M,+1是第r+1組分的允許取值范圍，保證各品種比例之和不大于100%。如果第r+1品種不是最后一個待定品種，那么取值范圍為不]，但對于最后一個品r種，則Mr+1只能取值為1-Σ4；、,.,0如丨,/)](0為時刻t在[(r，i)，(r+Ι)，j]連線上殘留得/=I信息素濃度強度，初始條件下各條路徑上信息素濃度強度相等，即τ[(r,&(r+1,J}](O)=C常數(shù)。螞蟻k(k=1,2...m)是根據(jù)各條路徑上概率進行隨機選擇。在創(chuàng)建解的過程中，螞蟻訪問到節(jié)點后，并且對其所走路徑上的信息素采用局部信息素更新規(guī)則進行更新式中，P是信息量衰減參數(shù)，(0<P<1)，令M=f，Q為常數(shù)，Jnn表示該螞蟻nn得到方案配方成本。每只螞蟻如此遞推并最終生成各自的配方方案。④利用指標模型剔除不滿足生產(chǎn)指標的不可行方案，對可行方案按下式計算配方成本J并將其與最好方案對比，如果配方成本J小于最好方案中的配方成本，則把該方案記為最好方案；其中Mi為原料組分i的單價。⑤當所有螞蟻均構建了配方方案，則按下式對信息素進行全局更新，得到信息素濃度強度7'[(。,.),("丨,』/)]式中Jmingb為開始迭代時所獲得的最低目標函數(shù)值。⑥更新迭代次數(shù)t—t+Ι；若t>tmax，則轉到第3步；否則，找出當前最好方案，更新xrt、、其中^=2·、，并按下式修正搜索上下限xrappCT、χ—轉到第1步，其中Xrfl為最好方案中第r組分的最佳質量百分比。權利要求一種啤酒生產(chǎn)配方優(yōu)化方法，其特征在于該方法包括如下步驟步驟1、獲取啤酒配方中主要原料的產(chǎn)槽率、α氨基氮、糖化力、總可溶性氮、β葡聚糖以及單價；步驟2、建立麥芽糖化力、麥汁總氮、麥汁α氨基氮、麥汁β葡聚糖和過濾槽糟層厚度綜合生產(chǎn)性能指標估算模型；式中，Ti、xi分別為組分i的糖化力強度及質量分數(shù)，1≤i≤n；式中，為組分i的總氮質量濃度；A、V分別為一批次需要的原料總質量和要求的麥汁產(chǎn)量，單位分別為千克以及升；γ、分別為蛋白質分解強度和煮沸氮析出率；式中，為組分i的α氨基氮質量濃度，κ為氨基氮系數(shù)；式中，為組分i的β葡聚糖質量濃度，v為葡聚糖系數(shù)；式中，D為過濾槽設備的直徑，為組分i的產(chǎn)槽率；步驟3、利用變尺度蟻群優(yōu)化方法對啤酒配方模型進行優(yōu)化，最終求解最低成本的生產(chǎn)配方，具體步驟如下①進行參數(shù)初始化，將每種組分所占質量百分比進行N等分，每種組分的離散間隔其中，分別為組分質量百分比的上下限；②若max(h1，h2，...，hn)≤ε，算法停止，輸出當前最優(yōu)方案，ε表示結束條件；否則轉第3步；③(r，i)為第r組分上的第i個節(jié)點，其數(shù)值記為Xr，i；(r+1，j)為第r+1組分上的第j個節(jié)點；[(r，i)，(r+1)，j]為節(jié)點(r，i)到節(jié)點(r+1，j)的連線，蟻群中螞蟻的數(shù)量為m，在運動過程中，在時刻t螞蟻k由位置(r，i)轉移到位置(r+1，j)的概率為<mrow><msubsup><mi>p</mi><mrow><mo>[</mo><mrow><mo>(</mo><mi>r</mi><mo>,</mo><mi>i</mi><mo>)</mo></mrow><mo>,</mo><mrow><mo>(</mo><mi>r</mi><mo>+</mo><mn>1</mn><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>]</mo></mrow><mi>k</mi></msubsup><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mrow><msub><mi>&tau;</mi><mrow><mo>[</mo><mrow><mo>(</mo><mi>r</mi><mo>,</mo><mi>i</mi><mo>)</mo></mrow><mo>,</mo><mrow><mo>(</mo><mi>r</mi><mo>+</mo><mn>1</mn><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>]</mo></mrow></msub><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow></mrow><mrow><munderover><mi>&Sigma;</mi><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><msub><mi>M</mi><mrow><mi>r</mi><mo>+</mo><mn>1</mn></mrow></msub></munderover><msub><mi>&tau;</mi><mrow><mo>[</mo><mrow><mo>(</mo><mi>r</mi><mo>,</mo><mi>i</mi><mo>)</mo></mrow><mo>,</mo><mrow><mo>(</mo><mi>r</mi><mo>+</mo><mn>1</mn><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>]</mo></mrow></msub><mrow><mo>(</mo><mi>t</mi><mo>)</mo></mrow></mrow></mfrac></mrow>式中Mr+1是第r+1組分的允許取值范圍，τ[(r，i)，(r+1，j)](t)為時刻t在[(r，i)，(r+1)，j]連線上殘留得信息素濃度強度；螞蟻k(k＝1，2...m)根據(jù)各條路徑上概率進行隨機選擇，螞蟻訪問到節(jié)點后，并且對其所走路徑上的信息素采用局部信息素更新規(guī)則進行更新<mrow><msubsup><mi>&tau;</mi><mrow><mo>[</mo><mrow><mo>(</mo><mi>r</mi><mo>,</mo><mi>i</mi><mo>)</mo></mrow><mo>,</mo><mrow><mo>(</mo><mi>r</mi><mo>+</mo><mn>1</mn><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>]</mo></mrow><mi>new</mi></msubsup><mo>=</mo><mrow><mo>(</mo><mn>1</mn><mo>-</mo><mi>&rho;</mi><mo>)</mo></mrow><msubsup><mi>&tau;</mi><mrow><mo>[</mo><mrow><mo>(</mo><mi>r</mi><mo>,</mo><mi>i</mi><mo>)</mo></mrow><mo>,</mo><mrow><mo>(</mo><mi>r</mi><mo>+</mo><mn>1</mn><mo>,</mo><mi>j</mi><mo>)</mo></mrow><mo>]</mo></mrow><mi>old</mi></msubsup><mo>+</mo><mi>&rho;</mi><mo>&CenterDot;</mo><mi>&Delta;&tau;</mi></mrow>式中，ρ是信息量衰減參數(shù)，(0＜ρ＜1)，令Q為常數(shù)，Jnn表示該螞蟻得到方案的配方成本，每只螞蟻如此遞推并最終生成各自的配方方案；④利用指標模型剔除不滿足生產(chǎn)指標的不可行方案，對可行方案計算配方成本J并將其與最好方案對比，如果配方成本J小于最好方案中的配方成本，則把該方案記為最好方案；其中Mi為原料組分i的單價；⑤當所有螞蟻均構建了配方方案，則按下式對信息素進行全局更新，得到信息素濃度強度τ′[(r，i)，(r+1，j)]式中Jmingb為開始迭代時所獲得的最低目標函數(shù)值；⑥更新迭代次數(shù)t←t+1；若t≥tmax，則轉到第3步；否則，找出當前最好方案，更新xr0、wr，其中wr＝2·hr，并按下式修正搜索上下限xrupper、xrlower，轉到第1步，其中xr0為最好方案中第r組分的最佳質量百分比，<mrow><mfencedopen='{'close=''><mtable><mtr><mtd><msubsup><mi>x</mi><mi>r</mi><mi>upper</mi></msubsup><mo>&LeftArrow;</mo><mn>1</mn><mo>,</mo><msubsup><mi>x</mi><mi>r</mi><mi>lower</mi></msubsup><mo>&LeftArrow;</mo><mn>1</mn><mo>-</mo><msub><mi>w</mi><mi>r</mi></msub></mtd><mtd><mi>if</mi></mtd><mtd><msub><mi>x</mi><mrow><mi>r</mi><mn>0</mn></mrow></msub><mo>+</mo><mfrac><msub><mi>w</mi><mi>r</mi></msub><mn>2</mn></mfrac><mo>></mo><mn>1</mn></mtd></mtr><mtr><mtd><msubsup><mi>x</mi><mi>r</mi><mi>upper</mi></msubsup><mo>&LeftArrow;</mo><msub><mi>x</mi><mrow><mi>r</mi><mn>0</mn></mrow></msub><mo>+</mo><mfrac><msub><mi>w</mi><mi>r</mi></msub><mn>2</mn></mfrac><mo>,</mo><msubsup><mi>x</mi><mi>r</mi><mi>lower</mi></msubsup><mo>&LeftArrow;</mo><msub><mi>x</mi><mrow><mi>r</mi><mn>0</mn></mrow></msub><mo>-</mo><mfrac><msub><mi>w</mi><mi>r</mi></msub><mn>2</mn></mfrac></mtd><mtd><mi>if</mi></mtd><mtd><msub><mi>x</mi><mrow><mi>r</mi><mn>0</mn></mrow></msub><mo>+</mo><mfrac><msub><mi>w</mi><mi>r</mi></msub><mn>2</mn></mfrac><mo>&le;</mo><mn>1</mn><mi>and</mi><msub><mi>x</mi><mrow><mi>r</mi><mn>0</mn></mrow></msub><mo>-</mo><mfrac><msub><mi>w</mi><mi>r</mi></msub><mn>2</mn></mfrac><mo>></mo><mn>0</mn></mtd></mtr><mtr><mtd><msubsup><mi>x</mi><mi>r</mi><mi>upper</mi></msubsup><mo>&LeftArrow;</mo><msub><mi>w</mi><mi>r</mi></msub><mo>,</mo><msubsup><mi>x</mi><mi>r</mi><mi>lower</mi></msubsup><mo>&LeftArrow;</mo><mn>0</mn></mtd><mtd><mi>if</mi></mtd><mtd><msub><mi>x</mi><mrow><mi>r</mi><mn>0</mn></mrow></msub><mo>-</mo><mfrac><msub><mi>w</mi><mi>r</mi></msub><mn>2</mn></mfrac><mo>&le;</mo><mn>0</mn></mtd></mtr></mtable></mfenced><mo>.</mo></mrow>FSA00000134752500011.tif,FSA00000134752500012.tif,FSA00000134752500013.tif,FSA00000134752500014.tif,FSA00000134752500015.tif,FSA00000134752500016.tif,FSA00000134752500017.tif,FSA00000134752500018.tif,FSA00000134752500019.tif,FSA000001347525000110.tif,FSA000001347525000111.tif,FSA000001347525000112.tif,FSA00000134752500023.tif,FSA00000134752500024.tif,FSA00000134752500025.tif全文摘要本發(fā)明涉及一種啤酒生產(chǎn)配方優(yōu)化方法?，F(xiàn)有的生產(chǎn)配方仍然依靠人工經(jīng)驗結合試驗的方法來確定。本發(fā)明方法首先獲取啤酒配方中主要原料；然后通過原料的參數(shù)建立綜合生產(chǎn)性能指標估算模型，考慮的主要綜合性能指標為麥芽糖化力、麥汁總氮、麥汁α氨基氮、麥汁β葡聚糖以及過濾槽糟層厚度；最后利用變尺度蟻群優(yōu)化方法對啤酒配方模型進行優(yōu)化，最終求解最低成本的生產(chǎn)配方。本發(fā)明方法具有開放性、魯棒性、并行性和全局收斂性。文檔編號G06F17/50GK101872374SQ20101018063公開日2010年10月27日申請日期2010年5月21日優(yōu)先權日2010年5月21日發(fā)明者李春富,葛銘,鄭小青,鄭松,魏江申請人:杭州電子科技大學