《JOURNAL OF FOOD SCIENCE》：Hybrid Intelligence for Fouling Prediction and Adaptive Clean-in-Place Optimization in Food Processing Heat Exchangers: A Systematic Review
污垢（fouling）仍然是限制食品加工换热器热效率、卫生性能和可持续性的主要挑战之一。蛋白质、矿物质、生物膜和颗粒沉积物的累积会增加热阻、能耗、生产损失以及原位清洁（clean-in-place, CIP）操作的频率，从而影响加工经济性和食品安全。本系统综述基于Web of Science、Scopus、PubMed、IEEE Xplore和Google Scholar数据库，对2000年至2026年发表的文献进行了结构化检索与评估，重点关注混合智能（hybrid intelligence）在乳制品、饮料和液态食品加工中所用板式及管式换热器的污垢预测与自适应CIP优化中的研究进展。与以往将上述主题分别讨论的综述不同，本综述将污垢机理、预测建模、智能传感、可解释人工智能（explainable artificial intelligence, XAI）、自适应CIP以及数字孪生（digital twin）整合到一个统一的食品加工工程框架中。现有证据表明，混合智能方法通过提高预测精度、增强变工况下的鲁棒性、改善物理一致性和模型可解释性，优于纯机理模型或纯数据驱动模型。基于人工智能（artificial intelligence, AI）的状态驱动CIP策略也展现出显著潜力，可在减少水、化学品和能源消耗的同时最大限度缩短停产时间，且不损害卫生性能。然而，工业实施仍受到食品专用数据集有限、大规模验证不足、不确定性量化、模型可解释性以及与危害分析和关键控制点（hazard analysis and critical control point, HACCP）食品安全体系集成等方面的制约。未来研究应优先开发具有物理信息（physics-informed）的、面向食品的混合智能框架，集成实时传感、数字孪生、自适应CIP控制和可解释决策支持，以实现可持续、强韧且智能化的食品制造系统。
1 引言
食品加工换热器是现代热加工系统中不可或缺的组成部分，承担着巴氏杀菌、灭菌、蒸发、浓缩、冷却和制冷等操作，同时确保产品安全、质量和加工效率。板式及管式换热器因其高传热效率、紧凑设计和卫生结构，在乳制品、饮料和液态食品加工中得到最广泛的应用。然而，其长期性能不可避免地受到污垢的影响。污垢被定义为加工过程中传热表面上不希望出现的沉积物累积，是食品加工中最关键的操作挑战之一，因为它会损害热效率、设备可靠性、产品质量、操作成本和食品安全。
食品换热器中的污垢机理远比许多传统工业应用复杂，其原因是食品产品含有多种生物组分基质，在热处理过程中同时经历物理、化学和生化转变。蛋白污垢在乳制品加工中占主导地位，由热诱导乳清蛋白变性、解析叠和聚集引起；矿物质污垢主要与高温牛奶加工中的磷酸钙沉淀有关；生物污垢来源于微生物附着和生物膜形成；颗粒污垢常见于含悬浮固体的果汁等液态食品。在工业实践中，这些污垢机理往往同时发生，形成难以表征、监测和预测的异质多层沉积物。
为恢复热性能并维持卫生加工条件，食品行业通常采用CIP系统，可在不拆解生产线的情况下实现设备的自动清洗。然而，许多加工厂的清洗计划仍然依赖预设的运行时间或保守阈值，而非设备的实际污垢状态。这种预防性清洗策略常导致过早清洗，造成水、清洗化学品、能源和生产时间的不必要消耗，而延迟清洗则会加速污垢积累、降低热效率并增加食品安全风险。因此，智能污垢管理日益被视为减少水资源消耗、化学品使用、能源需求和碳排放的重要策略，有助于实现更可持续的食品制造。
研究者已开发了大量描述污垢起始、沉积动力学和脱除机理的机理模型。这些模型整合传热、传质、流体动力学和反应动力学，用于描述特定加工条件下的沉积物形成。尽管机理模型提供了对污垢基础物理的深刻见解，但其实际应用仍受限于需要大量校准、详细的热物理性质和过程特定参数。近年来，人工智能（AI）、机器学习（ML）和深度学习（DL）的进展为克服上述局限性提供了新机遇。人工神经网络（ANN）、深度神经网络、集成学习方法和循环神经网络在估算污垢热阻、预测换热器性能和检测异常工况方面展现出良好能力。然而，纯数据驱动方法仍面临重要挑战：大多数ML模型需要大量高质量标注数据，在未见过的操作条件下预测可靠性降低，且通常表现为“黑箱”模型，可解释性有限。
这些局限性激发了研究者对混合智能（hybrid intelligence）日益增长的兴趣，该方法将机理过程理解与数据驱动学习相结合，以发挥两种建模范式的互补优势。通过将物理约束嵌入ML算法，混合模型可提高预测精度、增强可解释性、降低对大规模训练数据的依赖，并在更宽的操作条件范围内提供物理一致的预测。物理信息长短期记忆网络（PI-LSTM）和物理信息神经网络（PINN）的最新进展进一步证明，将控制物理原理融入DL架构能显著提升动态热系统预测的鲁棒性。
与此同时，工业4.0（Industry 4.0）技术的快速演进加速了智能传感器、工业物联网（IIoT）、云计算、边缘分析和自适应控制系统在食品制造中的融合。这些技术实现了连续的过程监控和实时决策支持，为基于状态的维护和自适应CIP优化创造了新机遇。AI、先进传感技术、IIoT、数字孪生（DT）、可解释AI（XAI）和工业4.0的融合正在变革现代制造业的预测性维护和过程优化。在食品领域，这些技术为实现从被动和基于时间的维护向智能化、基于状态的污垢管理转变提供了新机遇。
尽管取得了这些技术进步，现有文献仍是碎片化的。已发表的综述通常分别关注污垢机理、机理建模、AI、预测性维护、DTs或清洗技术，对其在食品加工换热器中的整合关注有限。因此，迫切需要一项综合性的系统综述，批判性地整合工程原理、混合智能、自适应CIP优化、可解释AI和DT技术，以加速工业实施并确定未来研究重点。本综述旨在：（i）批判性地审视食品加工换热器中污垢形成的机理及其对热性能的影响；（ii）综合评估机理建模、AI、ML、DL、物理信息建模和混合智能在污垢预测方面的最新进展；（iii）评估智能传感、自适应CIP优化、DTs和可解释AI在预测性维护和过程优化方面的新兴进展；（iv）识别限制实际实施的主要科学、技术和工业障碍；（v）提出面向下一代食品制造的可信、可解释且可持续的智能污垢管理系统的未来研究方向。
2 方法
2.1 检索策略
本系统综述按照PRISMA 2020指南进行和报告，以确保透明、可重复和严格的文献筛选过程。在Web of Science、Scopus、PubMed、IEEE Xplore和Google Scholar数据库中进行全面文献检索，最终检索日期为2026年5月31日。纳入2000年1月至2026年5月间发表的文献，以涵盖基础性机理污垢研究和近期AI、ML、混合智能及自适应CIP优化的进展。综述中优先综合了2023年至2026年的最新文献，以确保全面涵盖当前进展。检索策略采用布尔运算符、数据库特定位点标签以及与污垢、食品加工换热器、CIP、ML、DL、混合智能、物理信息学习、DTs、IoT、预测性维护、基于状态的维护、可解释AI和食品安全相关的关键词组合。
2.2 纳入与排除标准
纳入标准包括：（i）同行评审的期刊论文或会议论文；（ii）研究食品加工换热器中的污垢机理、污垢预测、污垢监测或CIP优化；（iii）应用AI、ML、DL、混合建模、DTs或相关工业4.0技术；（iv）关注乳制品、饮料、发酵或其他液态食品加工系统；（v）以英文发表。排除仅关注膜过滤、废水处理、石油炼制系统且与食品加工无关方法学意义的研究，以及涉及与换热器无关设备的研究。
2.3 研究筛选、数据提取与质量评估
检索到的记录导入参考文献管理数据库，在筛选前去除重复项。两名独立审稿人根据预定义的纳入标准筛选标题、摘要和全文。所有分歧通过两名审稿人的讨论和共识解决。对每项纳入的研究，提取出版年份、换热器类型、食品应用、污垢机理、传感技术、AI/ML算法、混合建模方法、验证策略、性能指标和报告的工业成果等信息。使用预定义的评估标准评价方法学质量和偏倚风险，涵盖数据集质量、验证方法、模型开发透明度和性能指标报告等方面。
3 食品加工换热器污垢概述
3.1 污垢机理与表征
3.1.1 食品换热器中的污垢类型
食品换热器遭受多种污垢机理的影响，具体取决于产品组成、热历史、操作温度、停留时间和流动特性。蛋白污垢是乳制品加工中的主导机理。在巴氏杀菌和超高温处理过程中，乳清蛋白变性、解析叠并聚集，暴露出的活性巯基易粘附于不锈钢表面，随后包裹脂肪球和矿物盐，形成致密的高热阻沉积物。矿物质污垢（常称为结垢）源于溶解无机盐的沉淀。在乳制品加工中，磷酸钙在高温下溶解度降低，析出到传热表面，结晶层随后嵌入蛋白沉积物中。生物污垢在微生物附着于加工表面并形成受胞外聚合物保护的结构化生物膜时发生。成熟生物膜对常规清洗和消毒程序表现出高度抗性，可能在多次生产周期中持续存在。颗粒污垢主要发生在果汁、蔬菜产品和含颗粒饮料中，悬浮固体在低流速区域积聚或附着于传热表面。在实际食品加工环境中，上述机理极少独立发生，而是同时相互作用形成多层沉积物。
3.1.2 常规监测与测量方法
可靠的污垢管理依赖于对加工过程中沉积物形成的精确监测。传统上，由于工业换热器内部直接测量较为困难，污垢通过热工和水力性能变化间接监测。最广泛采用的指标是污垢热阻（R
f），由总传热系数计算得出，其中U
f表示污垢条件下的总传热系数，U
c对应清洁状态下的总传热系数。随着沉积物累积，总传热系数下降，R
f逐渐增大。水力恶化则通过压降（ΔP）监测，即ΔP = f·(L/D)·(ρV
2/2)，其中f为摩擦因子，L为通道长度，D为水力直径，ρ为流体密度，V为平均流速。尽管这两种指标因仅需最少附加仪表而广泛用于工业，但存在固有局限性：R
f通常在沉积物已大量积累后才可测出，而压降测量对流量波动、粘度变化和操作扰动敏感，限制了其早期预警效果。
为克服这些局限，近期研究日益关注先进传感技术。超声监测系统可通过分析声波在污垢层中的传播变化，非侵入性地检测沉积物增长和脱除。微机电系统（MEMS）传感器可提供温度和表面特性的局部测量，能比常规热工测量更早识别污垢起始。尽管取得这些进展，大多数工业食品加工设施仍主要依赖间接热工和水力指标。
3.1.3 数学污垢模型：AI前的基础
在AI出现之前，污垢预测主要依赖从传热、流体力学、反应动力学和传质原理推导出的机理和经验数学模型。机理模型通过耦合热传输、表面反应和流体流动来描述沉积物增长，其广义表达式为沉积速率与脱除速率之差。Petermeier等人为本综述奠定了基础，他们开发了最早的乳制品换热器混合机理模型之一，将过程知识与实验推导的污垢动力学相结合。Sharma和Macchietto提出了描述板式换热器中同时发生的污垢增长和清洗动力学的移动边界模型。然而，机理方法存在若干重要限制：精确实施需要详细的热物理性质、大量校准参数和产品特定动力学关系，且原料组成变异、季节波动和加工条件变化会降低模型的可迁移性。
3.2 用于污垢预测的AI和ML方法
食品制造快速数字化加速了AI和ML在食品加工换热器污垢预测中的应用。可解释AI（XAI）作为提高透明度和用户信心的关键组件，近期已崭露头角。SHAP（Shapley Additive Explanations）等模型无关的解释方法使工程师能够识别有影响的工艺变量、验证模型预测并促进监管机构对AI辅助决策的接受。
3.2.1 监督学习方法
监督学习仍是污垢预测中应用最广泛的AI策略，它利用标注数据集建立操作变量与污垢指标之间的关系。ANN模型在捕捉非线性过程行为方面表现出优异能力。DL架构通过自动学习层次化过程特征进一步提升了预测性能，其中CNN-LSTM框架因结合空间特征提取与时间学习能力而展现出特别前景。LSTM基模型尤其适用于捕捉长期时间依赖性，RF-LSTM混合模型通过有效的特征选择和时间序列学习提高了诊断精度。集成方法（包括随机森林和XGBoost）进一步提高了鲁棒性并减少过拟合。然而，许多已发表的研究依赖相对较小的数据集且外部验证有限。
3.2.2 混合（物理信息）模型
为提高模型鲁棒性和泛化能力，近年研究日益聚焦于将机理知识与ML算法相融合的混合或物理信息模型。早期工作证明了将经验观察与过程知识相整合用于乳制品换热器的可行性，为当前混合智能框架奠定了概念基础。Tang等人开发的PI-LSTM模型将传热动力学融入序列学习，实现了对时滞条件下瞬态换热器行为更准确的预测。Majumdar等人引入的HxPINN（一种基于超网络的PINN）用于实时工业换热器监测，在变工况下展现出改善的鲁棒性。尽管如此，面向食品的应用仍有限，大多数验证研究集中于能源和化工领域。
3.2.3 AI方法的比较评估
综述文献表明，污垢预测经历了从传统ANN模型向高级DL、集成学习和物理信息框架的明显演进。ANNs在建模非线性过程关系方面仍然有效，但通常需要大量训练数据且可解释性有限。DL架构改进了特征提取和时间预测能力，但计算复杂度高且易过拟合。集成方法对含噪工业数据具有更强鲁棒性。混合和物理信息方法目前代表着最有前景的方向，因其结合了AI的预测能力与机理模型的可解释性和外推优势。
3.3 AI驱动的CIP优化与自适应清洗策略
CIP是卫生食品加工中最关键的操作之一，但在乳制品加工厂中CIP约占总能耗20%、废水产生量近30%和停产时间15%–30%，凸显了传统清洗实践的经济和环境负担。
3.3.1 从基于时间的清洗到基于状态的清洗
现代CIP策略正日益从基于计划的维护转向基于状态的清洗，清洗决策由加工设备的实际污垢状态而非固定运行时长触发。该方法持续评估总传热系数、压降、流动行为、温度分布和表面状况等过程变量，以确定最佳清洗时机。先进传感器的可用性显著强化了基于状态的清洗策略，超声监测等系统可在不中断生产的情况下连续监测沉积物形成和脱除。
3.3.2 机器学习用于智能CIP优化
AI已成为优化CIP的有效工具，因为清洗性能取决于多个相互作用变量。ANN、支持向量机、集成学习和DL模型已被应用于预测清洗效果、优化操作参数和估算污垢脱除完成度。Sislian等人将循环神经网络与非支配排序遗传算法II（NSGA-II）相结合，实现了水资源消耗、能源使用和清洗效率等多个目标的同步优化。此外，遗传算法和群体智能等仿生优化技术在识别最佳清洗温度、化学剂量、流速和清洗时长的组合方面展现出巨大潜力。
3.3.3 预测性维护与自适应清洗调度
预测性维护通过在性能恶化达到临界点之前预测未来污垢发展并推荐经济最优的清洗计划，进一步拓展了基于状态的清洗。清洗计划优化已从数学规划方法演进为能够在变化操作条件下持续更新维护决策的智能自适应框架。混合AI模型通过将机理污垢知识与实时过程信息结合，进一步提高了调度精度。
3.3.4 挑战与未来展望
尽管进展迅速，ML模型性能仍高度依赖可靠的传感器数据，然而许多食品加工设施仍面临传感器校准、数据缺失和数据集有限等问题。此外，AI支持的清洗决策必须透明且科学可解释，因其直接影响食品安全和法规合规性。因此，XAI对提高操作人员信心和促进智能清洗系统的监管接受度日益重要。未来发展方向期望将AI与IIoT平台、云计算、边缘分析和DT技术相结合，建立能持续从操作数据中学习的全自主清洗管理系统。
3.4 数字孪生、物联网和工业4.0用于智能污垢管理
工业4.0正将传统食品加工转变为智能数据驱动的制造系统。通过整合IoT、信息物理系统、云计算、AI和DTs，食品制造商可以持续监控设备、分析操作数据并实时优化生产。
3.4.1 基于物联网的实时污垢监测
IoT通过将传感器、控制器和加工设备连接成持续数据通信网络，构成智能污垢管理的基础。现代食品加工厂利用IoT传感器监测温度、压力、流速、振动、能耗和清洗性能等操作变量。通过将IoT基础设施与ML算法结合，可在实时条件下监控污垢起始、沉积物增长和清洗效率，使维护决策从被动转向预测。工业实施面临的挑战包括传感器校准、数据缺失、通信延迟、网络安全和异构设备间的互操作性。
3.4.2 数字孪生技术用于污垢预测与预测性维护
DT是物理系统的动态虚拟表示，可利用实时操作数据持续更新自身。与常规仿真模型不同，DTs与实际过程条件持续同步，允许在设备整个运行周期内监控、仿真和优化性能。对于换热器，DTs提供了一个能持续评估污垢发展、预测未来性能退化并在达到关键操作限制前推荐最佳维护或清洗方案的虚拟环境。DTs的主要优势在于其能将机理模型与AI算法相融合，创建结合物理可解释性与数据驱动学习的混合决策支持系统。
3.4.3 AI、数字孪生与自适应CIP的整合
AI、IoT和DTs的整合建立了一个闭环智能污垢管理框架，其中传感器数据被持续采集、分析并用于优化操作决策。在该架构中，IoT传感器获取实时过程信息，AI模型预测污垢进展，DT则模拟未来操作情景以确定最优清洗策略。这种集成系统可根据设备实际状态而非预定义清洗间隔实现自适应CIP调度。
3.4.4 挑战与未来展望
尽管取得显著进展，DT支持的污垢管理的广泛采用仍受若干技术和组织挑战制约。一个主要障碍是缺乏能在统一架构内整合机理模型、AI算法、传感器网络和工业通信平台的标准化框架。此外，数据质量是另一个关键限制因素：有效的DTs需要持续、可靠的高分辨率操作数据，而许多食品加工设施仍以碎片化的信息系统和有限的传感器覆盖运行。网络安全、数据所有权、互操作性和长期模型维护等问题也需在完全自主系统工业化之前得到解决。
4 讨论：批判性综合、研究空白与未来方向
4.1 对现有方法的批判性评估
机理模型通过描述传热、流体流动、沉积动力学和清洗动力学，为理解污垢形成提供了科学基础，其主要优势在于物理可解释性。然而，这些模型通常需要大量校准、产品特定参数和详细的工艺知识，难以在不同食品产品和工业环境间迁移。AI的出现通过直接从过程数据学习非线性关系，克服了上述许多局限性。ANN、DL架构、集成学习方法和循环神经网络在预测性能上始终优于常规经验模型。纯数据驱动模型的预测能力严重依赖训练数据的质量、数量和代表性，且许多DL模型作为“黑箱”系统运行，缺乏透明度仍然是工业采纳的主要障碍。混合智能通过将机理知识与AI算法相融合，提高了外推能力、降低了对大数据的依赖并产生物理一致的预测，已成为解决上述局限性的有前景的方案。
4.2 主要研究空白
综述文献揭示了若干关键知识空白。第一，食品专用数据集明显短缺，大多数先进AI研究集中于石油、化工和能源行业。第二，工业验证仍不充分，大多数已发表模型基于实验室实验或相对稳定操作条件下收集的历史数据，商业生产环境中的长期验证仍十分稀缺。第三，物理信息AI在食品加工领域基本未被探索，尽管PINNs等在热工程应用中显示出巨大前景。第四，模型可解释性和监管接受度是另一重要研究空白：XAI技术（包括基于SHAP的特征归因和可解释ML）在提升模型透明度、识别驱动预测的变量和增强用户对AI辅助决策的信赖方面展现出相当潜力，但在食品换热器污垢预测、自适应CIP优化和HACCP支持的决策制定中的应用仍然有限。
4.3 未来研究方向
未来研究应优先开发整合机理模型、AI算法、IIoT传感和DT技术的集成混合智能框架。开发标准化食品行业数据集和基准测试协议应成为研究优先事项，学术界、设备制造商和食品行业之间的协作数据共享倡议将改善模型验证并加速技术转移。DT技术是另一个有前景的研究方向，未来面向食品的DTs应将污垢预测、CIP优化、HACCP监测和资源效率纳入统一的智能制造框架。可持续发展应成为智能污垢管理的核心绩效指标，未来研究应通过技术经济和全生命周期评估量化水资源消耗、化学品使用、能源需求、碳排放和生产停机时间的减少。此外，建立可信的、可解释的集成智能系统需要食品工程师、数据科学家、设备制造商和监管机构之间的密切合作。未来研究还应优先开发用户友好、开源的软件平台，以促进混合智能算法在工业食品加工中的实际应用。
5 结论
污垢仍然是食品加工换热器高效、卫生和可持续运行的主要障碍。本综述表明，该领域已从传统的经验监测和独立的机理模型发展到将过程知识与AI驱动分析相融合的混合智能框架。与纯机理或纯数据驱动方法相比，混合智能通过提高预测精度、增强变工况鲁棒性、保持物理一致性和提升模型可解释性，提供了更平衡的解决方案。智能传感、可解释AI、DTs和自适应CIP的最新进展进一步支持从固定清洗计划向预测性的、基于状态的污垢管理的转变。对文献的批判性评估表明，尽管基于AI的污垢预测展现了令人鼓舞的成果，但最成功的应用集中在化工、炼油和能源领域而非食品加工领域。食品专用数据集、外部验证、不确定性量化、可解释性、网络安全以及与现有过程控制和HACCP体系的整合等挑战仍制约着大规模工业实施。本综述的主要贡献是将污垢机理、预测建模、混合智能、自适应CIP、DTs和可解释AI整合到一个统一的智能污垢管理工程框架中。未来研究应聚焦于开发物理信息、面向食品的混合智能平台，以标准化的基准数据集、工业规模验证、可互操作的数字基础设施和实时决策支持为支撑。这些进展将加速实验室研究向工业实践的转化，实现水资源、化学品和能源消耗的降低，减少生产停机时间，提高食品安全水平，并促进更可持续和更具韧性的食品制造。
