基于数字孪生与多目标优化的薯片生产管理决策支持系统研究

这篇研究论文创新性地将数字孪生(DT)技术与多目标优化(NSGA-II算法)相结合，开发了可辅助薯片油炸操作员的生产决策支持系统。通过随机森林(Random Forest)机器学习建模关键理化指标（脂肪含量、水分含量和亮度L*值），并运用TOPSIS多准则决策方法优化生产工艺参数，有效解决了马铃薯原料批次差异带来的质量控制难题，为食品工业智能化转型提供了重要技术参考。

　　

Highlight

制造工艺概述

研究的薯片生产工艺流程如图1所示。马铃薯以批次形式储存在料斗中，每批原料都会测量干物质含量和薯块大小分级（特小、小、中、大）。随后通过光学分选机检测外观缺陷：擦伤、畸形、烧焦/腐烂/斑点/绿变比例以及发芽情况...

数据集决策变量概览

9个决策变量是影响薯片质量的关键工艺参数，由操作员直接调控。图4展示了数据库中这些变量的频率分布，反映了操作员在实际生产中对去皮时间、切片厚度、供水量和传送带1时间等参数的不同调整频次...

讨论

该方法在两个不同品质马铃薯批次上的应用验证，真实反映了食品工业面临原料品质波动的普遍挑战（受表型、季节等因素影响）。食品工业通常采取两种应对策略：一是像乳品行业那样标准化原料品质；二是...

结论

本研究证实，集成多目标优化方法的数字孪生系统能有效辅助油炸操作员管理薯片生产线。通过实时数据交互，该工具整合全流程生产数据建立模型，优化工艺参数，并为操作员提供精准的质量控制指导。针对不同品质的原料批次...