本发明涉及植物提取，尤其涉及一种植物抗敏组合物的提取装置及其提取方法。
背景技术：
1、在当前的植物提取技术领域，提取植物中的有效成分一直是研究的重点。特别是植物抗敏组合物的提取，由于其对健康和美容等领域的广泛应用，成为了一个具有重要商业价值和研究价值的方向。现有的提取技术主要包括水蒸气蒸馏、溶剂萃取、超临界流体萃取等传统方法。这些方法在一定程度上能够实现植物有效成分的提取，但也存在一些不可忽视的缺陷。
2、首先，传统的水蒸气蒸馏和溶剂萃取方法通常需要较长的提取时间，并且在高温条件下容易导致热敏性成分的降解，降低提取物的质量和活性。尤其是对于抗敏成分，这类化合物往往对温度非常敏感，高温处理容易破坏其化学结构，从而影响其生物活性。此外，溶剂萃取法中常用的有机溶剂不仅存在残留问题，还可能对环境造成污染和对操作人员的健康产生不利影响。因此，如何在低温条件下高效、绿色地提取植物中的抗敏成分成为研究者关注的重点。
3、随着科技的进步，超声波提取技术逐渐被引入植物提取领域。超声波通过其产生的空化效应，可以在较低温度下破坏植物细胞壁，促进溶剂渗透和有效成分的释放。相比传统方法，超声波提取具有提取时间短、效率高、能耗低等优点。然而，在实际应用中，超声波提取仍然面临一些挑战。例如，超声波的功率和频率对提取效果有着显著影响，如何实时调节这些参数以达到最佳提取效果是一个技术难题。此外，不同植物原料的特性不同，对超声波的响应也有所差异，这使得固定的操作参数难以满足多样化的提取需求。
4、为了解决上述问题，近年来，微波辅助提取技术也逐渐应用于植物提取。微波加热可以快速升温，促进植物细胞内部水分的汽化，使细胞壁破裂，从而加速有效成分的提取。微波辅助提取的优势在于加热均匀、效率高、易于控制。然而，微波加热也存在易导致局部过热的问题，尤其是在高功率微波下，这种现象更为明显，可能会导致热敏性成分的分解。此外，微波加热过程中温度的精确控制也十分重要，如何在保持高效提取的同时避免成分的损失是一个技术难点。
5、在现代智能化技术的推动下，机器学习和人工智能算法开始应用于植物提取领域。通过分析大量历史数据和实时监控数据，机器学习算法可以实现提取过程的智能化控制和优化。例如，神经网络可以用于建模复杂的非线性关系，优化提取参数；强化学习算法可以通过不断试错学习最佳控制策略。这些技术在提高提取效率、稳定提取质量方面展现了巨大潜力。然而，目前的智能控制系统多局限于单一参数的优化，对多目标、多变量的优化能力有限。此外，现有的智能控制系统多为静态优化，难以应对提取过程中植物原料特性变化所带来的动态需求。
6、因此，如何提供一种植物抗敏组合物的提取装置及其提取方法是本领域技术人员亟需解决的问题。
技术实现思路
1、本发明的一个目的在于提出一种植物抗敏组合物的提取装置及其提取方法，本发明结合了超声波和微波辅助提取技术，并引入了基因协同策略优化算法，详细描述了从植物原料中高效提取抗敏成分的方法。通过智能化控制系统的实时监测和动态调整，实现了提取过程的高效性和稳定性。同时，本发明通过减少溶剂使用和优化生产工艺，降低了生产成本，并显著提高了提取效率和产品质量，体现了绿色环保的优势。
2、根据本发明实施例的一种植物抗敏组合物的提取方法，包括如下步骤：
3、s1、对植物原料进行预处理，清洗、干燥并粉碎成植物粉末；
4、s2、将植物粉末和溶剂加入超声波提取装置中，通过超声波产生的空化效应破坏植物细胞壁，并利用异步优势演员-评论家模型的动态功率调节算法实时优化超声波功率和频率，得到混合物；
5、s3、将混合物转移至微波辅助提取装置中，通过微波加热快速升温至设定温度，利用基于分布式深度确定性策略梯度算法动态调整加热参数和时间，得到提取液；
6、s4、提取液经过冷却和在线光谱分析，利用基于自适应小波变换和递归神经网络的融合模型对实时光谱数据进行分析，监测提取液中有效成分的浓度变化；
7、s5、基于图神经网络和变分自动编码器的混合模型，分析历史提取数据和实时参数，预测提取效果；
8、s6、通过自适应控制系统，利用基因协同策略优化算法根据实时监控数据自动调整提取过程中的各项参数；
9、s7、将提取过程中的关键参数和数据通过可视化界面实时展示，提供用户友好的监控和操作界面。
10、进一步的，所述s2具体包括：
11、s21、将经过预处理的植物粉末按比例加入至超声波提取装置的反应器中，所述植物粉末的粒径范围为20-100微米，以保证粉末的均匀性和溶剂的充分接触；
12、s22、选用溶剂进行提取，所述溶剂的选择依据植物粉末的特性；
13、s23、在超声波提取装置中采用频率范围为20-100khz的超声波，功率密度为0.5-2w/cm2，通过异步优势演员-评论家模型的动态功率调节算法实时优化超声波的功率和频率；
14、s24、通过异步优势演员-评论家模型优化超声波功率和频率参数，更新策略网络：
15、
16、其中，θ表示策略网络的参数向量，α表示策略网络的学习率，at表示策略网络在时间步t时刻的动作，st表示策略网络在时间步t时刻的状态，t表示总时间步，a(st,at)表示优势函数，状态st在执行动作at相对于平均行为的优势：
17、a(st,at)＝q(st,at)-vφ(st)；
18、其中，q(st,at)表示状态-动作价值函数，vφ(st)表示价值网络估计的状态st的价值；
19、更新价值网络：
20、
21、其中，φ表示价值网络的参数向量，β表示价值网络的学习率，表示价值网络的参数向量φ的梯度，γ表示折扣因子，rt+k+1表示时间步t+k+1获得的即时奖励，vφ(st)表示价值网络估计的状态st的价值；
22、通过这些公式，动态调整超声波的功率p(t)和频率f(t)，使超声波产生的空化效应达到最大，促使植物细胞壁破裂，增加细胞内容物的释放和溶剂的渗透。
23、超声波功率和频率的调节公式为：
24、
25、其中，p(t)表示时间t时的超声波功率，p0表示基准功率，δp表示基于策略网络输出的功率调整值，表示价值函数v(st)对状态st的梯度，表示状态变化对价值的影响；f(t)表示时间t时的超声波频率，f0表示基准频率，δf表示基于策略网络输出的频率调整值，表示优势函数a(st,at)对状态st的梯度；
26、s25、在提取过程中，控制反应温度在10-50℃范围内，通过冷却系统和温度控制装置实现精确调节，以保护热敏性成分的活性；
27、s26、提取时间根据提取效率和提取液中有效成分的浓度变化动态调整；
28、s27、提取结束后，得到混合物并静置冷却。
29、更进一步，所述s3具体包括：
30、s31、将静置好的混合物转移至微波辅助提取装置的反应器中；
31、s32、在微波辅助提取装置中，选择微波频率范围为2.45ghz至5.8ghz，确保微波能量均匀分布于混合物中；
32、s33、设定初始加热温度tstart和目标温度tgoal，初始加热温度范围为20-30℃，目标温度范围为60-100℃；
33、s34、利用基于分布式深度确定性策略梯度算法的自适应控制系统动态调整加热参数和时间，进行温度和加热时间的动态优化：：
34、
35、其中，t(t)表示时间t时的实际温度，tcurrent表示实时测量的温度，α2表示温度控制的比例系数，β2表示基于价值函数梯度的调整系数，f(vj)表示状态vj的价值函数；
36、s35、根据实时温度反馈和提取效率，通过自适应控制系统动态调整微波功
37、
38、其中，pmicro(t)表示时间t时的微波功率，pbase表示基准微波功率，γ2表示功率调节系数，表示优势函数g(wt,ut)对状态wt的梯度，wt表示在时间步t时刻的状态，ut表示在时间步t时刻的动作；
39、s36、在提取过程中，保持微波加热的均匀性和稳定性，通过反应器内的搅拌系统不断搅拌混合物，确保所有物质均匀受热；
40、s37、提取时间textract根据提取液中有效成分的浓度变化动态调整，初始设定时间范围为5-30分钟，实际提取时间通过以下公式优化：
41、
42、其中，textract表示优化后的提取时间，tinit表示基准提取时间，δt表示时间调节系数，ctarget表示目标浓度，cmeasured表示实时测量的浓度；
43、s38、在提取结束后，得到提取液并静置。
44、更进一步，所述s4具体包括：
45、s41、将静置好的提取液迅速冷却至室温，利用闭环冷却系统精确控制冷却速率，以防止热敏性成分的降解，并保持提取液的化学稳定性；
46、s42、通过在线光谱分析系统对冷却后的提取液进行实时监测，采用自适应小波变换方法对光谱数据进行多尺度分解和重构：
47、
48、其中，wψ(s,τ)表示自适应小波系数，x(t)表示输入的光谱信号，ψ表示母小波函数，s表示尺度参数，τ表示时间平移参数，*表示示复共轭运算；
49、s43、对提取液光谱数据进行预处理，包括基线校正、去噪和归一化，以去除外部干扰和仪器噪声，确保数据的高精度和一致性；
50、s44、使用基于自适应小波变换的特征提取方法，对多尺度下的光谱特征进行提取，计算每个尺度下的能量谱分布：
51、
52、其中，es表示尺度s下的能量谱；
53、s45、对各尺度能量谱进行归一化处理，计算不同尺度下特征的贡献率，采用多尺度分析结果来确定主要成分的变化趋势，公式如下：
54、
55、其中，cs表示尺度s下的特征贡献率；
56、s46、提取液的光谱数据和能量谱分布结果实时存储至数据库，形成历史数据记录。
57、更进一步，所述图神经网络和变分自动编码器的混合模型对预处理后的光谱数据进行特征提取和分析，模型输入为经自适应小波变换处理后的特征向量，输出为提取液中多种有效成分的浓度预测值；
58、模型优化过程中，定义损失函数为：
59、
60、其中，l表示总损失函数，n表示样本数，yi表示第i个样本的真实浓度值，表示第i个样本的模型预测的浓度值，λ3表示正则化系数，w(j)表示第j层权重矩阵，∥w(j)∥2,1表示w(j)的l2,1范数，m表示网络层数，η3表示多模态正则化系数，kl(qk|pk)表示第k个模态的kullback-leibler散度，γ3表示变分正则化项系数，z表示隐变量；
61、模型损失函数中的γ3r(z)通过变分正则化实现对隐变量分布的控制，使模型能够有效处理光谱数据中的非线性特征，提高成分浓度预测的准确性；
62、定义正则化项r(z)为：
63、
64、其中，kl(q(z|x)||p(z))表示真实分布p(z)与近似分布q(z|x)的kullback-leibler散度，α2表示正则化参数，l表示隐变量层数，μl表示第l层的均值，σl表示第l层的方差，用于正则化隐变量的均值和方差，确保模型的稳定性。
65、更进一步，所述s6具体包括：
66、s61、提取过程中的参数，包括超声波功率、频率、反应温度和提取时间，通过多传感器网络实时监测并传输至中央控制系统；
67、s62、中央控制系统采用基因协同策略优化算法，通过遗传算法的改进，利用多个个体的协同作用，共同优化多个目标参数；
68、s63、将提取过程中的参数编码为基因序列g＝{p,f,t,text}，其中p表示超声波功率，f表示频率，t表示反应温度，text表示提取时间；
69、s64、定义综合适应度函数f(g)，结合多个目标优化指标，评估个体的优劣：
70、
71、其中，ηg表示提取效率，cg表示提取液中的有效成分浓度，δtg表示提取过程中温度的波动幅度，eg表示提取过程中的能量消耗，ηmax表示提取效率最大值，cg表示提取液中的有效成分浓度的最大值，δtg表示提取过程中温度的波动幅度的最大值，eg表示提取过程中的能量消耗的最大值，w1、w2、w3和w4分别表示提取效率、有效成分浓度、温度稳定性和能耗的权重系数；
72、s65、使用轮盘赌选择法选择优良个体，并通过单点或多点交叉和适度变异生成新个体，交叉和变异分别用于探索新的参数组合和防止陷入局部最优解；
73、s66、在得到最优个体后，将基因序列解码为实际操作参数，实时调整提取过程中的超声波功率、频率、反应温度和提取时间参数，确保提取过程的高效性和稳定性；
74、s67、基于基因协同策略优化算法输出最优参数设置，并对提取过程中实时监控的有效成分浓度和关键指标进行校准，动态调整参数以应对外部环境变化，确保产品质量的一致性。
75、根据本发明实施例的一种植物抗敏组合物的提取装置，包括：
76、原料处理单元，用于对植物原料进行清洗、干燥和粉碎处理；
77、超声波提取单元，包括一个反应器和超声波发生器，所述反应器用于容纳植物粉末和溶剂，所述超声波发生器用于在20-100khz的频率范围内产生超声波，通过空化效应破坏植物细胞壁，并配备有基于异步优势演员-评论家模型的动态功率调节系统，实时优化超声波的功率和频率；
78、微波辅助提取单元，包括微波发生器和反应器，所述微波发生器用于在2.45ghz至5.8ghz的频率范围内产生微波，所述反应器用于容纳混合物，并设有基于分布式深度确定性策略梯度算法的自适应控制系统，动态调节加热参数和时间；
79、冷却模块，用于对提取液进行迅速冷却至设定温度；
80、在线光谱分析模块，包括光谱分析仪和数据处理单元，用于实时监测提取液中的有效成分浓度，并采用基于自适应小波变换和递归神经网络的融合模型对光谱数据进行分析；
81、中央控制模块，配置有基因协同策略优化算法，用于接收和处理从多传感器网络传输的实时数据，并根据实时监控结果和历史数据，优化提取过程中的参数，包括超声波功率、频率、反应温度和提取时间；
82、可视化界面，用于显示提取过程中的关键参数和数据，提供用户友好的监控和操作选项。
83、本发明的有益效果是：
84、首先，利用超声波和微波辅助提取技术的结合，显著提高了提取效率和有效成分的产出率。超声波的空化效应能够在低温条件下破坏植物细胞壁，有效释放细胞内的活性成分；而微波辅助提取则通过快速加热的方式，进一步加速了有效成分的溶解和提取。这种双重物理辅助提取技术不仅减少了热敏性成分的降解，保持了提取物的高活性，还缩短了提取时间，降低了能耗。
85、其次，通过引入先进的人工智能算法，特别是基因协同策略优化算法(gcso)，我们实现了提取过程的智能化控制。gcso算法能够实时分析多维度的生产数据，并动态调整提取过程中的关键参数，如超声波功率、频率、反应温度和提取时间。这种智能化的控制方式不仅提高了提取过程的稳定性和可重复性，还能够根据不同批次植物原料的特性进行自适应调整，确保每个批次产品的质量一致性。此外，系统通过在线光谱分析实时监测提取液中的有效成分含量，结合自适应小波变换和递归神经网络等技术，精确分析和预测成分的变化。这种实时监控和反馈调节机制，使得整个生产过程更加透明和可控。
86、另外，本发明通过优化提取工艺和参数，显著降低了溶剂用量和生产成本。通过智能算法的优化，系统能够在保证提取效率的同时，最小化溶剂的使用量，并通过高效的溶剂回收系统实现溶剂的再利用。
1.一种植物抗敏组合物的提取方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种植物抗敏组合物的提取方法，其特征在于，所述s2具体包括：
3.根据权利要求1所述的一种植物抗敏组合物的提取方法，其特征在于，所述s3具体包括：
4.根据权利要求1所述的一种植物抗敏组合物的提取方法，其特征在于，所述s4具体包括：
5.根据权利要求1所述的一种植物抗敏组合物的提取方法，其特征在于，所述图神经网络和变分自动编码器的混合模型对预处理后的光谱数据进行特征提取和分析，模型输入为经自适应小波变换处理后的特征向量，输出为提取液中多种有效成分的浓度预测值；
6.根据权利要求1所述的一种植物抗敏组合物的提取方法，其特征在于，所述s6具体包括：
7.一种植物抗敏组合物的提取装置，其特征在于，包括：
