STIPINST-Stipendiatstillinger i instituttsektoren

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 norske matprodusenter. 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 sensordata må derfor justeres i tid for å representere samme råstoff på ulike punkter i prosessen. Å finne riktig tidsforsinkelse mellom sensorer kan sees på som en ingeniøroppgave, men i mange tilfeller er det mer praktisk å bruke data for å estimere forsinkelsene. Det finnes allerede mange datadrevne metoder som kan brukes til dette formålet, fra klassiske korrelasjoner, via mer fleksible maskinlæringsmetoder til avanserte optimaliserings-rammeverk. Vi har laget en oversikt over et bredt spekter av metoder for å estimere tidsforsinkelse mellom sensorer, og sammenligner hvor godt de fungerer i ulike scenarier. Sammenligningen er basert på simuleringsstudier samt et reelt eksempel fra prosessering av fjørfe. Resultatene vil være en vitenskapelig artikkel, inkludert anbefalinger om hvilke metoder som bør brukes, samt fritt tilgjengelig MATLAB-kode for de beste metodene. Den andre delen av arbeidet fokuserer på metoder for statistisk prosessovervåking, nærmere bestemt metoder som kombinerer dynamisk modellering og latente variable. En litteraturstudie er utført, og vi planlegger å sammenligne to ulike modelleringsstrategier: enten å modellere dynamikken i de observerbare variablene eller i det latente rommet. Resultatet av denne delen vil også være en vitenskapelig artikkel, inkludert anbefaling av hvilken metode som er best egnet industrielt.