智能干燥系统：机器学习、数字孪生、软传感器与预测控制（2021–2025）研究进展与成熟度评述

《Sustainable Food Technology》：Smart drying systems: machine learning, digital twins, soft sensors, and predictive control (2021–2025)Open Access

　　

摘要专业翻译 智能干燥（smart drying）已成为一个融合干燥科学、传感技术、过程系统工程（process systems engineering）与人工智能（artificial intelligence）的新兴研究领域。本综述对2021–2025年间经严格筛选的证据语料库进行批判性综合，以评估机器学习（machine learning）、数字孪生（digital twin）、软传感器（soft sensor）及预测控制（predictive control）在食品、农业、生物质和制药干燥领域中的近期技术成熟度。基于经筛选的Scopus证据库，本文评估了预测建模、传感与推断性状态估计（inferential state estimation）、优化与控制、代表性实施案例以及应用特定部署。综合结果表明，水分含量与干燥动力学预测（moisture and drying-kinetics prediction）是其中最为成熟的组成部分，而跨产品泛化（cross-product generalization）、不确定性感知验证（uncertainty-aware validation）、工业部署、闭环控制（closed-loop control）以及动态同步的数字孪生运行（dynamically synchronized digital-twin operation）的持续验证仍相对不足。本综述区分了数字监测（digital monitoring）、数字影子（digital shadow）与经过验证的数字孪生运行；界定了从实验室预测到中试及运行控制的实施层级；并分析了实际障碍，包括尺度相关不均匀性（scale-dependent nonuniformity）、传感器污染（sensor fouling）、校准漂移（calibration drift）、域偏移（domain shift）、延迟、执行器约束、维护、互操作性与经济负担。总体而言，进展取决于经过验证的、可迁移的、可维护的且与控制相关的架构，而非仅依赖算法精度本身。

主体内容学术总结

1. 引言

干燥是食品、农业、生物质和制药加工中最广泛使用且具有重要工业意义的保存和固体处理操作之一，同时也是在质量、能源利用、终点确定和过程一致性方面最难稳定的操作之一。其根本困难不仅在于热力学或传质层面，还源于干燥系统本质上具有动态性、产品敏感性，并且在需要实时决策的节点上数据匮乏。近年文献不再将干燥仅视为热力单元操作，而是越来越多地将其视为信息密集型过程，在此过程中传感、预测、估计和控制必须整合到干燥器本身的运行逻辑中。智能干燥研究的兴起尤为明显，机器学习、深度学习、软传感器、信息物理监测和预测控制策略正被探索以减少对静态配方和操作人员直觉的依赖。当前智能干燥格局涵盖多个相互关联的层面：通过光学、光谱或过程分析工具进行数据采集；通过软传感器进行推断性估计；监督与闭环决策系统；以及处于前沿的数字影子与数字孪生。文献表明这些层面的发展速度并不均衡：预测建模已得到充分体现，而完整的数字孪生运行和紧密集成的预测控制仍相对不成熟、更具领域特异性，且更依赖于稳健传感和混合模型设计。智能干燥研究并非局限于单一工业部门，食品和农业应用中证据最为充分，生物质和生物基加工以及制药喷雾干燥和冻干系统中也有相关发展。本综述的核心问题是智能干燥系统当前的技术成熟度，特别是机器学习、软传感、预测控制、数字影子与数字孪生方法从孤立功能向集成过程运行推进的程度。本综述的新颖贡献在于：通过功能层综合近期研究；将各层与代表性实施证据关联并区分不同成熟度层级；按领域比较特征变量、传感需求、验证差距和部署约束；识别可信转化所需的工程条件。

2. 范围、证据基础、查询背景与筛选逻辑

本综述的证据基础来自2021–2025年期间的Scopus记录级导出数据及相关检索配置文件元数据。时间边界直接纳入数据库查询，共获得589条记录，经相关性筛选后最终保留186条记录。确切的Scopus检索式为：(TITLE-ABS-KEY((drying OR dryer* OR dehydration) AND ("digital twin" OR "machine learning" OR "artificial intelligence" OR "deep learning" OR "predictive model" OR "soft sensor*" OR "smart drying" OR "model predictive control") AND (food OR agricultural OR biomass OR pharmaceutical)) AND PUBYEAR > 2020 AND PUBYEAR < 2026)。筛选逻辑包括四层：第一层限定2021–2025年窗口并限制文献类型为论文、综述、会议论文和书籍章节；第二层要求标题层面证明干燥或直接等价操作是研究核心；第三层要求通过标题、摘要或关键词明确关联智能干燥范围；第四层排除干旱、蒸散、作物水分状态等非过程性干燥术语的误报记录。最终保留的语料库包含127篇论文、26篇综述、28篇会议论文和5篇书籍章节。Scopus单一检索策略可能引入数据库偏差，相关工程会议论文、生物医学研究及灰色文献可能代表性不足；时间限制也是刻意设定的局限，2021年前的研究未系统纳入。

3. 智能干燥的概念基础与架构

智能干燥不应被视为所有使用人工智能或数字传感的干燥研究的通用标签，而应沿成熟度连续体进行解读。组件级研究在功能直接关联干燥运行时被视为智能干燥使能研究；集成智能干燥系统则代表更高成熟度，其中数字化可访问的过程或产品观测被转化为经过验证的推断或预测信息，并关联到运行决策支持、自适应或控制。智能干燥应被理解为连接的信息-行动链，包含六个功能组件：物理干燥过程、观测与传感、数据调理与特征构建、基于模型的推断或预测、决策与执行、以及保持这些组件运行连接的信息物理集成。该架构还阐明了数字监测、数字影子与数字孪生代表不同的集成层级而非同一系统的不同名称：数字监测主要闭合观测到信息的路径；数字影子额外要求物理过程演化的更新虚拟表示；经过验证的数字孪生运行则需要足够可靠的同步、预测或优化以及影响或支持运行的决策相关性。筛选文献表明各层成熟度不均：预测建模进展快于完全集成控制或运行验证的数字孪生部署。另一个关键概念模式是从经验智能向混合智能的演进，包括数字影子、耦合模拟和物理信息神经网络等混合形式。传感不是智能干燥的次要配件，而是其构成性基础之一。文献进一步表明，智能干燥应通过功能而非术语来评估，最成熟的系统展示可靠的传感和预测建模，而数字影子与数字孪生的主张需要更强的同步、决策相关性和变化过程状态下的验证证据。

4. 预测建模目标与算法策略

所综述方法可分为监督学习、无监督学习、半监督学习和混合学习范式。监督学习使用标记输入-输出对预测水分比、干燥速率、质量属性、终点类别或能量相关响应；无监督学习适用于在无显式标签时发现潜在干燥阶段、传感器模式聚类、异常运行状态或过程轨迹；半监督学习在仅有限水分或质量标签可用时具有相关性；混合学习将数据驱动模型与机理方程、物理信息约束、模糊隶属结构、优化算法或数字孪生表示相结合。

4.1 水分、动力学与传质预测

水分演化、干燥动力学和传质行为的预测是智能干燥中最成熟且持续体现的功能领域。文献中反复出现的模式包括：强烈集中于水分比和水分含量预测作为最具运行价值的目标；从简单静态输入-输出映射向轨迹感知动力学预测的转变，体现在长短期记忆模型、非线性自回归结构等时序感知架构的使用；以及向传质行为预测的更具技术挑战性的方向推进，其中物理信息神经网络在植物组织传质中的应用尤为显著。尽管该子领域明显成熟，文献仍揭示若干未解决的局限：许多模型高度产品特定、干燥器特定和条件特定，限制了跨原料、跨规模和跨设备类型的可迁移性；在受控实验室或中试条件下展示的良好预测精度并不自动意味着工业部署的稳健有用性；现有模型还需更强的可解释性、不确定性量化和对过度自信预测的关注。

4.2 质量、终点与状态预测

该子领域反映文献中第二个日益重要的转变：从预测剩余水分量转向预测在水分去除过程中产品所处的状态。筛选语料库中的清晰模式包括：食品干燥中质量感知预测的日益重视，如苹果片水分和颜色动力学的耦合预测以及混合红外-对流干燥中大蒜质量的预测；视觉状态和阶段预测作为终点识别替代途径的兴起，体现在食品干燥中视觉特性实时监测和马铃薯干燥阶段在线检测的研究中；以及质量关联化学或感官代理变量的预测，如基于气体传感器的龙蒿香气表征和枣干燥中的质量参数估计。冻干和制药背景下终点导向预测的重要性也在增加，但其证据基础更为专门且不如食品应用广泛。文献同时揭示若干制约因素：许多研究仍高度产品特定，预测状态变量通常与传感模态、特征工程策略或训练领域紧密关联；质量感知智能干燥比水分预测更具异质性且可迁移性更差。

4.3 能量、火用与系统性能预测

该预测领域关注描述干燥系统自身运行有效性的变量，包括能源使用、热行为、过程效率、可持续性相关性能和更广泛的系统响应指标。这一聚类虽小于水分和质量预测文献，但具有战略重要性。一个清晰模式是能量相关预测通常嵌入性能评估框架而非作为孤立变量处理，如工业干燥机能量优化和红外干燥器性能评估研究所示。干燥系统在实践中几乎总是多目标的，加速水分去除的条件可能同时增加单位能耗、降低质量或减少热均匀性。预测挑战不仅是估计能耗，而是在多目标权衡环境中实现过程性能智能。