从智能传感与人工智能到认知数字孪生：对智能食品干燥系统的批判性综述

《Food Control》：From Smart Sensing and Artificial Intelligence to Cognitive Digital Twins: A Critical Review of Intelligent Food-Drying Systems

　　摘要

食品干燥仍是食品加工中能耗最大且对品质最敏感的工序之一。然而，许多干燥器仍以固定条件运行，无法适应原料、装载量或环境条件的变化。本综述批判性地考察了智能传感、人工智能（AI）、信息物理系统、工业4.0基础设施和数字孪生在先进食品干燥中的融合。我们开展了结构化的批判性文献评估，并按传感能力、AI功能、数据交换方向、控制权限、验证规模、可持续性和技术成熟度对证据进行了分类。多模态传感、光谱学、成像和软传感器改善了过程可观测性，但校准漂移、有限的可迁移性和不确定性报告不足仍是主要制约因素。在评估的13项代表性AI、智能控制和AI代理研究中，有6项展示了离线或数值验证，2项展示了在线状态预测，5项展示了物理闭环控制；这些子集计数并不能确立在更广泛文献中的普遍性。数字孪生评估区分了3项支持模型级或仿真级功能的干燥相关研究，以及6项为可迁移方法提供参考的邻近食品加工案例。所报告的干燥阶段节能并不能确立数字化带来的净生命周期效益，除非将传感器、计算硬件、网络和云基础设施纳入核算。我们提出了一个从传统干燥器到认知自主干燥器的原创层级体系，并附有明确的验证标准，以统一术语和证据评估。最可信的路径是从多模态传感和不确定性感知的软传感器，经过混合数字影子和监督式数字孪生控制，迈向有界认知自主。工业应用需要标准化基准数据集、独立验证、可互操作架构、故障安全控制、网络安全和稳健的技术经济证据。

引言

干燥在食品保藏中不可或缺，因为降低水分活度可抑制微生物生长、减缓变质并延长保质期。然而，干燥是一个非线性的、随时间变化的过程，涉及传热、水分迁移、相变、收缩和品质劣化的耦合作用。产品几何形状、成分、成熟度、预处理和装载量影响干燥行为，而环境扰动进一步增加了控制难度。加速水分去除的条件也可能加剧表面硬化、颜色变化、营养损失或结构损伤。常规动力学模型描述平均干燥行为，但通常具有产品和条件特异性，不能充分表征空间水分梯度或变化的工业环境（Defraeye, 2014; Mujumdar & Law, 2010; Onwude et al., 2016）。因此，干燥应被视为多变量决策问题，而不仅仅是热处理操作。

然而，许多干燥器以固定设定点运行，或通过主要基于空气温度和相对湿度的简单反馈进行控制。这些策略调节环境而非不断变化的产品状态。水分分布、颜色、收缩、质构和生化品质常被间歇测量或在加工后测量，限制了纠正措施的及时性。产品异质性、传感器噪声、结垢和变化的进料条件进一步削弱了预定方案的可靠性。载荷传感、介电测量、近红外光谱、高光谱成像、计算机视觉和多传感器融合方面的进展为在线状态估计提供了机会（Li et al., 2020; Yang et al., 2024; Wang et al., 2024）。然而，只有当测量值被校准、时间对齐并在干燥器响应时间内转化为决策时，传感才能在实际操作中有用。

人工智能（AI）可以学习运行条件、传感器信号和产品响应之间的非线性关系。神经网络、支持向量方法、集成模型和深度学习模型已在水分、干燥速率和品质属性的预测上表现出强大能力（Aghbashlo et al., 2015; Khan et al., 2022; Sun et al., 2019）。近期应用包括工业稻谷预测、连续玉米建模、多模态陈皮预测，以及基于CNN–LSTM的监测与模糊或实时温度控制相结合（Ren et al., 2025; Simoni? et al., 2025; Wang et al., 2025; Zuo et al., 2025）。然而，高测试集准确率并不能确立操作智能。回顾性数据集、随机观测级划分和狭窄控制的实验主导了文献，而外部验证、可迁移性、不确定性评估和闭环试验仍然有限。近期神经和CNN–LSTM–MHA控制器显示了进展，但也凸显了离线预测与自主运行之间的差距（Guo et al., 2026; Tabares-Martinez et al., 2026）。

信息物理系统（CPS）、物联网基础设施和数字孪生为弥合这一差距提供了框架。真正的数字孪生需要更新的虚拟表示、传感、通信、状态估计和决策机制，以及能够影响物理干燥器的双向数据交换。独立仿真属于数字模型，而单向的物理到虚拟更新构成数字影子。食品领域的综述显示术语碎片化、工业披露有限，并常将仿真或监测平台归类为孪生（Abdurrahman & Ferrari, 2025; Henrichs et al., 2022）。干燥特定证据仍然有限：基于物理的太阳能干燥模型已量化了时间–品质–能量权衡，区域感知图神经网络代理模型表明可用于快速耦合传热传质仿真（Nazari & Malvandi, 2026; Prawiranto et al., 2021）。然而，连续状态校正、双向同步和控制器级验证在中试或工业规模上很少被展示。

以往综述大多分别考察了薄层建模、AI辅助干燥、传感、光学监测、工业4.0和食品领域数字孪生（Abdurrahman & Ferrari, 2025; da Silva Ferreira et al., 2025; Li et al., 2020; Onwude et al., 2016; Sun et al., 2019）。这种碎片化掩盖了从传感器到决策的完整路径，使技术成熟度难以评估。同时，尽管闭环、生命周期和技术经济证据有限，却助长了缺乏支撑的可持续性主张。因此，需要进行整合的批判性综述，将干燥器物理、传感、AI、CPS和数字孪生功能联系起来，同时区分概念性提案与实验验证能力。

据此，本综述提出了一个八级成熟度框架，涵盖传统、仪器化、自动化、互联、AI辅助、数字影子使能、数字孪生控制和认知干燥器。它比较了主要干燥技术在传感适用性、AI验证、控制能力、可持续性和工业准备度方面的表现。五个问题指导了本分析：哪些传感器在实时控制中具有足够的准确性、速度和鲁棒性？哪些AI模型展示了在线验证而非仅离线预测？哪些平台满足真正数字孪生的要求？智能系统如何在不将过多环境负担转移至数字基础设施的情况下改善能量性能、品质和鲁棒性？最后，哪些技术、经济、监管和劳动力障碍限制了工业实施？解决这些问题将确立可验证的标准和研究路线图，以实现可信、可持续且逐步自主的食品干燥。

章节片段

文献检索与研究选择

文献检索于2026年7月2日至9月5日进行，使用Scopus、Web of Science核心合集、ScienceDirect、IEEE Xplore、CAB Abstracts、食品科学与技术文摘（FSTA）和Google Scholar，并辅以引文追踪。这项结构化批判性综述考察了智能传感、人工智能、信息物理系统和数字孪生在食品干燥中的融合。检索范围涵盖食品干燥和脱水；对流干燥、

干燥作为非线性动态过程

食品干燥更好地被表示为动态状态转换问题，而非固定的时间–水分关系。其状态通过耦合传热、水分迁移、相变、收缩和品质反应演化，同时输运性质也在变化。水分扩散率、热导率、孔隙率和表面阻力既非均匀也非恒定。在恒定空气条件下，内部梯度和变形可改变主导传热机制。经验薄层

先进干燥系统及其数字化需求

数字化必须遵循干燥器物理，因为输运阻力、时间尺度、扰动、潜状态和执行器约束各不相同。比较考虑可观测性、可控性、建模要求和工业准备度。

智能传感与数据采集

智能干燥依赖于可观测性而非传感器数量。选择必须区分测量量与推断的产品状态，并考虑响应时间、空间覆盖、鲁棒性、不确定性和控制回路兼容性。不充分的代理变量的准确测量仍可能产生不可靠的决策。尽管有连续的环境监测，内部水分、收缩、表面硬化和品质可能仍为潜状态。

用于预测、优化和控制的人工智能

人工智能（AI）可以在显著不同的操作责任水平上支持食品干燥。然而，算法复杂性不应与过程智能混淆。一个根据完整数据集预测水分的深度网络可能有用，但它不一定是自适应控制器、自主干燥器或数字孪生。因此，证据必须根据所展示的任务、推理时序、数据流向和决策权限来评判。

工业4.0与信息物理基础设施

当连接性提高可观测性、决策速度或控制可靠性时，工业4.0对干燥有贡献。与远程监测不同，CPS通过同步、安全、容错的数据流整合传感、计算和执行，从而在验证约束内实现物理干预。

CPS讨论将干燥特定实施与更广泛制造业和食品加工中的架构概念相结合。基础性CPS文献为组织

食品干燥的数字孪生

数字孪生可将食品干燥从过程观测推进到连续状态估计和纠正行动。然而，该术语应用不一致：机械仿真、AI预测器和云仪表板常被称为孪生，尽管它们缺乏自动同步或控制。因此，系统必须根据所展示的数据交换和决策能力分类，而非作者指定的术语。

集成智能干燥架构

智能干燥依赖于集成而非单个算法的复杂性。当推理超过控制间隔时，准确预测在操作上无效；而当估计的产品状态不可靠时，快速执行可能不安全。传感、估计、优化、执行和验证必须形成一个可追踪的闭环，在适当的时间尺度和不确定性限制内运行。

可持续性、能源、火用与环境性能

可持续性通过能源需求、效率、火用、排放和生命周期影响来评估，并与可接受的水分终点和产品品质相结合。这些互补指标不能为综合技术排名提供共同基础。

对于干燥阶段评估，相关操作边界包括干燥器及其相关热源、风机、泵、压缩机、输送设备和控制基础设施。纳入预热、待机、装载

工业转化与技术经济可行性

工业转化是智能干燥研究区别于商业部署的主要弱点。实验室研究控制几何形状、初始水分和环境条件，而生产则面临可变载荷、季节性原料、传感器污染、清洁和停机限制。因此，多个批次的高预测准确率并不能证明工业准备度。

关键差距与研究路线图

上述评估确定了工业转化的四个优先事项：可迁移的传感与预测、验证的物理–虚拟控制集成、持续运行可靠性，以及可证明的经济和生命周期价值。以下路线图将这些证据缺口转化为研究行动和验证里程碑，并由表S6中的基准规范支持。

未来的基准数据集需要明确规范材料多样性、实验

结论

食品干燥正从固定条件运行向传感器支持的预测和自适应控制发展，但证据仍然不均衡。多模态传感和软传感器改善了水分和品质的可观测性，但校准漂移、有限穿透深度、产品变异性和工业验证不足限制了可靠性。

表S3中的代表性评估确定了6项离线或数值验证研究、2项在线状态预测研究和5项

CRediT作者贡献声明

Satish Gaharwariya：写作–初稿，可视化，软件，资源，正式分析，数据管理，概念化。Sakharam Kale：写作–审阅与编辑，验证，监督，软件，概念化。Prerna Nath：写作–审阅与编辑，概念化

未引用的参考文献

Arefi et al., 2023; Gaharwariya et al., ; Hernandez-Perez et al., 2004; Industrial Control Systems Cyber Emergency Response Team, 2017; Koulouris et al., 2021; Krupitzer et al., 2022; Maheshwari et al., 2023; Motevali et al., 2011; Sun et al., 2019; Tao et al., 2019.

数据可用性

本研究为综述文章，所有支持研究结果的数据均来自已发表的研究，并在手稿中进行了适当引用。

利益冲突

作者声明无利益冲突。

手稿准备过程中生成式AI和AI辅助技术的声明

在准备本手稿过程中，作者使用了Microsoft Copilot和Perplexity AI来改进文本的结构、语法和语言风格。使用此工具/服务后，作者根据需要审阅并编辑了内容，并对所发表文章的内容负全部责任。

资助声明

本研究未获得任何来自公共、商业或非营利部门资助机构的特定资助。

利益冲突声明

作者声明，不存在可能影响本手稿所报告工作的已知竞争经济利益或个人关系。

致谢

第一作者衷心感谢印度新德里ICAR-印度农业研究所通过其兰契中心提供的学术支持，以及印度贾坎德邦兰契834003的ICAR-印度农业生物技术研究所对该中心的接待和机构支持。

Satish Gaharwariya | Sakharam Kale | Prerna Nath