הגידול צריך עבור גבוה יותר ניב ב עיבוד מזון

תעשיית עיבוד המזון פועלת בשוליים דקים.כל פאונד של חומר גלם מבוזבז, כל דקה של זמן לא מתוכנן, וכל אצווה מחוץ לדגום אוכלת ישירות לרווחיות.עם הביקוש העולמי לצריכת מזון עולה ולחצים של שרשרת האספקה מעצימים, שיפור התשואות הפך להיות הכרחי אסטרטגי עבור מנהלי צמחים ומהנדסים תפעוליים.

עם זאת, שיפור התשואות אינו פשוט. צמחי עיבוד מזון כרוכים אינטראקציות מורכבות בין פעולות יחידות מרובות: קבלה, כביסה, מיון, חיתוך, בישול, ערבוב, אריזה, קירור. תהליכים אלה כפופים לזמינות טבעית בנכסים חומריים גולמיים, ציוד ללבוש, גורמים אנושיים, תנאים סביבתיים.

מדוע גישות מסורתיות נופלות קצרות

לפני חקר סימולציה, חשוב להבין את המגבלות של שיטות שיפור התשואות המקובלות.צמחים רבים מסתמכים על ניתוח נתונים היסטורי, אינטואיציה המפעילה או גליונות התפשטות פשוטים כדי לזהות צווארי בקבוק. בעוד שיטות אלה יכולות לספק כמה תובנות, הם לא מצליחים ללכוד את הטבע הדינמי, הסטוצ'י של עיבוד המזון.לדוגמה, קו אריזה עשוי להופיע לרוץ בצורה חלקה על ממוצע, אך אינטראקציות מוסתרות בין שילוב של ריקנות ומכונת הריון עלולה לגרום לזמני סיכון זמניים.

סימבול מתגבר על מגבלות אלה על ידי יצירת ארגז חול וירטואלי שבו מהנדסים יכולים לבדוק שינויים ללא סיכון.כפי שכוח עיבוד מחשב גדל ותוכנה הפך יותר ידידותי למשתמש, סימולציה הפכה נגישה ליצרנים בגודל בינוני, לא רק רב-לאומיים גדולים.

טכניקות מתקדמות לסימולציה שדוחות תוצאות

המקרה המחקר התייחס במאמר המקורי ממינוף שלוש מתודולוגיות סימולציה עיקריות: סימולציה אירוע דיסקטר (DES), Computational Fluid Dynamics (CFD), וסימולציות מונטה קרלו מתייחסות לשכבה שונה של אתגר התשואות.

סימולציה אירוע דיסקטר (DES)

DES מודל מערכת כרצף של אירועים דיסקרטיים המתרחשים בנקודות ספציפיות בזמן. בהקשר לעיבוד מזון, אירועים אלה עשויים לכלול את הגעתו של אצווה של תפוחי אדמה גולמיים, תחילת מחזור כביסה, השלמת ניתוח אריזה, או התמוטטות מכונה. DES מאפשר למהנדסים לדגמים, ניצול משאבים, דפוסי שינוי, וכשלונות סטוchastic.טכניקה זו היא חזקה במיוחד עבור אופטימיזציה באמצעות קווי בקבוק וזיהוי, וזיהוי, מערכות ניקוי, וזיהוי, שידור.

חבילות תוכנה מודרניות, כגון כללוגיק, Simul8, ו- FlexSim, כוללות ספריות במיוחד לעיבוד מזון.כלים אלה יכולים לדמות שבועות של ייצור תוך דקות, מתן סטטיסטיקות מפורטות על ניצול מכונות, מלאי עבודה-in-progress, ויעילות ציוד כוללת (OEE) מודל DES מפורט יכול לחשוף כי מכונה לא יעילה לכאורה הוא למעשה מרעב על ידי ניתוח במעלה הזרם, המנחה את הצוות לשורה של קו האיזון.

Fluid Dynamics (CFD)

CFD הוא ענף של מכניקת נוזל המשתמש ניתוח מספרי ואלגוריתמים כדי לפתור בעיות הכרוכות בזרימת נוזלים.בעיבוד מזון, CFD משמש כדי מודל ההתנהגות של נוזלים, גזים, ואפילו מוצקים בתנועה (באמצעות מודלים רב-phase) יישומים נפוצים כוללים אופטימיזציה של עיצובי החלפת חום עבור מאפה, שיפור אחידות במיכלים, חיזוי זרימת אוויר במנהרות יבשות, ולא תכנון הטבות ישירות של מוצרי תבלינים.

במקרה של צמח המחקר, סימולציה CFD שימש לנתח את הגיאומטריה של טנק ערבוב במהירות המכפלה.המודל הראה אזורי מת שבו מרכיבים לא היו משולבים לחלוטין, המוביל למגוון רחב של מועדונים-ל-בטן. על ידי התאמת עיצוב baffle ו מגרש מפיץ, הקבוצה הפחיתה את זמן ערבוב של 18% וירידה בסטיית הריכוז הסטנדרטית של 40%.

מונטה קרלו סימבול

מונטה קרלו סימולציה היא טכניקה סטטיסטית המשתמשת דגימה אקראית כדי מודל ההסתברות של תוצאות שונות בתהליך שיש לו אי ודאות טבועה. בעיבוד מזון, תכונות חומריות גולמיות כגון לחות, חלוקת גודל, רמות אי-נוחות משתנות באופן טבעי.הסימולציה מונטה קרלו מאפשרת למהנדסים להעריך כיצד שינויים אלה propagate דרך התהליך להשפיע על התשואה הסופית.הוא מספק הסתברות של תוצאות במקום מספר יחידני המאפשר סיכון זה אפילו פתרון של קביעת מטרות.

שילוב DES עם שיטות מונטה קרלו יוצר מודל היברידי רב עוצמה שלוכד את שני האירועים דיסקרטיים ואת ריקנות מתמשכת.הבמקרה של מכון המחקר השתמש בגישה זו כדי להעריך מדיניות תזמון שונה תחת כניסות חומריות לא ברורות, וכתוצאה מכך ירידה של 12% בבזבוז יתר.

טכניקות נוספות: מודלים מבוססי סוכנים ושילוב Machine Learning

בעוד שלא נעשה שימוש במחקר המקורי של המקרה, ראוי לציין כי שתי טכניקות קשורות צוברות מערכת.מודל מבוסס הסוכן (ABM) מדמה את הפעולות והאינטראקציות של סוכנים אוטונומיים (למשל, עובדים, רובוטים או מכונות סלולריות) כדי להעריך את ההשפעות שלהם על המערכת בכללותה. Machine Learning יכול להיות משולב עם סימולציה כדי לבנות מודלים חלופיים מהירים יותר מאשר סימולציות מבוססות פיזיקה, המאפשרות אמיתיות אופטימיזציה של זמן חיים, אשר עכשיו, כמה סוללות דיגיטליות מתקדמות של חיישנים.

מחקר: מפעל מזון מיד-Sized

המחקר של המקרה המורחב הבא מבוסס על ממצאי התעשייה בפועל של לקוח סודי של חברת ייעוץ סימולציה.הצמח, אשר נקרא CrunchPak מזונות, מייצר 250,000 פאונד של פריטי חטיפים ארוזים ליום. לפני הפרויקט, נכנע בממוצע 78%, עם פסולת בעיקר תערובת לא עקבית, ריבים קו במהלך האריזה, והפסדי מוצר במהלך שינויים בין מתכונים.

המונחים: simulation Baseline

צוות התפעול של CrunchPak ניסה לשפר את ההדרגות על ידי התאמת מהירויות העברת ואימוני המפעילים הגוברים, אך הרווחים היו קצרים.מחקר בסיסי בן שישה חודשים הראה כי התשואה בין 74% ל-82%, ללא סיבה שורש ברורה.הצמח חווה ממוצע של 23 דקות של זמני השבתה ללא תכנון, הרבה בגלל מחסניות של אריזה.

שלב הסימולציות

צוות הייעוץ בנה שלושה דגמים סימולציה מקושרים באמצעות כלים סטנדרטיים בתעשייה:

  • מודל (כל דבר-לוגי): שכפול 1 (FLT:0) סובב את כל זרימת הייצור מפלט לשחיקה.המודל כלל שבעה קווי אריזה, שלושה מיכלים ערבוב, שני קופים, ושישה מקהלות עם כשל סטוצ'יסטי ותיקון נתונים.זה רץ במשך 500 ימים מדומים כדי לבנות תוצאות משמעותיות סטטיסטית.
  • מודל (Ansys Fluent): 0CFD מודל (Ansys Fluent): 1 להתמקד על מיכל ערבוב העיקרי ותוף היישום העונה.המודל כלל תכונות נוזליות לא ניוטוניות המייצגות את המוצר סלורי.
  • (FLT:0) מונטה קרלו overlay (MATLAB): ראטפל 1 משמש לשלב ריקנות חומרי גלם (פוטו לחות תוכן מ 70% עד 82%, וריאציות ספיגה שמן, צפיפות צפיפות הרובה העונה) לתוך מודל DES. A כולל של 5,000 סימולציה הוצאו להורג כדי לייצר הסתברות שלו מוטציות.

מפתחי מפתח של סימבול

הסימולציה חשפה כמה תובנות לא סודיות:

  • ערבוב ריקנות נבעה לא משגיאה של מפעיל, אלא על ידי מפגע בגודל לא תקין ושטח מת מאחורי baffle. CFD חזה כי הובלת מהירות המבולחת והעלייה של המכפלה על ידי 12% יפחיתו את זמן התערובת ב 22% וחתכו את סטיית סטנדרטית של הצגת תוכן בחצי.
  • פקקי קו אריזה נגרמו לא על ידי מכונות האריזה עצמם, אבל על ידי ספיגות זמניות מן הסוג העליון של מודל DES זיהה כי הפסקה של 10 שניות במאור הפלט, מופעל על ידי צורות מוצר מסוימות, יצר הצטברות קסקה. התקנת חגורת מטר כדי לטבול את הזרם המסולק 85% של ריבאונים.
  • פסולת שינוי היה גבוה בהרבה מאשר נרשם כי מפעילי לא היו עוקבים באופן עקבי אחרי ההליך הסטנדרטי.ניתוח מונטה קרלו הראה כי אפילו סטייה קטנה בזמן טיהור פרופילי מהירות הגדילה משמעותית את הפסולת. פרוטוקול שינוי מתוקן, סימולציה, סימולציה, סימולציה, הוקמה.

יישום ותוצאות

ההמלצות יושמו במשך שלושה חודשים במהלך חלונות תחזוקה מתוכנן וסוף שבוע ארוך אחד מוקדש להוצאה הון מינימלית - ההוצאה הגדולה ביותר הייתה עבור ההתקנה החגורה מטרינג (approx. 45,000) ו-Buffle Change (approx. $12,000). התוצאות, שנמדדו מעל שישה חודשים לאחר יישום, היו בולטות:

  • גדל מממוצע בסיס של 78% ל-92%, מעל 15% היעד.
  • ירידה בירידה מ-22% ל-17.5% (הפחתה של 20% בנפח הפסולת).
  • מדד יכולת תהליכים (Cpk) להצגת אחידות השתפר מ 0.8 ל-1.4, המציין תפוקת יציבה ואיכותית.
  • זמן השבתה לא מתוכנן ירד ב-38, מ-23 דקות ל- 14 דקות.
  • חיסכון בעלויות השנתי מוערך ב-1.8 מיליון דולר, לא כולל דמי הקטנת הניכויים ושיפור יכולת השימוש.

הצמח דיווח גם על עלייה של 10% בתפוקה ללא הוספת ציוד חדש, ובכך למעשה מדגימה את התרחבות היכולת המתוכנן.

שיעורים למדו: הפרקטיקה הטובה ביותר לאימוץ סימבולציה

המקרה CrunchPak מדגים כמה עקרונות החלים באופן רחב על צמחי עיבוד מזון בהתחשב סימולציה:

התחל עם Clear Scope ובסיס

פרויקטים מוצלחים של סימולציה מתחילים עם הצהרה מוגדרת היטב ואוסף נתונים נאות.במקרה של CrunchPak, הצוות בילה שישה שבועות איסוף מפרטים ציוד, לוח זמנים שינוי, יומני כישלונות, ומדכאים איכותיים ללא בסיס אמין, תוצאות סימולציה קשה לאמת.

מעורבים במהנדסי תהליכים ומהנדסי תהליכים מוקדמים

מודלים סימבוליים הם רק טובים כמו הנחות שנבנו לתוכם.אופרות סיפקו תובנות קריטיות על התנהגויות בעולם האמיתי שלא נתפסו בדוחות סטנדרטיים - כגון סוגיית הזינוק. Holding סדנאות כדי לאמת את הלוגיקה המודלית הפחיתה את העבודה מחדש מאוחר יותר.

השתמש בסימולציה כדי להשלים, לא להחליף, בדיקות פיזיות

בעוד סימולציה יכולה להאיץ החלטות, שינויים קריטיים (למשל, מהירות רבי-ממכר חדשה) יש לאמת עם בדיקות פיזיקליות בקנה מידה קטן לפני יישום בקנה מידה מלא. CrunchPak רץ משפט אחד של הגדרות שילוב חדשות לפני סוף השבוע הסגור כדי לאשר תחזיות CFD.

תוכנית ל-Active Model Updating

לאחר יישום, המודל של CrunchPak עודכן עם נתונים חדשים ומשמש כעת לחיזוי חודשי ותזמון שינוי.חוט הסימולציה הדיגיטלי של החיים לצד פעולות מאפשר תגובה מהירה לשינויים בחומר גלם או בביקוש.

מגמות עתידיות: סימבול פוגש את התעשייה 4.0

הטכניקות המתוארות לעיל מתפתחות במהירות.שלוש מגמות יעצבו את העשור הבא של שיפור התשואות בעיבוד המזון:

תגית: Time Digital Twins

במקום להפעיל סימולציות לא מקוון, תאומים דיגיטליים בזמן אמת משתמשים בחיישנים של IoT כדי להאכיל נתונים חיים למודל סימולציה שפועל ברציפות.זה מאפשר תחזוקה חיזוי (למשל, "המודל צופה ריבה ב-12 דקות בהתבסס על מגמות חיישן נוכחיות") והתאמות תזמון דינמיות.חברות כמו סימנס ו- PTC הן פלטפורמות תאולוגיות דיגיטליות למזון ומשקאות.

אופטימיזציה מלאכותית

אלגוריתמי למידת מכונות יכולים ללמוד את מערכות היחסים המאוחרות בנתונים של סימולציה ולהציע הגדרות תהליך אופטימליות ללא חיפוש ממצה.מחקר חיזוק מחדש נבדק כדי להתאים באופן אוטומטי טמפרטורות פראייר או מהירות העברת תגובה לריאציות איכות חומריות גולמיות, תוך שימוש בסימולציה כסביבת האימונים.

סימולציה מבוססת ענן כשירות

מעבדי מזון קטנים יותר שחסרים מומחיות סימולציה בבית יכולים להירשם לפלטפורמות ענן המציעים מודלים שנבנו מראש לתהליכים משותפים (למשל, ריסוס יבשה, חדירה, בוטטינג) פלטפורמות אלה, כגון אלה מ"Simulation כמו שירות" או קונסוליום המזון, להוריד את המחסום לכניסת.

מסקנה

טכניקות סימולציה מתקדמות -DES, CFD, ו- Monte קרלו שיטות - הוכיחו את הערך שלהם בתעשיית עיבוד המזון על ידי מתן שיפורים תשואה דו-ספרתית, צמצום הפסולת, וחיסכון בעלויות.מחקר מקרה המזון CrunchPak מספק הדפסה כחולה קונקרטית עבור איך מודלים שיטתיים יכולים לחשוף חוסר יעילות מוסתרת ומדריך התערבות נמוכה-קפיטליסטית.