Система управління процесом приготування опари на основі моделі регресійного дерева



DOI: http://dx.doi.org/10.31548/energiya4(74).2024.005

N. Zaiets, N. Lutska, L. Vlasenko

Анотація


Розроблена модель машинного навчання для системи управління процесом приготування опари на хлібозаводі, яка включає моніторинг, контроль та прогнозування якості опари. Система управління дозволить забезпечити постійний аналіз параметрів опари, таких як температура, вологість, підйомна сила та титранова кислотність, що забезпечить вчасне виявлення відхилень в якості опари та уникнення виробничих проблем. Крім того, вона сприятиме автоматизації процесу контролю якості та забезпечить стабільність виробничих процесів, що позитивно позначиться на репутації підприємства та задоволенні потреб споживачів. У рамках дослідження було розглянуто сім моделей машинного навчання, включаючи три лінійні та чотири різновиди бінарних дерев рішень. Проведений аналіз найкращої моделі – регресійного дерева рішень, підтверджена її ефективність та обґрунтованість отриманої ієрархічної структури, зокрема щодо передбачення важливих показників опари з високим ступенем достовірності, що свідчить про її потенціал у практичних застосуваннях у виробництві.

Ключові слова: опара, хлібозавод, машинне навчання, модель, прогнозування, дерево рішень


Повний текст:

PDF

Посилання


R. Suchintita Das, B.K. Tiwari and M. Garcia-Vaquero (2023). "The Fundamentals of Bread Making: The Science of Bread." Traditional European Breads: An Illustrative Compendium of Ancestral Knowledge and Cultural Heritage. Cham: Springer International Publishing, 1-40, doi: 10.1007/978-3-031-23352-4_1.

L. N. Meda, T. N. Sipiwe, and D. Ignatius (2023). "Optimization of baking parameters in producing bread through development of a generic control system." in American Institute of Physics Conference Series, 2581(1),. 030007, doi: 10.1063/5.0126294.

Dymchenko, G. Milan and G. Tomáš Gregor (2023). "Trends in bread waste utilisation," in Trends in Food Science & Technology, 132, 93-102, doi: 10.1016/j.tifs.2023.01.004 .

K. Świąder and M. Marczewska (2021). "Trends of using sensory evaluation in new product development in the food industry in countries that belong to the eit regional innovation scheme", Foods, 10, 446, doi:10.3390/foods10020446.

N. Zaiets, N. Lutska and L. Vlasenko (2022). "Improving the Efficiency of a Multistage Evaporator Station for Sugar Production Using Neural Networks," 2022 IEEE 4th International Conference on Modern Electrical and Energy System (MEES), Kremenchuk, Ukraine, 2022, 1-5, doi: 10.1109/MEES58014.2022.10005745.

N. Lutska, N. Zaiets, L. Vlasenko (2024). "Development of Diagnostic System for the State of Electric Drives of Food Enterprise," in Przeglad Elektrotechniczny, 2024(2), 164, doi: 10.15199/48.2024.02.33.

N. Zaiets, N. Lutska, L. Vlasenko and A. Zhyltsov (2023). "Forecasting Breakdowns of Electric Motors of a Sugar Factory Using Machine Learning Methods," 2023 IEEE 4th KhPI Week on Advanced Technology (KhPIWeek), Kharkiv, Ukraine, 2023, 1-6, doi: 10.1109/KhPIWeek61412.2023.10312974.

B. di Diodoro, C. Bax, N. Dellarosa, F. Corazza, G. Langfelder and L. Capelli (2022). "Bread baking monitoring by smart sensory system: a feasibility study," 2022 IEEE International Symposium on Olfaction and Electronic Nose (ISOEN), Aveiro, Portugal, 2022, 1-4, doi: 10.1109/ISOEN54820.2022.9789664.

Kumar, J. Rawat, N. Mohd, and S. Husain (2021). "Opportunities of artificial intelligence and machine learning in the food industry," Journal of Food Quality, 2021, 1-10, doi: 10.1155/2021/4535567.

J.P. Usuga Cadavid, S. Lamouri, B. Grabot, R. Pellerin and A. Fortin (2020). "Machine learning applied in production planning and control: A state-of-the-art in the era of industry 4.0", Journal of Intelligent Manufacturing, 31, 1531-1558, doi: 10.1007/s10845-019-01531-7.

J. Lee, Y. Kim and S. Kim (2023). "The Study of an Adaptive Bread Maker Using Machine Learning," Foods, 12(22), 4160, doi: 10.3390/foods12224160.

C. Gonzalez Viejo, N. M. Harris, and S. Fuentes (2022). "Quality Traits of Sourdough Bread Obtained by Novel Digital Technologies and Machine Learning Modelling," Fermentation, 8(10), 516, doi: 10.3390/fermentation8100516.

B. Charbuty, and A. Abdulazeez (2021). "Classification based on decision tree algorithm for machine learning," Journal of Applied Science and Technology Trends, 2(01), 20-28, doi: 10.38094/jastt20165.

ZH Zhou, Decision Trees (2021). Machine Learning. Springer, Singapore, 79–102, doi: 10.1007/978-981-15-1967-3_4

H. H. Patel, and P. Prajapati (2018). "Study and analysis of decision tree based classification algorithms," International Journal of Computer Sciences and Engineering, 6(10), 74-78, 2018.

S. Kaparthi, and D. Bumblauskas (2020). "Designing predictive maintenance systems using decision tree-based machine learning techniques," International Journal of Quality & Reliability Management, 37(4), 659-686, doi: 10.1108/IJQRM-04-2019-0131.

Antoniadis, S. Lambert-Lacroix, and J. M. Poggi (2021). "Random forests for global sensitivity analysis: A selective review," Reliability Engineering & System Safety, 206, 107312, doi: 10.1016/j.ress.2020.107312.

G. James, D. Witten, T. Hastie, R. Tibshirani and J. Taylor (2023). "Resampling methods," in An Introduction to Statistical Learning: with Applications in Python. Cham: Springer International Publishing, 201-228, doi: 10.1007/978-3-031-38747-0_5.

Yu Chong Ho (2019). "Resampling methods: concepts, applications, and justification," in Practical Assessment, Research, and Evaluation, 8 (19), 19, doi: 10.7275/9cms-my97.


Метрики статей

Завантаження метрик ...

Metrics powered by PLOS ALM

Посилання

  • Поки немає зовнішніх посилань.


Bookmark and Share