多阶段的玉米到糖过程监测和收益预测使用机器学习和统计方法
1Department of Engineering Technology & Industrial Distribution and Department of Electrical & Computer Engineering, Texas A&M University, College Station, TX 77843, USA.
Sensors (Basel, Switzerland)
|October 16, 2024
概括
机器学习模型准确地预测了半自动化食品生产的玉米糖质量 (pH和乳糖等效). 人工神经网络为过程控制提供了最高的准确性和耐噪性.
科学领域:
- 食品科学与技术 食品科学与技术
- 化学工程是化学工程的重要组成部分.
- 数据科学数据科学数据科学
背景情况:
- 玉米糖是食品工业的重要甜味剂,但在半自动批量生产中,保持一致的质量 (德克斯特等效 - DE) 是一个挑战.
- 现有的工艺控制方法往往侧重于连续系统,为中小型工厂留下了一个空白.
- 开发强大的数据驱动模型对于提高效率和产品一致性至关重要.
研究的目的:
- 开发和评估机器学习模型,以预测半自动设置中的玉米糖关键质量参数 (料pH和DE).
- 使用相关性分析确定影响料pH和DE的关键过程参数.
- 为了比较人工神经网络 (ANN),支持向量机 (SVM) 和线性回归 (LR) 模型的性能.
主要方法:
- 相关系数的计算是为了确定影响料pH和DE的关键过程参数.
- 通过使用历史过程数据构建ANN,SVM和LR模型来预测料pH和DE.
- 模型性能根据预测准确性,噪声耐受性和有限数据的稳定性进行了评估.
主要成果:
- 模型准确度在91%至96%之间,ANN模型的性能比SVM和LR高出1-3%.
- 与SVM相比,ANN模型表现出优越的噪声耐受性,而SVM性能则在高维数据下降.
- 线性回归模型表现出比ANN和SVM更高的精度变化.
结论:
- 机器学习,特别是ANN,为半自动化玉米糖生产提供了有效的过程控制,提高了质量的一致性.
- 开发的模型是准确和强大的,即使有有限的数据集,为中小型工厂提供实用解决方案.
- 多阶段建模方法显示出提高准确性的潜力,尽管与单阶段方法相比存在一些权衡.
