استفاده از مدل‌های یادگیری ماشین برای پیش‌بینی و بهینه‌سازی مصرف انرژی در خطوط تولید صنایع غذایی

Abstract

در سال‌های اخیر، مدیریت بهینه مصرف انرژی در صنایع غذایی به دلیل افزایش قیمت انرژی و الزام به کاهش ردپای کربن، به یکی از چالش‌های کلیدی این صنعت تبدیل شده است [1]. این مطالعه با هدف بررسی کاربرد مدل‌های یادگیری ماشین در پیش‌بینی و بهینه‌سازی مصرف انرژی در خطوط تولید صنایع غذایی انجام شد. داده‌های مورد استفاده شامل مجموعه‌ای از داده‌های عملیاتی استخراج‌شده از حسگرهای متصل به سامانه نظارت صنعتی (SCADA) بوده است که مصرف برق، مصرف بخار، دما، فشار و سایر پارامترهای فرآیندی را ثبت می‌کنند [2]. چهار خانواده مدل—شبکه عصبی مصنوعی (ANN)، جنگل تصادفی (Random Forest)، رگرسیون بردار پشتیبان (SVR) و گرادیان بوستینگ (XGBoost)—آموزش داده شدند و عملکرد آن‌ها با استفاده از معیارهای MAE، RMSE و R² مقایسه گردید [3]، [4]. نتایج تحقیق نشان داد که مدل‌های مبتنی بر بوستینگ (خصوصاً XGBoost) و ANN در اکثر سناریوهای آزمایش‌شده، دقت بالاتری در پیش‌بینی مصرف انرژی ارائه می‌کنند [5]. بر اساس پیشنهادهای استخراج‌شده از خروجی مدل‌ها—از جمله تنظیم دما و زمان‌بندی فرآیندها، نگهداری پیش‌بینانه تجهیزات، و بهینه‌سازی عملکرد کمپرسورها—امکان کاهش ۱۰ تا ۲۰ درصدی مصرف انرژی در خطوط تولید فراهم می‌شود [6]. این پژوهش یک چارچوب کاربردی برای توسعه سیستم‌های مدیریت انرژی مبتنی بر داده ارائه می‌دهد و نشان می‌دهد که ترکیب مدل‌های یادگیری ماشین با فناوری‌های اینترنت اشیا (IoT) و دوقلوی دیجیتال (Digital Twin) می‌تواند زمینه‌ساز بهبود هم‌زمان کارایی اقتصادی و پایداری زیست‌محیطی در صنایع غذایی باشد [7].