基于主动学习与机器人技术的低水分食品挤出加工多目标优化研究

本研究针对低水分挤出加工过程中工艺参数复杂、实验迭代耗时的问题，开发了结合自动化表征与TSEMO算法的闭环优化框架。通过在线分析系统实时监测挤出物膨胀比(ER)、堆积密度(ρd)等指标，在15次迭代内实现了对9个工艺参数的高维优化，为食品智能制造提供了高效解决方案。

　　

在食品工业领域，低水分挤出加工技术是生产谷物早餐、膨化零食等高附加值产品的核心工艺。然而这一过程涉及温度、螺杆转速等9个强关联参数的复杂调控，传统"试错法"开发新产品需耗费大量资源。更棘手的是，现有质量检测依赖离线测量，导致参数调整严重滞后。如何突破这一技术瓶颈，实现工艺智能优化，成为食品工程领域亟待解决的难题。

Nestlé Research（雀巢研究中心）的科研团队在《Future Foods》发表创新研究，将机器人技术与贝叶斯优化相结合，构建了全球首个低水分挤出加工闭环优化系统。研究人员设计了两大核心技术模块：模块1通过带称重传感器的自动采样装置实时测定产量和堆积密度；模块2采用多光谱成像系统VideometerLab，基于nCDA算法实现100个挤出物/分钟的形态学分析（包括膨胀比ER和圆整度C_r）。这些数据直接输入TSEMO算法，该算法通过高斯过程建模和NSGA-II多目标优化，动态调整9个工艺参数。

研究结果显示：

1. 工艺参数优化：在温度受限条件下（Zone 4实测温度比设定高15°C），算法仍识别出关键规律——螺杆转速>400rpm、含水率<18%时，膨胀比ER可达3.5，比初始样本提升45%。

2. 产品质量控制：最优参数组合使堆积密度稳定在100g/L（目标值160g/L），圆整度C_r>90%的样品占比从17%提升至87%。

3. 过程效率突破：通过协调进料速率（12.6kg/h）与切割速度（440rpm），在保持ER>3的同时，产能较传统方法提高32%。

这项研究的意义在于：首次证实了主动学习算法在食品加工实时优化中的可行性，其开发的在线分析系统将传统3天的检测流程缩短至3分钟。虽然温度传导效应导致Zone 4控制存在偏差，但研究提出的约束处理方法为复杂工业系统优化提供了新思路。该成果不仅适用于谷物膨化食品，更为蛋白质重组等新型食品开发提供了可扩展的技术框架。未来通过引入热力学模型预测温度分布，有望进一步突破现有工艺极限。