数据驱动的工业射频加热黄豌豆特性表征与预测建模：量化数字孪生开发需求

《Food and Bioproducts Processing》：Data-driven characterization and predictive modeling of industrial radio frequency heating for yellow peas: Quantifying requirements for digital twin development

　　

摘要：射频（RF）加热为黄豌豆等食品材料提供了体积式、高效的热加工方式，可改善营养特性、降低抗营养因子，同时在能效和微生物安全方面展现出优于传统热加工方法的潜力。然而，数字孪生技术用于实时质量预测以支持工业推广的部署，目前受到运行泛化间隙理解不足以及缺乏基于运行条件预测质量结果的机器学习模型的阻碍。本研究通过系统过程表征和机器学习模型验证，针对工业级15 kW、27.12 MHz射频系统填补了这些空白，并评估了机器学习模型对质量结果的预测能力。过程动态建模捕捉了阳极电流波动、主动加热温度和加热速率。结果显示存在显著的泛化间隙：跨批次预测的R2仅为-0.74至0.23，而数据集内预测的R2最高可达0.95，其中传送带速度（重要性：0.331）和样品类型（0.310）是关键特征。运行内质量属性的变异系数（CV）较低（2.2%-6.7%），表明传送带沿程处理一致性良好，这从生物化学产品质量中得到印证，但空间加热均匀性仍具挑战，温度变异系数（CV）为±11-25°C。OLS回归分析发现进料间隙（β = -2.31 °C mm?1，p = 0.044）和传送带速度（β = -22.21 °C min m?1，p = 0.031）是平均主动加热温度的显著预测因子（R2 = 0.910），但进料间隙与输入质量近似共线（r = 0.997，VIF ≈ 164），因此无法分别归因。这些见解量化了数字孪生开发的关键数据需求，揭示了仅测量过程参数不足以进行跨批次预测，因为批次级变异占主导地位，从而界定了实现可靠智能控制所需的传感器基础设施。

引言：射频（RF）加热是一种介电加热技术，在食品加工业中具有重要前景（Sharifi等，2026）。通过在射频范围内（通常为3-300 MHz）的电磁场诱导介电弛豫从而产生体积式热量，射频系统相较于传统表面加热方法可实现快速加热，并在能效、加工时间和产品质量保持方面具有潜在优势。这种体积式加热机制使射频能够比微波更深层地穿透材料，使其特别适合干果等农产品的批量处理（Alfaifi等，2013，Tadakod等，2026）。射频已应用于食品材料的干燥、巴氏杀菌、解冻和功能预处理，可改善营养特性、降低抗营养因子并提升感官属性（Hassan等，2019，Mao等，2021，Wang等，2022，Zhang等，2018）。

过去三年来，相关研究工作得到了显著扩展：射频辅助热风干燥玉米粒的研究已对其干燥速率、均匀性、质量和能耗进行了表征（Wei等，2024），巴氏杀菌方案已通过脉冲验证适用于壳蛋（Cheng等，2025）以及动态热阻条件下的带壳核桃（Liu等，2025），批量虾的缓冻均匀性通过使用冰层包裹得到改善（Zhang等，2024），酶灭活已在不同大小和密度的西兰花中在27.12 MHz中试规模系统上得到证实（Wang等，2025），并且针对粉状食品开发了受体辅助策略（Zhang, Wang, Ma等，2025），使用射频节律热风干燥豌豆（Wang等，2026）以及射频辅助减轻豌豆蛋白分离物中的异味（Sharifi等，2026）。近期综述总结了该领域在加热均匀性和质量方面（Zhang, Wang, Zeng等，2025）以及机器学习在食品加工业更广泛应用方面的进展（Gao, Wang等，2025）。

豆类如黄豌豆（Pisum sativum L.）是可持续饮食模式的重要组成部分，支持向植物源性蛋白选择的转变（Langyan等，2021，McDermott和Wyatt，2017，Sabate和Soret，2014）。这些豆类提供可观的高品质蛋白质（通常为20-28%），同时富含复杂碳水化合物、膳食纤维、关键维生素和矿物质（Millar等，2019）。对于豆类，射频处理已被证明在灭活抗营养因子（ANFs）方面非常有效，有研究报告在100-110°C下大豆胰蛋白酶抑制剂减少高达87%（Takacs等，2022），以及在55-115°C下不同种类中呈现变量减少（例如鹰嘴豆粉中29-80%，小扁豆粉中3-40%），植酸减少则较为温和（最高28%）（Das等，2025），从而提高了蛋白质消化率（Das等，2025，Takacs等，2022）。

尽管具有优势，射频加热在工业规模上的有效实施面临若干挑战。射频系统的性能对电磁场与产品介电特性之间的动态相互作用高度敏感（Alfaifi等，2013，Wang等，2022）。过程结果还受到可控参数的强烈影响，例如电极间隙（决定电场强度和功率传输）（Tiwari等，2011，Zhou和Wang，2019）以及传送带速度（决定停留时间和吞吐量）（Zhou & Wang，2019）。连续传送带运行引入了其自身的动态特性，传送带运动、层重排和混合已被证明会改变射频加热下碾米中害虫的死亡率（Gu等，2024），而传送带承载射频加热的模拟研究仍是预测运动床中场分布的少数可用工具之一（Chen等，2017，Chen等，2016）。然而已发表的连续流研究仍停留在实验室或中试规模，这正是本研究工业级数据集所解决的主要空白之一。优化这些参数以确保一致的产品质量并潜在地最大化能效仍是一项重大运营挑战，通常依赖于经验试错而非精确的数据驱动方法（Zhou & Wang，2019）。加热不均匀仍是射频工业应用的主要障碍，近期研究已从机械和几何角度对其进行应对，包括在热风辅助射频系统中的旋转装置（Geng等，2024）、包装几何形状、电极间隙、颗粒尺寸和层间位移对花生的影响（Tasci等，2024）、花椰菜的分区域密度调整（Wang等，2024）、包装内液态全蛋的搅拌（Cin & Palazo?lu，2024）以及电极配置和方向（Altin等，2025）。

正在进行的第四次工业革命（工业4.0）为通过数字孪生等先进技术解决这些复杂过程控制挑战提供了变革性框架（Kritzinger等，2018）。数字孪生是物理系统的虚拟副本，镜像其实时行为，实现全生命周期内的仿真、监测和优化双向数据流（Grieves，2016）。针对复杂操作的应用已得到概念化，如酸奶发酵建模、加速食品配方改革（Krupitzer & Noack，2022）以及优化生产排程（Koulouris等，2021）。然而，由于生物变异性建模的复杂性、对高保真数据的需求以及与遗留系统集成方面的挑战，数字孪生在食品加工中的采用仍然有限（Verboven等，2020）。

在构建可靠的射频加热过程数字孪生之前，必须对物理系统进行基础性的、数据驱动的表征。虚拟模型依赖准确的经验数据进行校准和验证，尤其是在捕捉动态阶段时，如启动、瞬态加热、主动加热阶段和停机（Defraeye等，2021）。大多数先前的射频研究集中在间歇过程上，而工业应用越来越需要连续处理方法（Bedane等，2017）。然而，涵盖关键发生器性能指标、设备设置和实时产品质量变量的全面工业级时间序列数据仍然稀缺。这一差距阻碍了能效和过程稳定性预测模型的开发，而这些模型对数字孪生同步至关重要（Kannapinn等，2022）。对于黄豌豆等产品，射频预处理的目标是降低抗营养因子并增强功能，改进加热均匀性的实验方法，如机械旋转，已显示出有希望的结果（Asavajaru等，2025，Zhang等，2022）。

为此，本研究的目的是对工业级黄豌豆射频系统进行系统分析，通过实时数据收集表征过程动态，并对射频处理黄豌豆的运行内变异性进行统计学表征。这一目标通过开发和严格验证机器学习模型来实现，以从过程设置预测近红外估算的质量属性，针对整颗豌豆和均质豌豆粉，以探究样品状态对可预测性的影响。本研究还量化了关键运行参数（如电极间隙、传送带速度、初始水分含量和进料间隙）对过程动态和加热速率的影响。总体而言，这些目标为射频智能控制和数据需求的现实评估提供了依据，并定义了一条向数字赋能豆类加工的战略路径，最终可与更广泛的豌豆蛋白生产线集成，在工业4.0范式下实现数据驱动的食品加工。

章节片段：材料：黄豌豆（Pisum sativum L.）来自萨斯卡通商业供应商，加工前在正常条件下储存。豌豆初始水分含量范围为11.59%至13.20%（湿基），通过每个样品批次内不同位置取三次近红外光谱测量的平均值计算得出，以考虑空间变异性，该方法因在豆类分析中的准确性而被广泛使用（Pasquini，2003）。每个批次的初始水分值：射频加热系统的过程动态表征：本节对工业级射频（RF）黄豌豆加热系统的过程动态进行了详细表征，突出了运行参数与热处理关键性能指标之间的相互作用。对13个有效实验批次（排除因传感器错误而剔除的Run 13）的分析揭示了启动、瞬态、主动加热和停机阶段的显著过程动态。关键指标包括主动加热阶段的阳极……

结论：本研究系统表征了工业级黄豌豆射频（RF）加热系统的过程动态，为数字孪生开发奠定了经验基础。初步机器学习模型筛选评估了多种候选算法，其中随机森林被选为最终模型训练和性能评估工具，为数字孪生开发奠定了经验基础。13个有效批次的过程表征揭示了……

数据和代码可用性：过程时间序列数据、近红外衍生的质量数据集及所有分析代码可在https://github.com/Capo-gh/rf-heating-yellow-peas获取。

CRediT作者贡献声明：Aarti Bhagwat：调查研究、数据整理。Derrick K. Allotey：撰写—审阅与编辑、监督、项目管理、方法论、概念化。Anthony Iheonye：项目管理、方法论、调查研究、概念化。Emmanuel A. Kwofie：撰写—审阅与编辑、验证、监督、数据整理、概念化。Nandhakishore Rajagopalan：监督、资源、项目管理、方法论、调查研究、数据整理。Pabitra Chandra Das：

利益冲突声明：作者声明以下财务利益/个人关系，可能被视为潜在的利益冲突：Ebenezer Miezah Kwofie报告获得加拿大国家研究委员会的财务支持。如有其他作者，他们声明没有已知的可能影响本文报道工作的财务利益或个人关系。

致谢：作者感谢加拿大国家研究委员会对本研究工作的资金支持（SPP-119-1-58693）。

Ibrahim Sabiku|Ebenezer M. Kwofie|Derrick K. Allotey|Emmanuel A. Kwofie|Anthony Iheonye|Praiya Asavajaru|Darrin Klassen|Pabitra Chandra Das|Aarti Bhagwat|Nandhakishore Rajagopalan|Anusha G.P. Samaranayaka，麦吉尔大学生资源工程系，21 111 Lakeshore Rd.，Ste-Anne-de-Bellevue，QC，H9X 3V9，加拿大