利用机器学习，基于超声波技术预测原位清洗（CIP）系统的清洗效果

《Journal of Water Process Engineering》：Ultrasound-based prediction of cleaning performance in clean-in-place (CIP) systems using machine learning

　　• 超声波和人工智能实现了CIP清洗效率的实时监测
• CatBoost模型的R2值为0.882，具有稳定的泛化性能
• 超声波特征在预测准确性上优于基于图像的数据
• SHAP分析确定了波形均值和频谱质心为关键预测因素
• 该系统减少了资源使用，并在每个清洗周期节省了超过100美元

**引言**
在热食品加工过程中，由于物理和化学因素（包括热变性），牛奶中的有机和无机成分可能在接触食品的表面形成沉积物。这些沉积物主要由蛋白质、脂肪和矿物质等主要成分组成。脂肪含量相对较低，而矿物质和蛋白质的组成可能因沉积物的类型、形成位置以及所采用的预处理方法而异[1]。这种现象被称为“污染”，是食品加工行业中的一个重要问题。由于污染，流体可能在加工过程中未能达到所需的温度，从而导致巴氏杀菌或灭菌不充分，进而降低产品质量。此外，被流体冲走的污染残留物可能会进入下一加工阶段，造成产品污染[2]。因此，有效去除食品加工设备中的污染是非常重要的。
大多数食品加工设备的清洁是通过一种称为“原位清洗”（CIP）的自动化过程来完成的，该过程不需要拆卸设备或人工干预[3]。CIP通常包括几个连续步骤[4]：首先，预冲洗阶段使用冷水冲洗系统以去除大部分污染；接着是碱性溶液清洗，使用温热的碱性溶液去除有机污染物；然后是中间冲洗，使用温水冲走剩余的碱性溶液；随后是酸性溶液清洗，使用温热的酸性溶液去除无机污染物；最后用冷水冲洗以去除任何残留的酸性溶液，完成整个清洗周期。
一般来说，CIP系统的设计基于最坏情况，这往往导致清洗过程中使用过量的水和清洁剂（化学物质）[5]。换句话说，即使内部污染很少，也会不必要地使用过多的清洁剂，从而增加水消耗和清洁剂的用量。这种过度使用从环境和经济角度来看都有各种负面影响[3]。在乳制品加工中，清洁过程占总能耗的约30%[6]。此外，在乳制品加工中，与清洁过程相关的成本占生产总成本的80%[7]。为了减少水和清洁剂的消耗，通常采用间接方法对清洁过程进行监测。定量评估通常基于压力降、pH值和电导率等测量指标。尽管这些方法可以实现实时监测，但它们在准确评估残留污染的数量和分布方面存在局限性[8],[9]。因此，开发CIP系统的实时监测技术是必要的，以实现更高效的清洁过程。通过准确测量设备内部的污染情况，并根据污染程度自动调整清洁参数，可以最大化清洁效率，同时减少环境和经济负担。
一种有前景的方法是实施利用超声波技术的实时监测系统。超声波是声学的一个分支，它使用频率超过20 kHz的机械压力波[10]。超声波具有多种优势，包括非破坏性、无创性、能够实时在线操作，以及与其他技术相比更具成本效益[11]。超声波无损检测（NDT）的多样性和精确性也在其他需要定量评估物理状态变化的工业应用中得到了验证。例如，Li等人[12]提出了一种通过结合第一次尾波（T1波）和剪切波（S波）使用电磁声学换能器来测量螺栓轴向应力的方法。他们的方法基于这样一个原理：机械应力的变化会改变超声波的传播特性，结合波方法能够以小于1.8%的相对误差实现准确的轴向应力测量。这项研究提供了一个高精度的工业范例，表明超声波响应可以用来量化材料或界面的物理状态变化，而不会损坏目标结构。同样，在CIP监测中，污染沉积物的厚度、密度和分布的变化会改变超声波的反射、衰减、散射和相位特性。因此，超声波传感器为食品加工设备中污染的无创和定量评估提供了合适的基础。
超声波技术通常采用脉冲回波法，其中一个换能器同时充当发射器和接收器；而传输法则需要两个换能器，一个作为发射器，另一个作为接收器。在传输法中，超声波发射器产生一个声波信号，该信号穿过样品后被另一个接收器检测到。而在脉冲回波法中，换能器将电信号转换为声波信号，该信号穿过样品后部分在界面处反射并被同一换能器检测到[13]。在传输法中，发射器和接收器必须位于设备的相对两侧，这存在空间限制。相比之下，脉冲回波模式使用一个换能器同时充当发射器和接收器，安装更加灵活。在传输模式下，超声波必须穿过流动的产品或清洁流体中的管道或容器，因此信号可能会受到流速分布、悬浮颗粒、夹带的气泡以及声速随温度变化的影响[14],[15]。相比之下，脉冲回波模式使用安装在设备一侧的单一换能器检测来自材料界面的反射波，这种配置更适合于现有CIP设备中局部和无创的污染监测。基于这些原因，本研究选择了脉冲回波模式，因为它受流动介质的影响相对较小[3]。
Escrig等人[3]使用脉冲回波模式利用三种不同的污染材料（番茄酱、肉汁和麦芽提取物）观察了CIP过程，证实每种污染材料都具有不同的清洁机制，并证明了超声波可以有效地用于监测清洁过程。Chen等人[16]使用超声波的传输模式和直接波之后的尾波观察了6毫米厚蜡层的清洁过程。这些研究表明，超声波传感器可以用于收集信号数据，实现清洁过程的实时监测。超声波对传播介质中的材料性质和界面条件的变化非常敏感。在CIP清洁过程中，污染的厚度、密度和分布的变化会通过声阻抗、衰减、散射和信号重叠的变化来改变反射的超声波波形。先进传感技术也应用于其他领域，以评估材料性质和界面响应。例如，Fang等人[17]结合潮汐载荷和分布式光纤传感技术连续监测土壤的硬度，证明基于传感器的测量可以检测到基材内部材料行为的微妙变化。同样，本研究也使用超声波传感技术监测CIP清洁过程中不锈钢表面的污染层变化。
由于多种声学现象同时发生，所产生的波形包含复杂且高维的时间域信息，无法仅用一个信号参数充分表示。因此，需要多变量数据处理来提取相关的波形特征并定量预测清洁性能。类似的多变量方法已应用于食品质量研究，以从高维光谱数据中分类和量化化学属性[18]，预测在不同粒度和水分含量下的质量特性[19]，并模拟时间依赖的质量变化和保质期终点[20]。这些研究表明，多变量预测方法可以从复杂的测量数据中提取有意义的信息，表征渐进变化，并估计定量结果。这为将这些方法应用于复杂的超声波波形和预测CIP清洁过程中的污染去除提供了方法论基础。
在这些数据驱动的方法中，机器学习为从高维声学数据中提取模式并将其与清洁性能相关联提供了有前景的方法。机器学习包括使机器能够在无需显式编程的情况下从数据中学习，并执行通常需要人类智能的任务[21]。机器学习和人工智能可以比人类更快更高效地执行复杂和具有挑战性的任务，同时还可以同时处理多个功能。这些能力有助于减少操作过程中的错误并提高成功率[22]。多项先前的研究显示了人工智能技术在清洁过程监测中的应用潜力[3],[23]。
尽管之前的研究已经关注了污染检测和清洁状态分类[3],[23],[24],[25],[26],[27],[28]，但专注于定量预测清洁进展的研究仍然有限。以往的研究主要将机器学习算法（包括人工神经网络和支持向量机（SVM）应用于超声波特征或波形，以将表面分类为清洁或污染，并确定清洁终点。然而，由于这些基于分类的方法提供的是分类输出，它们无法直接表示污染沉积物的逐渐去除或预测重量测量的残留污染质量作为连续变量。因此，需要一个基于回归的框架来定量预测残留污染质量和清洁性能。
本研究的不同之处在于它将超声波波形特征与清洁过程中的残留污染质量建立了定量联系。以往的研究主要集中在检测污染、区分清洁和污染表面或确定清洁终点。相比之下，本研究开发了一个机器学习框架，将残留污染作为清洁进展的连续指标进行预测。此外，本研究还使用SHAP分析全面解释了所开发模型的关键超声波特征的贡献。因此，本研究的总体目标是开发基于US传感器和机器学习的方法，定量预测牛奶污染的清洁程度。首先，开发了一个监测系统，使用超声波传感器实现CIP过程的实时观察。然后，建立了基于人工智能的数据分析技术，以解释非结构化的超声波波形，并分析超声波信号模式与清洁时间内污染重量减少之间的相关性。最后，开发了一个AI模型，根据超声波波形预测试样表面的残留污染质量，从而评估清洁性能。

**仪器设备**
使用的超声波换能器为CF-0502-GP接触型，频率为5 MHz（Technisonic Research Inc., USA）。换能器连接到一个UT340脉冲发生器/接收器（UTEX Scientific Instruments Inc., Canada），然后与TDS 2012B示波器（Tektronix, USA）接口，以便可视化超声波波形。示波器进一步连接到个人计算机，以便数据传输和分析。整体实验装置如图S1所示。

**污染准备**
**CIP清洁**
图1(a)显示了平均残留污染质量随清洁时间的变化。在最初的9分钟清洁时间内，平均残留污染质量迅速减少。12分钟后，污染质量的变化率逐渐减缓。这一趋势表明，残留污染的质量可以作为评估清洁效率的可靠定量指标。图1(b)至(d)展示了在不同清洁阶段测量的超声波波形的变化。

**结论**
本研究开发了一个基于超声波传感器的系统，利用人工智能模型实现CIP过程的实时监测和清洁效率的定量预测。为了解决超声波信号的复杂性，应用了MSC预处理方法，每个波形用22个超声导出特征表示。在评估的模型中，基于树的提升模型表现出最强的预测性能。尽管GB和XGB在CRediT中显示出一些过拟合倾向……金吴柱：负责写作（包括审稿与编辑）、项目监督、研究方法设计以及资金申请与相关事务的协调工作。关于利益冲突的声明：本研究不存在任何利益冲突。致谢：本研究得到了韩国食品药品安全部（项目编号：RS-2024-00332555）的财政支持，并获得了韩国国家研究基金会（NRF）的资助（该基金会由韩国政府科技信息通信部（MSIT）提供资金支持，项目编号分别为RS-2026-25484846和RS-2024-00406525）。参与人员： Ji Eunseo | Lee Harang | Heldman Dennis R. | Kim Woo-Ju