Stipendiatstilling 1 Nofima (2021-2024)

Industrielle målinger av matkvalitet kan bidra til økt bærekraft ved å redusere svinn og optimalisere bruken av råvarer. I matproduksjonsprosesser måles det vanligvis mange kvalitetsegenskaper og prosessparametere i hvert produksjonstrinn, fra råvarer og ingredienser til produkter. Ved å kombinere alle relevante datakilder kan vi utvikle digitale systemer for prosessovervåking, optimalisering eller beslutningsstøtte for operatører. Veien fra måledata til velfungerende digitale systemer er imidlertid ikke rett fram. Hovedutfordringene ligger i å forbehandle og kombinere data fra ulike sensorer, utvikle pålitelige modeller som relaterer produktkvalitet til kontrollerbare produksjonsparametere, og til slutt designe og implementere brukervennlige systemer basert på slike modeller i industrien. Målet med dette prosjektet er å utvikle dataanalytiske strategier og metoder som adresserer alle disse utfordringene. Arbeidet er basert på problemstillinger og data fra de to norske bedriftene Bioco og Biomega, som prosesserer restråstoff fra fjørfe og laks ved hjelp av enzymatisk proteinhydrolyse. Den første delen av arbeidet tar for seg utfordringen med å kombinere data fra ulike sensorer i en kontinuerlig produksjonsprosess. Et gitt råstoff bruker en viss tid gjennom prosessen, og sensor-data må derfor justeres i tid for å representere samme råstoff på ulike punkter i prosessen. Vi har laget en oversikt over et bredt spekter av metoder som kan brukes til å estimere tidsforsinkelse mellom sensorer, og sammenligner hvor godt de fungerer i ulike scenarier. Basert på disse resultatene har vi utarbeidet retningslinjer for valg av metode, og disse er brukt for å modellere data fra Bioco og Biomega. Når man analyserer industrielle tidsseriedata, er dynamikken i prosessen ofte viktig. Det medfører at prediksjoner avhenger av både prosessens status nå og ved tidligere tidspunkter. Denne dynamikken kan komme fra prosesskontrollsystemet eller være iboende i prosessen, og å ignorere den kan føre til upresise modeller. Den andre delen av arbeidet fokuserer derfor på metoder for dynamisk modellering. Vi har foreslått og sammenlignet tre alternative metoder for å modellere dynamikk i prosesser der det er flere blokker med variabler, for eksempel relatert til ulike trinn i produksjonsprosessen. Våre resultater viser at alle metodene fungerer bra til prediksjon, men de er forskjellige når det gjelder tolkning av effektene. Basert på dette har vi utviklet anbefalinger for valg av metode. I siste del av prosjektet kombinerer vi det tidligere arbeidet i en helhetlig arbeidsflyt for å lage prediksjonsmodeller fra industrielle tidsserier. Arbeidsflyten inkluderer mange trinn fra rådata til ferdig modell, som preprosessering av de rå sensorsignalene, synkronisering, valg av maskinlæringsmetode og validering. Vi foreslår også en systematisk måte å optimalisere arbeidsflyten på, hele veien fra rådata til modellvalidering. Dette prosjektet har utviklet metoder og retningslinjer for modellering av industrielle tidsseriedata. Vi har brukt data fra enzymatisk proteinhydrolyse som casestudier, men metodikken kan anvendes på alle typer kontinuerlige produksjonsprosesser.

For Norilia, Bioco og Biomega har prosjektet ført til bedre forståelse av variasjonen i råvarer og sluttprodukter, og sammenhengen mellom dem. Denne innsikten brukes nå til å planlegge videre forskningsaktiviteter for å undersøke hvordan prosessen kan optimaliseres, med et langsiktig mål om å innføre systemer for kontinuerlig måling og styring. Forskningspartnerne i prosjektet har fått en utvidet verktøykasse for å analysere industridata. Disse verktøyene vil brukes videre i andre prosjekter, slik at lignende prosjekter med andre industripartnere blir mer effektive. Metodene er dessuten delt åpent i forskningsartikler og som kjørbar kode, og kan brukes fritt av andre aktører innenfor forskning og utvikling. Prosjektet har etablert et nytt forskningssamarbeid mellom Nofima og det polytekniske universitetet i Valencia (UPV), som fortsetter videre i SFI DigiFoods. Resultatene i prosjektet vil gagne næringsmiddelindustrien og teknologileverandører ved at vi har demonstrert hvordan måleteknologi og datamodellering kan gi ny innsikt og potensielt brukes til overvåking, optimalisering og styring av prosesser. På samfunnsnivå kan prosjektet bidra til mer effektiv bruk av råvarer, redusert matsvinn og dermed økt bærekraft i matindustrien.