استفاده از مدل های یادگیری ماشین برای پیش بینی و بهینه سازی مصرف انرژی در خطوط تولید صنایع غذایی

در سال های اخیر مدیریت بهینه مصرف انرژی در صنایع غذایی به دلیل افزایش قیمت انرژی و الزام به کاهش ردپای کربن به یکی از چالش های کلیدی این صنعت تبدیل شده است. این مطالعه با هدف بررسی کاربرد مدل های یادگیری ماشین در پیش بینی و بهینه سازی مصرف انرژی در خطوط تولید صنایع غذایی انجام شد. داده های مورد استفاده شامل مجموعه ای از داده های عملیاتی استخراج شده از حسگرهای متصل به سامانه نظارت صنعتی (SCADA) بوده است که مصرف برق، مصرف بخار، دما، فشار و سایر پارامترهای فرآیندی را ثبت می کنند. چهار خانواده مدل شبکه عصبی مصنوعی (ANN)، جنگل تصادفی (Random Forest)، رگرسیون بردار پشتیبان (SVR) و گرادیان بوستینگ (XGBoost) آموزش داده شدند و عملکرد آن ها با استفاده از معیارهای RMSE، MAE و R۲ مقایسه گردید. نتایج تحقیق نشان داد که مدل های مبتنی بر بوستینگ خصوصا XGBoost و ANN در اکثر سناریوهای آزمایش شده، دقت بالاتری در پیش بینی مصرف انرژی ارائه می کنند. بر اساس پیشنهادهای استخراج شده از خروجی مدل ها از جمله تنظیم دما و زمان بندی فرآیندها، نگهداری پیش بینانه تجهیزات و بهینه سازی عملکرد کمپرسورها امکان کاهش ۱۰ تا ۲۰ درصدی مصرف انرژی در خطوط تولید فراهم می شود. این پژوهش یک چارچوب کاربردی برای توسعه سیستم های مدیریت انرژی مبتنی بر داده ارائه می دهد و نشان می دهد که ترکیب مدل های یادگیری ماشین با فناوری های اینترنت اشیا (IoT) و دوقلوی دیجیتال (Digital Twin) می تواند زمینه ساز بهبود هم زمان کارایی اقتصادی و پایداری زیست محیطی در صنایع غذایی باشد.

کلیدواژه ها:

یادگیری ماشین ، بهینه سازی ، انرژی ، صنایع غذایی ، شبکه عصبی ، جنگل تصادفی ، XGBoost ، پیش بینی مصرف انرژی ، IoT ، Digital Twin ، نگهداری پیش بینانه