Тематическое исследование: улучшение урожайности на заводах пищевой промышленности с использованием передовых методов моделирования

Растущая потребность в более высокой урожайности в пищевой промышленности

Пищевая промышленность работает на тонкой марже. Каждый фунт растраченного сырья, каждая минута незапланированных простоев и каждая неспециализированная партия съедает непосредственно в прибыльность. С глобальным спросом на упакованные продукты питания растет и давление на цепочку поставок усиливается, повышение урожайности стало стратегическим императивом для руководителей предприятий и инженеров-операторов. Доходность, определяемая как доля полезной продукции по отношению к исходному материалу, напрямую отражает эффективность процессов завода. Небольшие улучшения урожайности могут переводить в миллионы долларов ежегодной экономии для крупных объектов.

Однако повышение урожайности не является простым. Пищевые перерабатывающие заводы предполагают сложные взаимодействия между несколькими операциями установки: прием, стирка, сортировка, резка, приготовление пищи, смешивание, упаковка и охлаждение. Эти процессы подвержены естественной изменчивости свойств сырья, износ оборудования, человеческие факторы и условия окружающей среды. Традиционные методы проб и ошибок для оптимизации являются трудоемкими, дорогостоящими и часто нарушают текущее производство. Именно здесь передовые методы моделирования появились в качестве преобразующего инструмента.

Почему традиционные подходы неэффективны

Перед исследованием моделирования важно понять ограничения традиционных методов повышения урожайности. Многие растения полагаются на анализ исторических данных, интуицию оператора или простые электронные таблицы для выявления узких мест. Хотя эти методы могут дать некоторые идеи, они не могут захватить динамичный, стохастический характер обработки пищевых продуктов. Например, упаковочная линия может показаться плавной в среднем, но скрытые взаимодействия между изменчивостью смешивания вверх по течению и временем цикла машины вниз по течению могут вызывать периодические джемы, которые являются отходами. Эксперименты на физической линии рискованны; предлагаемое изменение может снизить урожайность в течение нескольких дней, прежде чем результаты будут ясны.

Моделирование преодолевает эти ограничения, создавая виртуальную песочницу, где инженеры могут тестировать изменения без риска. По мере того, как вычислительная мощность компьютеров увеличилась, а программное обеспечение стало более удобным для пользователя, моделирование стало доступным для производителей среднего размера, а не только для крупных транснациональных корпораций. В следующих разделах подробно описаны передовые методы, которые переопределяют то, что возможно в оптимизации урожайности.

Продвинутые методы моделирования, которые приводят к результатам

В тематическом исследовании, на которое ссылается в оригинальной статье, используются три основные методологии моделирования: моделирование дискретных событий (DES), вычислительная динамика жидкости (CFD) и моделирование Монте-Карло.

Дискретное моделирование событий (DES)

DES моделирует систему как последовательность дискретных событий, которые происходят в определенные моменты времени. В контексте пищевой переработки эти события могут включать в себя прибытие партии сырого картофеля, начало цикла стирки, завершение операции по упаковке или поломку машины. DES позволяет инженерам моделировать очереди, использование ресурсов, шаблоны сдвига и стохастические сбои. Этот метод особенно эффективен для оптимизации пропускной способности и выявления узких мест в упаковочных линиях, конвейерных системах и процессах сортировки.

Современные пакеты программного обеспечения DES, такие как AnyLogic, Simul8 и FlexSim, включают библиотеки, специально предназначенные для обработки пищевых продуктов. Эти инструменты могут имитировать недели производства за считанные минуты, предоставляя подробную статистику по использованию машины, инвентаризации работы в процессе и общей эффективности оборудования (OEE). Детальная модель DES может показать, что, казалось бы, неэффективная машина фактически голодает в результате операции по добыче, направляя команду к балансу линии.

Вычислительная динамика жидкости (CFD)

CFD - это отрасль механики жидкости, которая использует численный анализ и алгоритмы для решения проблем, связанных с потоками жидкости. В пищевой обработке CFD используется для моделирования поведения жидкостей, газов и даже твердых веществ в движении (с использованием многофазных моделей). Общие применения включают оптимизацию конструкций теплообменников для пастеризации, улучшение равномерности смешивания в резервуарах, прогнозирование потока воздуха в сушильных туннелях и разработку распылительных сопел для операций нанесения покрытия. Удобство непосредственного преимущества от лучшего смешивания - если рецепт требует равномерного распределения специй или добавок, CFD может помочь достичь согласованного качества продукта при одновременном снижении переработки.

Для примера установки, CFD моделирование было использовано для анализа геометрии смесительного резервуара и скорости рабочего колеса. Модель показала мертвые зоны, где ингредиенты не были полностью включены, что привело к изменению партии к партии. Регулируя дизайн перегородки и шаг рабочего колеса, команда сократила время смешивания на 18% и снизила стандартное отклонение концентрации ингредиента на 40%.

Моделирование Монте-Карло

Моделирование Монте-Карло — это статистический метод, который использует случайную выборку для моделирования вероятности различных результатов в процессе, который имеет присущую неопределенность. В пищевой промышленности свойства сырья, такие как содержание влаги, распределение размеров и уровни примесей, изменяются естественным образом. Моделирование Монте-Карло позволяет инженерам оценить, как эти изменения распространяются через процесс и влияют на конечную урожайность. Это обеспечивает распределение вероятности результатов урожайности, а не одно детерминированное число. Это позволяет принимать решения на основе риска: например, выбор настроек процесса, которые максимизируют вероятность достижения целевых показателей урожайности даже в наихудших условиях сырья.

Комбинирование DES с методами Монте-Карло создает мощную гибридную модель, которая фиксирует как дискретные события, так и непрерывную изменчивость.Работа по тематическому исследованию использовала этот подход для оценки различных политик планирования при неопределенном прибытии сырья, что привело к сокращению перелива отходов на 12%.

Дополнительные методы: агентное моделирование и интеграция машинного обучения

Хотя он не используется в первоначальном тематическом исследовании, стоит отметить, что две связанные технологии набирают обороты. Агентное моделирование (ABM) имитирует действия и взаимодействия автономных агентов (например, рабочих, роботов или мобильных машин) для оценки их воздействия на систему в целом. Машинное обучение может быть интегрировано с моделированием для создания суррогатных моделей, которые работают быстрее, чем традиционные физические модели, что позволяет оптимизировать в режиме реального времени. Некоторые ведущие заводы в настоящее время разрабатывают цифровых двойников - живых, связанных реплик их физических систем, которые постоянно обновляются из данных датчиков.

Пример: Среднеразмерный закуски пищевого растения

Следующее расширенное тематическое исследование основано на фактических отраслевых выводах конфиденциального клиента консалтинговой фирмы по моделированию. Завод, который мы будем называть CrunchPak Foods, производит 250 000 фунтов упакованных закусок в день. До проекта урожайность составляла в среднем 78%, при этом отходы в основном от непоследовательного смешивания, линейных джемов во время упаковки и потери продукта во время переключения между рецептами.

Базовая предсимуляция

Операционная группа CrunchPak пыталась добиться дополнительных улучшений, регулируя скорость конвейера и увеличивая обучение операторов, но успехи были кратковременными. Шестимесячное базовое исследование показало, что урожайность колебалась между 74% и 82% без четкой первопричины. Завод испытывал в среднем 23 минуты незапланированных простоев в смену, большая часть из-за завалов упаковочной линии. Кроме того, проверки качества показали, что 6% партий готовой продукции пришлось перерабатывать или выбрасывать из-за неспециализированных уровней приправ.

Фаза моделирования моделирования

Консультативная группа построила три взаимосвязанные модели с использованием стандартных инструментов:

• DES модель (AnyLogic): Воспроизвел весь производственный поток от необработанного приема до паллетизации. Модель включала семь упаковочных линий, три смесительных резервуара, два фритюрника и шесть конвейеров со стохастическими данными о неисправности и ремонте. Она работала в течение 500 смоделированных дней, чтобы получить статистически значимые результаты.
• CFD модель (Ansys Fluent): Акцентирована на первичном смесительном баке и приправе барабана. Модель включала неньютоновские свойства жидкости, представляющие суспензию продукта. Более 20 итераций конструкции были протестированы виртуально.
• Наложение Монте-Карло (MATLAB): Используется для включения в модель DES изменчивости сырья (содержание влаги в картофеле от 70% до 82%, вариация поглощения масла, плотность приправы) В общей сложности было выполнено 5000 симуляционных прогонов для получения гистограмм вероятности выхода.

Ключевые выводы из моделирования

Моделирование выявило несколько неочевидных идей:

• Вариабельность смешивания была обусловлена не ошибкой оператора, а неправильной величиной крыльца и мертвой зоной за сумкой. CFD предсказал, что перепозиционирование сумки и увеличение скорости крыльца на 12% уменьшит время смешивания на 22% и сократит стандартное отклонение содержания приправы наполовину.
• Заторы упаковочной линии были вызваны не самими упаковочными машинами, а временными скачками сортировщика вверх по течению. Модель DES определила, что 10-секундная пауза в выходном конвейере сортировщика, спровоцированная определенными формами продукта, создала каскадное накопление. Установка измерительного ремня для буферизации потока устранила 85% заторов.
• Отходы, связанные с перемещением, были намного выше, чем регистрируемые, поскольку операторы не всегда следовали стандартизированной процедуре. Анализ Монте-Карло показал, что даже незначительные отклонения в профилях времени и скорости очистки значительно увеличивали количество отходов. Был разработан пересмотренный, проверенный с помощью моделирования протокол переключения.

Осуществление и результаты

Рекомендации были выполнены в течение трехмесячного периода во время плановых окон технического обслуживания и одного специального выходного дня. Изменения потребовали минимальных капитальных затрат - наибольшие расходы были на установку счетчика пояса (примерно 45 000 долларов США) и модификацию сбивки с толку (примерно 12 000 долларов США). Результаты, измеренные в течение шести месяцев после внедрения, были поразительными:

• Доходность увеличилась с базового среднего уровня 78% до 92%, превысив целевой показатель 15%.
• Отходы сократились с 22% до 17,5% (чистое сокращение объема отходов на 20%).
• Индекс производительности процесса (Cpk) для однородности приправ улучшился с 0,8 до 1,4, что указывает на стабильный, высококачественный выход.
• Незапланированные простои сократились на 38%, с 23 минут в смену до 14 минут.
• Ежегодная экономия средств оценивается в 1,8 млн. долл. США, не включая снижение платы за удаление и улучшение пропускной способности.

Завод также сообщил о 10%-ном увеличении пропускной способности без добавления нового оборудования, что фактически отложило запланированное расширение мощности.

Уроки: лучшие практики для симуляции усыновления

Случай CrunchPak иллюстрирует несколько принципов, которые широко применяются к предприятиям пищевой промышленности, рассматривая моделирование:

Начните с четкого диапазона и базовой линии

Успешные проекты моделирования начинаются с четко определенного заявления о проблеме и адекватного сбора данных. В случае CrunchPak команда провела шесть недель, собирая спецификации оборудования, графики смен, журналы отказов и показатели качества. Без надежного базового уровня результаты моделирования трудно проверить.

Вовлечение операторов и инженеров-процессоров на ранних этапах

Модели моделирования хороши только в той степени, в какой в них встроены предположения. Операторы предоставили критические сведения о реальном поведении, которые не были отражены в стандартных отчетах, таких как проблема всплеска сортировщика. Проведение семинаров для проверки логики модели сократило переработку позже.

Используйте симуляцию для дополнения, а не замены физических тестов

В то время как моделирование может ускорить принятие решений, критические изменения (например, новая скорость рабочего колеса) должны быть подтверждены с помощью небольших физических тестов перед полномасштабной реализацией. CrunchPak провел однодневное испытание новых настроек смешивания перед выходными, чтобы подтвердить прогнозы CFD.

План непрерывного обновления модели

После внедрения модель CrunchPak была обновлена новыми данными и теперь используется для ежемесячного прогнозирования доходности и планирования сдвига. Цифровая нить моделирования, живущая рядом с операциями, позволяет быстро реагировать на изменения в сырье или спросе.

Будущие тренды: симуляция соответствует Индустрии 4.0

Описанные выше методы быстро развиваются. Три тенденции будут определять следующее десятилетие повышения урожайности в пищевой промышленности:

Цифровые близнецы в реальном времени

Вместо того, чтобы проводить моделирование в автономном режиме, цифровые двойники в реальном времени используют датчики IoT для подачи живых данных в имитационную модель, которая работает непрерывно. Это позволяет прогнозировать обслуживание (например, «модель предсказывает варенье упаковки за 12 минут на основе текущих тенденций датчиков») и динамические корректировки планирования. Такие компании, как Siemens и PTC, продают цифровые платформы-близнецы для продуктов питания и напитков.

Интегрированная оптимизация

Алгоритмы машинного обучения могут изучать скрытые взаимосвязи в данных моделирования и предлагать оптимальные настройки процесса без исчерпывающего поиска.Усиление обучения тестируется для автоматической настройки температуры фритюрника или скорости конвейера в ответ на изменения качества сырья, используя моделирование в качестве среды обучения.

Облачная симуляция как услуга

Меньшие процессоры для производства продуктов питания, не имеющие опыта в области моделирования, могут подписаться на облачные платформы, которые предлагают готовые модели для общих процессов (например, сушки распылителя, экструзии, розлива). Эти платформы, такие как платформы ANSYS «Симуляция как услуга» или консорциум FoodSim, снижают барьер для входа.

Заключение

Передовые методы моделирования - DES, CFD и методы Монте-Карло - доказали свою ценность на предприятиях пищевой промышленности, обеспечивая двузначные улучшения урожайности, сокращение отходов и экономию затрат. В тематическом исследовании CrunchPak Foods содержится конкретный план того, как систематическое моделирование может выявить скрытую неэффективность и направлять вмешательства с низким капиталом. По мере созревания цифровых двойников и интеграции ИИ моделирование будет переходить от случайного инструмента проекта к непрерывной операционной способности. Для любого руководителя завода, стремящегося повысить рентабельность и устойчивость, инвестиции в моделирование больше не являются факультативными - это конкурентная необходимость.