高速饮料灌装缺陷预测的混合机器学习模型

《Journal of Food Engineering》：Hybrid machine learning models for defect prediction in high-speed beverage filling Operation

　　

混合机器学习框架基于55,590条数据预测高速饮料灌装线中的缺陷。二氧化碳流量、储罐压力和温度被识别为缺陷预测的关键驱动因素。蒸馏后的L2对数回归代理模型与教师模型F1分数相匹配（0.761对0.757）。混合机器学习模型的高精确率（0.977）限制了误拒。物理单位方程支持工厂运营中的可信部署。

**引言**

在工业4.0范式下，食品制造业的数字化转型加速推进，人工智能（AI）、机器学习（ML）和工业物联网（IIoT）技术日益融入食品加工和检测系统。这些数据驱动方法通过视觉检测、传感器集成和预测分析实现实时非破坏性质量评估，从而支持增强缺陷检测、工艺一致性和资源效率（Ahmed等，2022；Liakos等，2025；Moosavi等，2024）。现代食品生产线在动态热-流和机械条件下产生密集的多元工艺数据流，为数据驱动的质量监控和实时决策支持提供了前所未有的机会。在高通量饮料灌装操作中，作为液体食品加工中的关键单元操作，压力、流量或温度的微小偏差都可能迅速通过系统传播，导致灌装缺陷、产品损失和质量合规性受损。因此，能够捕捉非线性工艺质量关系的预测建模方法日益受到食品工程师的青睐，他们寻求在最小化浪费的同时稳定产品完整性。机器学习近期的进展表明，在建模复杂制造工艺方面具有强大的预测能力，特别是在工业环境中的质量分类、工艺监控和决策支持方面（Goldman等，2023；Moosavi等，2024）。然而，许多最先进的机器学习模型，特别是集成方法和深度学习架构，作为黑箱系统运行，对驱动食品质量结果的潜在工艺机制透明度有限。Pullanikkattil等（2025）评估了非集成模型（支持向量回归、决策树回归、k近邻回归）和集成模型（随机森林、梯度提升回归、XGBoost回归），以提高复杂数据集中对二元蒸馏过程中乙烷-乙烯组成预测的准确性，以在非线性工业过程中超越单模型方法，预测显示集成模型实现了比非集成基线更高的预测性能。Almazrouei等（2024）采用XGBoost、LightGBM和随机森林的集成进行预测性维护，展示了一种改进的、稳健的和可靠的方法。Igbokwe等（2025）比较了非集成分类器与随机森林和梯度提升等集成模型用于中小企业（SME）中的缺陷预测，并证明集成方法提供了预测准确性之间的最佳权衡。在受监管的食品制造环境中，可追溯性、可审计性和工程合理性是必要的，这种不透明性对机器学习研究在工业流程中的应用构成了重大障碍。如果机器学习要在饮料加工中部署，使得模型输出可以用具有物理意义的工艺变量直接解释，例如°Brix、pH、溶解氧、浊度/NTU、温度曲线、流量、CO2体积和填充水平，操作员和工艺工程师可以识别哪些可控参数驱动关键质量结果并实时调整设定点。这可以促进工艺改进、产品收率和浪费损失。

大多数可解释机器学习研究集中在通用制造或离散生产环境中，对连续和/或高速食品过程如饮料灌装的关注相对有限。在这些系统中，质量偏差源于紧密耦合的热-流和机械相互作用，意味着有用的解释必须以操作员可以直接调整的工程参数来描述风险，而不是抽象的特征重要性指标。仅专注于预测准确性而未纳入可解释性或透明机制的机器学习模型，在制造环境中往往提供有限的实际价值（Soldatos和Kyriazis，2021）。例如，Igbokwe等（2025）展示了集成模型在中小企业制造中二元缺陷预测方面的有效性。结果显示集成模型（随机森林：RF和梯度提升：GB）实现了准确性、召回率和精确率之间的最佳平衡。这使它们非常适合需要可靠但资源高效的缺陷检测的中小企业，但依赖复杂的预测模型提供准确结果，却没有明确解释工艺参数如何对检测发生做出贡献，从而限制了其在工艺控制和纠正行动中的有用性。Marín Díaz（2025）采用XGBoost，一种基于树的集成提升算法，使用与工业制造过程相关的数据进行二元缺陷分类。它包括操作和质量相关变量；模型展示了优越的预测性能，实现了比逻辑回归和决策树等单学习模型更高的准确性、F1分数和受试者工作特征-曲线下面积（ROC-AUC）。为了增强模型透明度，应用了包括SHapley加性解释（SHAP）和局部可解释模型无关解释（LIME）在内的解释技术，以识别与缺陷发生最相关的变量。尽管这些结果确认了集成学习在缺陷预测中的有效性，但可解释性是通过外部解释方法在预测阶段之后获得的，而不是内嵌于模型结构中。因此，该方法没有提供明确的或直接可部署的决策规则。Alshkeili等（2025）提出了一种用于预测性维护的可解释联邦学习框架。为了增强透明度和操作员信任，作者集成了可解释AI技术，特别是SHAP和LIME，来解释故障预测并识别最具影响力的操作变量。实验结果显示了高预测性能，准确率高达98.15%，缺失率低至1.85%，从而确认了所提方法的稳健性和可靠性。这项工作与本研究相关，因为它强调了在工业AI应用中将预测准确性与透明度相结合的重要性。然而，所提框架中的可解释性是通过应用于复杂模型结构的解释工具在预测之后实现的，而不是内嵌于模型本身中。因此，该方法没有产生以原始工程单位表示的紧凑方程形式表示或明确的、可部署的决策规则，限制了将预测洞察直接转化为实时工程级工艺控制行动。为了解决这一局限性，本研究提出了一种用于饮料灌装操作中缺陷预测的知识蒸馏机器学习框架，在保持预测性能的同时增强工艺理解。在所提框架中，首先采用高容量教师模型来利用混合集成学习的预测能力，使工艺变量和质量结果之间的复杂相互作用能够有效捕捉。教师模型不直接部署，而是作为预测知识的来源，系统地转移到可解释的代理模型中。随后，这种知识蒸馏被转化为透明的L2正则化逻辑回归代理模型，使通过原始工程指标直接解释成为可能。通过将可解释性直接嵌入模型架构，所提方法提供了与具有物理意义的工艺参数明确关联的缺陷发生的实时概率估计，从而在高预测准确性和实用工程可解释性之间取得平衡。因此，本研究的目标是开发一种混合机器学习框架，用于通过二元分类将产品结果评估为合格或不合格，以评估工业饮料灌装操作中与浪费相关的风险，这些缺陷源于不同的失效机制，包括体积欠填充、盖子不符合规格和传送带导致的定位错误。

**章节摘要**

**饮料灌装系统和工艺描述**

本研究在泰国一家商业饮料制造设施的高速工业级饮料灌装线上进行。该设施的名称予以隐去以保护机密性。灌装线持续运行，名义吞吐量约为每分钟800至1200罐，但实际生产率因运行条件而异。灌装子系统代表液体食品制造中的关键单元操作。

**数据集和评估设置概述**

所提出的知识蒸馏框架使用在常规工业条件下运行的饮料灌装线收集的高分辨率运行数据进行了评估。数据集总共包含约55,590条记录，在连续七个月的生产期内以每分钟一条记录的速度收集，其中每条记录被标记为合格（通过）或不合格（失败）。尽管制造过程容易受到三类缺陷的影响，包括……

**讨论**

图9说明了所提出的混合机器学习框架在高速饮料灌装操作中缺陷预测的工业应用。该架构将离线模型开发和实时运行推理集成在统一的决策支持系统中。在离线阶段，框架采用严格的流程，包括系统特征选择（MIC/MI、相关性和VIF）、用于类别不平衡处理的SMOTE、混合集成学习等。

**结论**

本研究成功地开发和验证了一种知识蒸馏机器学习框架，用于评估高速饮料灌装操作中与浪费相关的风险，有效整合了预测准确性和操作透明度的冲突需求。该框架实现了显著的维度缩减，将初始特征空间蒸馏为一组简约的12个独立预测因子，通过消除冗余的压力和流量动力学。

**CRediT作者贡献声明**

Pakchiraporn Pukam：写作——审稿与编辑，写作——初稿，可视化，验证，软件，方法学，资金获取，形式分析，数据管理，概念化。Jaturapatr Varith：写作——审稿与编辑，写作——初稿，可视化，验证，监督，资源，项目管理，方法学，调查，资金获取，形式分析，概念化。Chanawat Nitatwichit：验证，监督，资源。Somkiat

**资金**

本工作由泰国一家希望保持匿名的饮料公司提供支持。该资金没有关联的拨款编号。资助方提供了运行工艺数据，但没有参与研究设计、数据分析和解释、手稿撰写或决定提交出版。

**利益冲突声明**

作者声明他们没有任何已知的竞争经济利益或个人关系可能影响本论文报告的工作。本研究中使用的生产数据由一家匿名饮料制造公司提供，作为学术研究目的下的保密协议下提供。该公司没有参与研究设计、数据分析、结果解释或决定提交手稿出版。

**致谢**

作者衷心感谢泰国一家匿名饮料公司提供的资金支持和工业合作。该公司慷慨地通过资金和授予运行工艺数据的访问权限支持了本研究，这些数据对于本研究中提出的机器学习模型的开发和验证至关重要。由于与工业合作伙伴的保密协议，原始数据无法公开共享。处理过或匿名化的数据可能……

Pakchiraporn Pukam | Jaturapatr Varith | Chanawat Nitatwichit | Somkiat Jaturonglumlert | Nukrob Narkprasom