目前,酒业主要依托于传统生产工艺,而要实现白酒优产、高产的目标,就要立足于传统的生产经验,推动白酒生产密码的破译。因此,根据已采集的生产数据,调整生产工艺参数实现白酒优产、高产的需求就显得尤为迫切,但优化生产工艺参数方面的应用仍存在较大的空白。综上,本文提出了一种新的研究思路—将关联规则、机器学习、深度学习模型应用于生产工艺参数优化。在收集并处理生产数据的基础上,模型关于生产工艺参数优化问题的研究依次递进,紧密相关,为实现白酒优产、高产奠定了模型基础。本文的主要工作及创新点如下:1)本文将关联规则应用于生产工艺参数优化。先将人为设定的最低可接受的支持度、置信度输入关联规则,可输出各个强规则的支持度、置信度,然后将各个强规则的支持度、置信度组成二维数据集,由聚类算法对数据集进行聚类,获取平均支持度、置信度最高的类别,最后将该类别的最低支持度、置信度再次输入关联规则,并筛选后件为一级酒标签的强规则,可分析出生产工艺参数组合对白酒质量的影响。2)结合正交实验等方法,本文利用机器学习实现白酒质量分类与产量回归预测,以及生产工艺参数优化。为分析生产工艺参数与白酒产量的关系,本文构建了基于生产特征的质量分类与产量回归预测模型,实验表明白酒质量分类正确率为0.916,产量回归预测平均绝对误差为3.450。而对于生产工艺参数优化,测试样本的构造方式有:以穷举生产特征组合的方式构造全量样本、由正交实验从全量样本中取部分样本代表整体。从效率考虑,本文将正交实验输出的部分样本输入质量分类与产量回归预测模型,筛选产量高的一级酒样本,实验表明该结果与穷举方式的结果基本一致。3)引入残差网络、TextCNN等深度学习算法原理,本文提出了基于全连接特征模型、捷径连接特征模型、卷积特征模型的生产工艺参数优化算法。先按白酒生产流程对生产特征进行特征分离,并将生产特征归属于特定的域,然后由全连接特征模型生成各域的高级业务特征,其次应用卷积特征模型模拟相邻生产工艺的相互影响过程,生成预测模型所需的卷积特征,最后由捷径连接特征模型汇总所有特征于特征合并层,并辅以全连接、dropout等方法,建立了基于生产特征的质量分类与产量回归预测模型。4)为进一步降低深度学习模型的产量回归预测误差,本文应用模型堆叠对深度学习模型进行改进、优化,实现机器学习、深度学习的融合。由于机器学习模型的输出为白酒产量,可考虑该输出为生产流程中摘酒工艺的参数值,并将其作为独立的一个域,由此可生成对应的高级业务特征、卷积特征,实验表明白酒产量回归预测效果有了较大的提升。为确保模型所取得的生产工艺参数优化结果的稳定性,本文考虑使用关联规则、机器学习对优化结果进行区间验证和交集验证。