基于工业4.0概念与现代数字技术的Zhaya与成型肉制品生产智能监控系统

《Applied Sciences》：Intelligent Monitoring and Control System for the Production of Zhaya and Molded Meat Products Based on the Industry 4.0 Concept Using Modern Digital Technologies

　　

本文提出了一种基于工业4.0概念的Zhaya和成型肉制品生产智能监控系统，该系统采用物联网（Internet of Things, IoT）、数据采集与监控系统（Supervisory Control and Data Acquisition, SCADA）和自适应神经模糊推理系统（Adaptive Neuro-Fuzzy Inference System, ANFIS）技术。研究将滚揉、注射、腌制、热处理、烟熏、真空包装、冷却和储存视为影响产品质量和安全的主要工艺阶段。在所提出的系统中，通过IoT传感器测量腔室温度、产品内部温度、压力、真空度、盐度、加工时间、转速和剂量参数等工艺参数，并在可编程逻辑控制器（Programmable Logic Controller, PLC）和SCADA层面进行处理。SCADA系统收集的数据存储在数据库中，并与每个生产批次的数字护照相关联。采用自适应神经模糊推理系统（ANFIS）模型来预测产品质量和安全风险。该模型描述了工艺参数与质量指标之间的复杂关系，并能够将生产批次分为正常、警告和高风险三类。结果表明，所提出的IoT–SCADA–ANFIS系统提供了实时监控、批次可追溯性、早期缺陷检测和数据驱动的决策支持。所提出的方法代表了传统肉制品生产数字化转型以及产品质量与安全智能管理的有效解决方案。

**研究背景与存在问题**：近年来，工业4.0原则在食品生产中的引入正在改变传统的产品质量与安全管理模式。以往质量控制依赖成品实验室抽样检测和操作人员经验，而现代数字化生产强调实时数据采集、工艺参数连续监测及偏差提前预测。对于Zhaya和成型肉制品这类民族肉制品，质量并非形成于最终检验环节，而是贯穿于滚揉、注射、腌制、热处理、烟熏、真空包装、冷却和储存等整个工艺链。仅凭成品实验室控制不足以保障产品质量，必须实施生产过程的数字化监控。文献综述表明，IoT、SCADA和人工智能方法在食品生产中虽已分别得到应用，但在Zhaya和成型肉制品生产中，将这些技术整合为统一系统并将工艺参数与批次数字护照及基于ANFIS的质量预测相联动的研究仍不足，现有SCADA系统多停留在参数记录与显示层面，无法自主预测质量变化或微生物风险。因此，研究目的是开发一种基于工业4.0的智能监控与管理系统，结合IoT、SCADA和ANFIS技术用于Zhaya和成型肉制品生产。该研究成果发表在《Applied Sciences》。

**主要关键技术方法**：研究人员在Almaty Technological University教育与科研肉类加工中心开展中试规模生产试验。采用基于Modbus RTU接口的工业IoT传感器（数字温度传感器、压力变送器、真空传感器等）采集温度、压力、真空度等工艺参数，通过PLC与SCADA系统实现数据实时处理与可视化；利用批次数字护照将SCADA生产数据与实验室质量指标整合为统一数据集；基于MATLAB R2024a开发ANFIS模型，采用网格划分生成初始模糊推理系统、高斯隶属函数和混合学习算法（最小二乘估计结合反向传播）优化参数，训练100个周期，以RMSE、MAE和R²评估预测精度。数据集含136个观测值（108个Zhaya、28个成型肉），按批次划分为训练集（63%）、验证集（15%）和测试集（22%）。

**研究结果**：

3.1 基于SCADA的实时监控结果：研究人员开发了SCADA/人机界面（HMI）系统，实现生产线状态、设备运行模式、温度、工艺时间、网络状态及紧急报警的实时监控。其优势在于连续监控并早期预警工艺偏离，如产品内部温度未达标、真空度不稳或注射压力下降时，可在影响质量前被记录。

3.2 关键工艺参数的动态变化：对热处理阶段腔室温度、产品内部温度、注射压力、真空度等参数历时分析表明，腔室与中心温度逐步升高说明热加工稳定，有利于产品安全；真空度稳定表明滚揉与真空包装阶段运行可靠。

3.3 批次数据整合为数字护照的结果：SCADA数据与批次唯一标识符关联，形成完整工艺历史。数字护照整合各阶段参数及氧化稳定性、抗氧化活性、功能成分含量和微生物指标等实验室数据，将SCADA档案转化为适合智能质量预测的结构化数据集。

3.4 ANFIS模型的预测结果：模型输入包括盐水浓度、注射压力、滚揉时间、真空度、热处理温度、产品内部温度、回火时间和储存温度。独立测试集结果显示预测值与实测质量指数高度吻合，误差集中于零附近，RMSE=0.023，MAE=0.019，R²=0.844，预测精度满意。

3.5 批次风险等级分类：ANFIS模型将批次