食品和飲料行業的工業 4.0 Industry 4.0 in Food & Beverage

摘要

0 技術。論文報告了我們在轉型過程和發展階段遇到的挑戰。本文還介紹了我們利用人工智慧、機器學習、物聯網、大數據分析、資訊實體系統，和雲端運算技術開發的智慧生產控制系統。該系統提供新穎的數據採集、資訊提取和智慧監控服務，提高效率和一致性，降低營運成本。該平台是在由 Innovate UK 資助的項目，提供的真實環境中開發的，並已整合到公司現有的生產設施中。這樣，公司就不需要徹底更換舊機器，

介紹

背景和動機

工業 4.0 [ 18 , 33 ] 被描述為「製造業的數位化轉型，由智慧機器人、自主無人機、感測器和 3D 列印等指數級成長的技術加速」[ 6 ]。這一概念為智慧和永續製造 [ 3 , 29 ] 提供了一條新途徑，將數位製造和資訊技術結合在一起 [ 32 ]]。工業 4.0 的核心理念，是將員工、機器、訂單、供應商、客戶和電子設備與物聯網互聯，在工廠環境中構建智慧生態系統。這場製造革命允許跨不同機器和設備，進行非常有效的數據收集和分析，從而實現更快、更高效的生產和業務流程。

工業 4.0 透過將手動和斷開連接的製造流程，轉變為智慧環境中的數位化、互連、可互操作的系統，從而透過大規模即時數據、即時通信做出決策，從而提高生產力、靈活性、資源效率、浪費和能源消耗以及與機器、感測器和操作員的合作，從而改進決策過程，並加速各個層面的協作。

工業 4.0 實施的生產力提升，是透過即時收集和分析來自機器的數據來實現的，這些數據可以帶來更好、更靈活的流程，並降低錯誤率和成本。這種技術整合還提供了前所未有的靈活性，可以更快地響應導致優化的問題和機會[ 14 ]。工業 4.0 還透過在生產線上，進行非生產性設置時間，來促進資源優化。儘管前景廣闊，但現代數位技術的現有應用，通常未被傳統的中小企業 (SME) 充分利用或忽略 [ 15 , 38 ]。這是一個非常普遍的問題，尤其是在食品行業。

最先進的技術和研究差距

大多數實現工業4.0轉型的現有方法，都依賴於轉向新技術、機器或自動化設備 [ 9、13 ]。雖然這在大公司中更容易實現，但由於所需投資規模造成巨大的財務障礙，對於中小企業來說，這並不總是可行的解決方案 [ 31 , 36 ]。對於傳統的中小企業製造商來說，一個更嚴峻的挑戰是，新機器無法保證生產出，與客戶幾代人習慣的品質相同的產品。產品質地的輕微變化，可能會導致巨大的損失並影響其市場地位。

食品生產的一致性一直是各種研究的主題 [ 39 ]。Brosnan 和 Sun [ 8 ] 提出了一種使用圖像處理算法，提高食品一致性的方法。然而，在現實世界中，攝影機鏡頭、拍攝角度和/或環境亮度等因素，會影響圖像處理的準確性。在某些設置中，由於包括數據保護在內的各種原因，不允許使用攝影機和其他設備。最近， [ 12 , 44 , 45] 研究了食品行業的各種技術和設備，包括物聯網設備和無線感測器。大多數相關技術都基於數據分析，這意味著數據收集和分析，是提高效率和一致性的核心。在這方面，[ 19 ] 提出了一個案例研究，重點是了解大數據在新食品開發中的使用； [ 20 ] 提出了一些大數據模型，以在食品供應鏈中做出更明智的生產決策； [ 40 ] 開發了一種新的生產管理模式，以最大限度地減少針對不同產品的生產線的重新配置； [ 4 ] 利用大數據改善食品供應鏈設計的永續性管理。

然而，這些方法中的大多數都是零碎的解決方案，沒有系統地實施工業 4.0，而且它們都不在傳統製造業的背景下，這對實施這些解決方案施加了很大的限制。另一種方法是將工業 4.0 技術用於具有百年曆史的機器，但這是一個巨大的挑戰，因為沒有現成的解決方案可以直接佈署和整合，以實現預期的期望和結果。由於沒有用於檢測、收集、格式化、傳輸、儲存、分析和/或存檔生產線即時數據的基礎設施，因此在傳統工廠轉型和現代化過程中，數據捕獲、數據挖掘和數據可視化，所需的管道變得具有挑戰性。

目標和貢獻

本文介紹了一個案例研究，我們報告了在一家典型的食品製造公司實施工業 4.0 技術的挑戰，並討論了這如何改變公司及其工業流程。最近的調查論文強調需要辨識和探索更多用例，以便在生產系統中應用工業 4.0 模型 [ 34 ]。據我們所知和詳盡的文獻回顧，我們的工作是第一個概述在典型 SME 製造商中，應用工業 4.0 技術所吸取的經驗教訓的工作。

不可能有一個靈活的計劃，阻止公司達到其「真正的」能力。這導致一些生產線的利用率不足（閒置），同時在其他生產線上進行晚班以跟上需求。這大大降低了公司的效率和利潤。此外，缺乏創新和新技術的實施，導致了維持和提高其市場地位的瓶頸。

因此，提高產品一致性和提高生產能力對公司而言非常重要；因此，需要設計和實施數位化製造平台作，為邁向工業 4.0 的第一步，以確保在短期、中期和長期內實現工廠的策略目標。

為了克服這些挑戰，我們利用工業 4.0 技術，開發了最先進的智慧生產控制系統，包括大數據分析[ 15、16、26 ] 、物聯網 [ 5、7、17、42、45 ]、機器學習 [ 11 ] 、網路實體系統 [ 24、25 ]和雲端運算[ 27、46 ]。這種新的智慧製造方法，允許轉變生產流程，以基於即時數據驅動的決策模型，生產優質產品。

透過用智慧分散的模組化系統，代替集中式人工決策，該平台提供了一個智慧控制設施，可實現工廠在生產一致性和產能方面的策略目標。自一個多世紀前開始生產以來，該系統首次完全整合到公司現有的生產設施中。該平台不僅可以理解流程，還提供自動化控制設施，透過預測烘焙不同產品的完美條件，實現不同生產線的一致性，而無需任何經驗豐富的員工。這對公司來說是一個重大的轉變，因為機器智慧取代了機會和技能，而隱性知識透過進入智慧決策而變得明確。

在這項工作中獲得的理論、知識和實踐，使我們能夠從傳統的工廠，轉變為現代化的裝配廠。本案例研究的結果將對其他製造業大有裨益，因為它們會遇到類似的問題 [ 21 ]。此外，在這項工作中開發的系統提供了一個參考架構，以便在類似行業中實施工業 4.0 技術。

論文組織

本文組織如下：第 2 節描述了工業 4.0 的設計原則，並介紹瞭如何在該工廠實施這些原則。第 3 節討論了這項工作的成果。第 4 節總結了本文並列出了我們未來的工作。

在傳統工廠環境中設計和實施工業 4.0 解決方案

問題表述

該公司的生產主要分為三個階段： i)預烘焙階段：供應鏈（供應和儲存配料和原材料）和混合（使用特定配方混合配料，並根據產品特定高度切割麵團）；(ii)烘烤階段（在烤箱中烹飪產品特定時間）；(iii)烘焙後階段：品質控制（根據顏色和質地檢查烘焙產品）、挑選（收集「完美烘焙」的產品）和包裝（見圖1）。

由於現有工藝的限制，該公司在產品的品質、口味和質地方面存在很大差異。目前，品質控製完全依賴於熟練的操作人員，和訓練有素的工人。所有產品都是在經驗豐富的工作人員的觀察下製作的。供應鏈資源和網路不可追溯，原材料未受到監控。烤箱的溫度曲線完全未知。沒有收集即時數據，也沒有在生產期間或之前/之後收集生產參數和/或屬性。此外，由於所有流程都採用手動決策程序，因此沒有可供高級員工和管理人員使用的決策支持系統。工廠安裝了數量有限的過時控制器；然而，

最近關於智慧工廠系統要求的研究 [ 28 ] ，強調並支持該版本的工廠，作為傳統製造設施的典型示例。

在這項研究中，我們旨在透過開發利用工業 4.0 技術，最先進的智慧生產控制系統來改變公司現有的生產流程。支持我們工作的方法在續集中進行了描述。

數據採集

數據收集是我們方法的核心。由於產品主要在烤箱中烘烤，我們首先需要了解烤箱內的溫度狀況。由於工廠從未測量過溫度，因此完全不知道達到的最高溫度。因此，我們設計並使用了帶有隔熱層的耐熱數據記錄器，用於在實際烘焙過程中記錄烤箱內的溫度 [ 23 ]。

所使用的數據記錄器由隔熱層保護，可以抵抗高達$1372\,^{\circ }\mathrm {C}$的溫度。記錄器的採樣時間頻率為每秒 8 個樣本，精度為$+/-1\,^{\circ }\mathrm {C}$。數據記錄器在穿過烤箱通道時，記錄溫度測量值。記錄的最高溫度約為$600\,^{\circ }\mathrm {C}$。

此階段的一個特殊挑戰，是位於不同生產線（烤箱）中的燃氣燃燒器的不同間隔。我們發現，第 1 行和第 2 行的燃氣燃燒器間隔明顯不同（見圖2）。我們遇到的另一個挑戰是數據記錄器無法通過 2 號線，因為烤箱入口太窄，沒有數據分析儀可以安裝。我們既無法開發也無法從外部提供如此薄的熱障，可以安裝到線中2. 這使我們無法獲得 2 號線內部的準確溫度圖。為了克服這個問題，我們通過觀察 1 號線中的溫度值和燃氣燃燒器的位置，來計算 2 號線的近似溫度。我們的方法描述如下：

假設每個燃氣燃燒器 GB $_{i}$提供與溫度測量 Temp $_{i}$相同的熱輻射（見圖3）。數據記錄器透過一個燃氣燃燒器時的溫度增量計算為

$$\begin{對齊} \mathrm{Temp} = \frac{\sum {}(\mathrm{Temp}_{t} - \mathrm{Temp}_{0})/N}{k} \end{對齊}$$

(1)

其中 Temp $_{0}$和 Temp $_{t}$分別表示烤箱入口和出口處的溫度測量值；N —— 燃氣燃燒器的總數；k表示數據記錄器在任意兩點之間，以相同行程時間運行的次數，即$T_{j}^{1} - T_{i}^{1} = T_{j}^{k} - T_{i}^{k}$。這裡，$T_{i} = D/V$，其中D是 GB $_{0}$和 GB $_{i}$之間的距離，V是傳送帶速度。

我們已經使用來自第 1 行的實際溫度讀數驗證了此方法。在圖4中，橙色圖顯示第 1 行的實際溫度分佈的平均值，藍色圖顯示使用等式計算的第 1 行的近似溫度分佈。1 . 實際圖和計算圖之間的相似性表明，方程式。圖1可用於近似線 2 的溫度曲線。在圖4中，綠色圖顯示了線 2 的近似溫度曲線，現在可用於以下階段。

即時大數據

透過烤箱運行數據記錄器，對於了解烤箱內的溫度狀況非常重要，但與工業 4.0 物聯網設備不同，這不能產生即時的大數據收集過程。只能透過安裝固定感測器來即時收集數據，這需要在烤箱的各個點上鑽孔並永久放置感測器。由於鑽孔對於具有百年曆史的烤箱來說風險很大，因此必須確定要安裝的最佳感測器數量。優化探針數量將防止對烤箱造成太大損壞，降低安裝成本並降低機器學習過程的複雜性（我們方法的另一個必需階段）。另一方面，安裝太少的感測器會導致溫度映射不準確。為了實現這一目標，區。每個區域定義了一對要安裝的感測器的位置。關於區域的相關研究可以在[ 30 ]中找到。

為了辨識區域，我們應用了k-means聚類方法。我們透過應用誤差平方和 (SSE) 方法，使用方程式找到了最佳k （區域編號）。2

$$\begin{aligned} \text {SSE} = \sum _{i=1}^{k}\sum _{x \in C_i}(x-\mu _i)^2 \end{aligned}$$

(2)

其中x是集群$C_i$中的數據實例，即（縮放的）溫度讀數，而$\mu _i$是$C_i$的質心。也就是說，我們計算了一個簇（即一個區域）中的確切溫度與其（最近的）平均（縮放）溫度（由 k-means 預測）之間的平方差之和。因此，較低的 SSE 值意味著實際數據與平均值之間的差異較小，從而為溫度曲線提供了更好的近似值。

如圖5所示，當$k=16$時獲得最佳值（係數值越小，區域定義越精確）。然而，在$k=8$之後，獲得的增益非常小。考慮到帶更多探針的區域過多可能會損壞烤箱，我們選擇$k=8$. 因此，基於這些結果，我們為每條生產線定義了八個虛擬區域，從烤箱入口到烤箱出口。烤箱中的每個區域都允許我們安裝兩個永久物聯網溫度檢測感測器，由設備Gateway控制。Gateway 是支持物聯網的設備，這意味著可以透過 Wi-Fi 訪問網關來檢索所有溫度讀數。每個探頭每秒提供八次溫度讀數。這導致需要收集和處理大量數據，這是大數據分析的關鍵組成部分。

物聯網和網路實體系統

工業 4.0 的重要組成部分之一，是物聯網設備和技術與資訊物理系統的融合。透過利用基於電腦和網路的設備，可以使用從實體系統生成的回饋來控制實體過程，反之亦然（參見圖 6）。為實現這一目標，已在場所內的不同位置佈署了許多環境數據監測感測器。集中式設備 Gateway 收集所有環境數據，包括氣溫、氣壓和濕度。Gateway 還將這些測量值上傳到數據庫。儲存的數據被監控並顯示在軟體平台的儀表板上，然後用於控制生產過程。

雖然每個設備 Gateway 都是幾個環境感測器的集中節點，但整個網路是分散和分佈式的。因此，網路中的一個或幾個組件故障不會導致整個系統死鎖。此外，實體系統將在儀表板上觸發警報，其中包含詳細的錯誤和位置。

在支持工業 4.0 的製造系統中，應以靈活的方式即時處理數據，以實現連續數據流 [ 2 ]，因為生產資源需要盡快分配（或重新分配）到任何需要它們的地方。因此，切割機的速度（在通過烤箱之前將餅乾和餅乾切割成特定形狀）和傳送帶的速度，都應該在運行時進行調整，以便產品可以以正確的速度移動（例如，較慢的切割機和傳送帶速度，會導致在餅乾和餅乾上產生更多的火焰燃燒），並且它們不會在包裝區域造成過多或過少的流量。

因此，我們安裝了兩個可程式邏輯控制器（PLC）計算設備，來即時控制切割機和傳送帶的速度。PLC 能夠透過監控生產線來調整速度。速度資訊顯示在儀表板上，並保存在數據庫中。

機器學習

這家工廠的一個主要問題是兩條相似的生產線，無法生產出相同品質的產品；即使是使用獨特配方和相同成分的單個生產線，有時也不會生產出相同品質的產品。

機器學習可用於從數據集 [ 10 ] 中發現模式，這允許從人類專家那裡學習知識。它甚至可以透過學習，導致優質產品和微調產品品質的「完美條件」來超越人類的專業知識，從而實現一致性。

然而，挑戰在於有許多參數，例如烤箱溫度、環境條件（例如空氣溫度、氣壓和濕度）會影響產品的品質。在我們最初的試驗中，我們使用了從整個工廠收集的所有數據（參見第 2.3 和 2.4 節）); 然而，這使得機器學習變得非常繁瑣和緩慢；因此，我們透過分析每個參數，對產品品質和一致性的影響，減少了數據的多維性。我們的分析表明，雖然烘焙區域外的環境變量，對於監測預烘焙和後烘焙過程很重要，但它們對烘焙過程的影響可以忽略不計（與烤箱溫度相比）；因此，在機器學習過程中，我們只考慮了烘焙區域周圍的環境變量。

我們注意到供應鏈參數和「麵團一致性」是需要考慮的其他因素，但這是一項未來的工作，不在這項工作的範圍內。

如上所述，我們從安裝在每個區域的探測器中，大規模即時收集數據。實際上，我們在六個月內收集了超過 25 萬個數據實例。對於每個烘烤環節，在收集烤箱溫度圖的同時，我們還記錄了烘烤餅乾和餅乾的品質。即，工廠的品質工程師具有多年經驗的專業知識，對烘烤過程中生產的「好」餅乾的烘烤評分為 1.0，對於顏色和質地等特性不符合工廠品質的產品，烘烤評分為 -1.0。標準（見圖8）。為了創建我們的訓練數據集，我們還監控並收集了所有環境數據，例如氣溫、表面溫度、濕度和氣壓，以及刀具和傳送帶的速度。這些數據已被用作機器學習算法的輸入。

重要的是要提到我們必須克服的另一個挑戰。儘管第 1 行和第 2 行非常相似（相同的長度、寬度和高度），但它們具有不同的燃氣燃燒器圖（見圖2），這意味著產品沒有暴露在相同的溫度範圍內。在圖 7 中可以觀察到線 1 和線 2 的溫度曲線之間的顯著差異。如圖所示，產品暴露在非常不同的溫度下，這是導致這些產品線不一致問題的主要原因。

由於第 1 行提供了更好的產品品質，我們將其作為參考線，在第 2 行應用機器學習時，我們使用了從第 1 行獲得的訓練數據，以強制預測器應用第 2 行的溫度曲線 1 到 2 線。為了進一步降低可變性，兩條生產線上的刀具速度，都被精確地調整到相同的值。兩條傳送帶的速度設置相同，因此餅乾和餅乾在兩個烤箱隧道中的傳輸時間相等（從烤箱入口到烤箱出口）。

在訓練階段，如方程式中所述。如圖3 所示，模型$f_{m}$透過機器學習算法，使用訓練集進行訓練。我們的訓練數據包含每個區域的溫度讀數，和「1.0」或「–1.0」的「烘焙」分數（即產品是“「好」或「壞」）。圖 8 展示了我們在一天烘焙期間的訓練數據子集。然後，如方程式中所述。如圖4 所示，通過驗證/測試用於線 2 預測的數據集來驗證/測試模型。換句話說，我們使用從第 1 行收集的數據，來訓練機器學習模型，然後使用從第 2 行收集的數據驗證/測試訓練後的模型。

$$\begin{aligned}&f_{m} : \{ \mathbf{X}: \text {訓練集} \} \rightarrow \{ \mathbf{Y}: \text {訓練分數} \} \end{aligned }$$

(3)

$$\begin{aligned}&f_{m} : \{ \mathbf{T}: \text {驗證/測試集} \} \rightarrow \{ \mathbf{P}: \mathrm{預測} \} \end{對齊}$$

(4)

為了驗證我們的結果，我們將生產線 1 的原始數據集分為兩組，70% 的數據作為模型訓練集，其餘數據作為模型測試集。如表1所示，KNN 分類器具有最高的訓練分數和預測準確率。因此，我們可以確信這個模型是一個很好的預測器。

表 1 模型檢查算法的性能比較。在我們的實驗中，我們使用了軟體庫 scikit-learn ( http://scikit-learn.org )。使用相同的訓練數據集，實現了五個選定的算法（加上四個不同的 SVM 內核）；所有參數都設置為庫的默認值以進行比較

全尺寸表

機器學習改變了現有的流程，其中產品的品質取決於機會和技能，因此操作員試圖透過手動控制設備，來找到最佳的烘焙條件，例如透過反覆試驗來調整烤箱的氣閥。這會導致大量浪費和次優產品，這些產品並不總是「完美」烘焙。機器學習透過預測烤箱內的最佳烘烤條件，來減少在錯誤條件下烘烤餅乾的機會，從而能夠在滿足產品特性，所需標準的情況下獲得更優質的產品。

基於雲的儀表板

我們最初使用本地伺服器來儲存從物聯網設備收集的數據。但是，我們遇到了一些問題。一旦儲存的數據開始擴大規模，就需要升級系統。伺服器發生了幾次故障（由於工廠的環境條件），導致重要數據收集過程中斷，並顯著延遲了機器學習過程。此外，由於工廠沒有任何內部 IT 專家，因此故障排除的反應時間非常慢。維護和緊急服務非常昂貴。

為了解決這些問題，我們已切換到雲端的解決方案。雲端和邊緣雲端環境越來越多地，用於涉及跨底層網路基礎設施的大量數據遷移的各種服務中 [ 1 ]。我們設計並開發了一個雲的儀表板，它允許從任何地方即時訪問所有物聯網設備和介面（見圖 9 在成本計算方面，雲端服務的成本抵消了使用本地伺服器的設備和維護成本；因此，這不會對生產成本產生負面影響。

基於雲的儀表板的一個重要特徵，是它根據不同的條件和參數，在特定的烹飪過程中提供動態（最佳）溫度狀態（見圖10）。這使生產團隊能夠深入了解流程，如果出現任何反覆出現的問題，這對於故障排除非常寶貴。儀表板還透過使用顏色輔助的可視化工具（圖11）提供對虛擬區域內溫度圖的洞察。如果溫度低於或高於某個定義的閾值，該工具會向負責人員發送警報消息。

虛擬化和智慧工廠

工業 4.0 中的「虛擬化」一詞，意味著所有實體過程，都可以在網路物實體系統，或獨立的虛擬化層中進行監控。所有感測器數據和 PLC 數據，都鏈接到序列化和模擬模型。因此，基於用於監控和模擬的即時數據，創建了數位副本的虛擬化工廠；這些副本中的所有模型及其關係，形成了一個虛擬化的智慧工廠。支持和提供所有生產計劃、生產指導、生產力和有效性。因此，生產操作員和工廠經理能夠在將作業插入實際計劃之前，在虛擬化監視器上模擬變化。同時，可以將多個監視器組合起來，作為決策支持系統；例如，生產虛擬監視器和庫存虛擬監視器，可以幫助制訂生產計劃和時間表。

為整個工廠開發和設置了三個虛擬化監控器（見圖6 ）：消耗監控器監控基於特定生產線的每個產品使用了多少麵粉、水和其他成分，包括供應鏈管理的統計數據；Production Monitor監控一種特定產品的當前生產效率，包括生產指導；Stock-Level Monitor監控所有產品的工廠倉庫庫存水準，包括市場行銷和銷售計劃的歷史數據集和季節性預測。

安全性和連續性

每條生產線都安裝了一個獨立的物聯網設備 Gateway，用於橋接所有感測器和/或 PLC 控制台，因為一些感測器不支持能源密集型協議，例如 Wi-Fi 或 BLE（低功耗藍牙），而另一些則需要公共沒有安全通信隧道的網路連接。所有這些設備 Gateway 都能夠將原始數據，上傳到雲數據儲存庫，並向儀表板發送即時通知以報告生產狀態。

同時， Gateway 提供可信通信，充當數據源和存檔儲存庫之間的內網代理。由於物聯網設備透過無線協議，訪問網路存在潛在的安全風險[ 35 ]， Gateway 對通信隧道和數據有效載荷進行加密；因此，只有經過驗證的數據介面，才能透過安全的應用程序編程接口 (API) 從 Internet 訪問。

當一個節點或整個區域發生故障時，其餘節點將繼續協同工作，並向相關利益相關者觸發警報。只有一個例外：當兩個節點（或區域）嘗試執行衝突的目標時，系統將停止。此問題的一種解決方案是將每個任務或目標，委託給執行優先級，因為更高級別的任務具有更高的執行優先級。

工業 4.0 系統的去中心化和互操作性增加，導致（網路）安全風險增加[ 22、37、41、43 ]。根據我們的風險評估，潛在的安全問題可以分為兩大類：（i）外部直接攻擊和（ii）來自內部易受攻擊設備的間接攻擊。這些潛在攻擊的目標，是訪問業務關鍵數據，例如產品配方（導致高業務風險）和/或操縱生產數據（導致生產能力受損）。

在系統級別上針對這些威脅的安全控制是：(i) 隔離業務數據的分區，並確保僅對授權人員的訪問，以及 (ii) 強制執行生產數據訪問「唯讀」並鎖定「生產控制單元上的寫入功能」。

我們在系統的佈署和交付過程中，考慮了幾個與安全相關的場景：

在第一種情況下，其中一個數據庫被入侵者入侵。為了解決這種情況，我們開發了一個安全的 API，可以通過 VPN 訪問目標數據庫，而不是僅僅依賴數據庫訪問憑證。

在第二種情況下，連接到網路的 PLC 設備之一被攻擊者入侵。為了解決這種情況，我們撤銷了所有用戶帳戶的「執行」權限，除了一個安全的「編輯」配置文件，它不參與日常生產和/或操作，除了佈署經過全面測試的 PLC 代碼。

在第三種情況下，生產操作員使用的行動設備之一被入侵者入侵。為了解決這個問題，我們設置了使用者級別的訪問權限，每個系統使用者對特定活動，都有唯一的訪問權限。此外，我們引入了更多的「唯讀」操作員使用者權限，而不是「讀寫」權限。

我們還制訂了業務連續性計劃，以防止導致工廠無法營運和/或生產的事件。該計劃包括形成一個連續性管理監視器，一個基於軟體的數據庫性能標識符。軟體中最常見的性能瓶頸之一是數據庫 I/O。數據儲存性能問題和問題有多種原因，但測量數據庫 I/O 流量和性能，也可以用作監控軟體系統健康狀況的數據測量。如果延遲過大，或者數據庫連接池的吞吐量過高，系統會通知工廠恢復團隊確認系統是否運行良好。同時，

去中心化和互操作性

對生產過程的效率、能力、一致性和生產力的要求不斷提高，這給傳統的集中式系統帶來了新的挑戰。工業 4.0 為去中心化和互操作性提供了新途徑。去中心化允許每個節點（或一個區域）為特定目的做出決策。同時，這種方法可以容忍分佈式設備網路中單個單元或一組節點的故障。互操作性的核心是整合各種系統，例如 IoT 和 CPS 設備。互操作性包括通信、協議、標準和即時數據處理。已經表明，不同操作和生產設備之間的互操作性，對於高效的食品生產非常重要。

圖6顯示了我們實現各種模塊和組件的互操作性和去中心化的方法。

討論

本文介紹的工作為企業帶來了重大成就。在下文中，我們概述了一些對其他類似中小企業和案例有用的通用經驗：

效率、生產力和一致性

本文提出的工業 4.0 的實施，使工廠能夠更好地了解生產過程和參數（例如烤箱溫度、環境條件、皮帶/切割機速度等），從而實現不同生產線的產品一致性。這大大提高了生產效率。公司現在可以透過先進的營運降低，與擴展業務有關的當前風險，以提供一致性和較低的製造成本，從而在公司認為存在機會的市場中保持競爭優勢。

這種智慧製造方法使隱性知識顯式化，即透過轉向智慧決策，在大規模即時大數據系統上運行，降低傳統上由特定人員，完成的人工決策和操作相關的風險。

降低營運成本

工業 4.0 在提高生產力和效率的同時，也增加了產能並減少了浪費。例如，使用儀表板功能，操作員現在能夠主動監控最佳溫度，從而節省能源消耗。由於減少了有限資源的使用並降低了排放，這些節省也對環境產生了積極影響。隨著維護變得可預測，該系統還能夠防止停機；因此，由於效率和容量的提高，可以減少人力和成本。

革新

這項原創性的工作，使一家仍然使用已有一百多年曆史的機械生產的高度傳統的食品製造公司，能夠轉移到工業 4.0，而無需在改變現有機械方面進行巨額投資。因此，這延長了當前生產設施的使用壽命，並使企業現在能夠根據性能數據分析，和新的生產洞察力考慮資本投資。

轉型

這項工作不僅幫助企業成為技術驅動型企業，並實現其戰略目標，而且還導致了公司內部的文化變革。由於與學術機構合作的開放議程，從技術人員到高層管理人員，公司的所有利益相關者，都歡迎這一步驟變化，並積極參與將項目產生的知識/技術轉移和整合到業務中。

結論

工業 4.0 在現代製造業中的應用競爭日益激烈，勢在必行，但被傳統的中小企業充分利用或忽視。本文介紹了工業 4.0 在傳統食品製造商中的設計、開發和實施作為案例研究，我們成功地利用了一些新興技術，包括物聯網、大數據分析、機器學習和網路實體系統。

本工作開發的智慧生產控制系統，提供了一種新穎的數據收集機制和智慧決策支持。該系統已成功整下到公司現有的設備和機械中。

我們的結果顯示，我們可以準確預測烘焙條件，以實現產品一致性。這些結果對食品行業很重要，因為操作員和數據科學家對數據有了新的理解；分析結果提高了生產力和一致性，從而提高了績效和盈利能力。

遺留基礎設施在許多行業中很常見。向智慧工廠和工業 4.0 的發展，需要充分且現實的用例。這項工作中提出的用例和開發的知識/技術，將透過提供參考架構系統，來在食品製造業中實施工業 4.0 技術，從而使其他具有類似問題的遺留基礎設施的製造商受益。這種方法還將為食品公司，以及其他嚴重依賴手動控制的行業開闢新途徑。系統架構（圖6）和數據流架構（圖9）足夠通用，可以在許多製造生態系統中適應和實施。

透過為在食品製造業中，實施工業 4.0 技術提供參考架構系統，所開發的知識/技術將使其他擁有遺留基礎設施、遇到類似問題的製造商受益。這種方法還將為食品公司，以及其他嚴重依賴手動控制的行業開闢新途徑。圖6 中呈現的架構，是一種通用方法，可以在許多製造生態系統中實施。

我們未來的研究將集中於整合更多的食品科學方面，特別是成分和食品加工，例如麵團稠度，以及供應鏈方面，例如儲存對成分特性的影響。我們還將更多地關注網路安全和系統優化。

按回今日3S Market新聞首頁

3S MARKET

· 面向食品製造工業 4.0 的設計和實施