Ein cloudbasierter IoT-Ansatz für die Vorhersage von Lebensmittelsicherheit und -qualität

Die Vorhersage von Sicherheit und Qualität ist ein aktuelles Thema in der Lebensmittelindustrie. Im Rahmen einer Zusammenarbeit mit der Genossenschaft Migros Zürich (GMZ), der ZHAW (vertreten durch die Institute IAS und ILGI) und der Axino Solutions AG entwickeln wir einen neuartigen IoT-Ansatz.

Das Hauptziel des Projekts ist die Bereitstellung einer robusten, zuverlässigen und kostengünstigen Methode zur Echtzeit-Überwachung der Kerntemperaturen von Lebensmitteln in verschiedenen Arten von Kühlgeräten, die in MIGROS-Läden eingesetzt werden.

Die Messungen der Umgebungstemperatur werden in regelmässigen Zeitabständen von Sensoren durchgeführt, die an bestimmten Stellen in den Kühlern positioniert sind.

Unter realen Bedingungen (d.h. in einem MIGROS-Laden) können die Kerntemperaturen nicht direkt gemessen werden, da es nicht erlaubt ist, Sensoren im Inneren von Lebensmitteln anzubringen. Daher müssen die Kerntemperaturen nur anhand der Umgebungstemperaturen und eines geeigneten mathematischen Modells, das die Physik des Kühlprozesses beschreibt, geschätzt werden. Die Dynamik solch komplexer Systeme kann nicht durch ein umfassendes physikalisches Modell mit allen möglichen Variablen, Parametern und Prozessen beschrieben werden, weshalb ein sehr allgemeiner Ansatz darin besteht, konzeptionelle Modelle zu entwerfen, die nur eine Auswahl einiger weniger Zustandsvariablen und Systemparameter enthalten.

Bei diesem reduktionistischen Ansatz werden die wichtigsten Prozesse, die von Interesse sind, durch ein der Physik entsprechendes deterministisches Modell beschrieben, das durch eine Differentialgleichung (ODE) ausgedrückt wird, während alle anderen Prozesse, die unvorhersehbare und unkontrollierbare Zufallsereignisse beinhalten, wie z. B. die Interaktionen mit Kunden in einem überfüllten Geschäft, als Rauschen in das Modell einbezogen werden.

Das Rauschen wird mathematisch durch einen Zufallsterm ausgedrückt, der eine stochastische Störung der durch den deterministischen Teil des Modells beschriebenen Dynamik bewirkt. Dies führt auf natürliche Weise zu einem sogenannten stochastischen Differentialgleichungsmodell. Um zuverlässige Vorhersagen machen zu können, muss das (stochastische) Modell an einigen Messdaten kalibriert werden.

Mit anderen Worten, die Modellparameter müssen geschätzt werden, damit das Modell die Beobachtungen reproduzieren kann. Diese datengesteuerte Modellkalibrierung wird als Parameterinferenz bezeichnet.

Sobald die Modellparameter ordnungsgemäß kalibriert sind, können wir mit einem geeigneten Vorwärtsmodell Echtzeitvorhersagen der Kerntemperaturen machen, wenn nur lokale Lufttemperaturbeobachtungen vorliegen.  Ein Netz von Temperatursensoren, die in geeigneter Weise in den Kühlschränken verschiedener, über das Gebiet verteilter Geschäfte installiert sind, wird die erforderlichen Echtzeit-Temperaturdaten liefern. Die lebensmittelspezifische Echtzeit-Temperaturschätzung ist ein Element in einem umfassenderen Rahmen für die vorausschauende Wartung, bei dem wir Zeitreihenanalysen einsetzen, um mögliche Anzeichen für Fehlfunktionen der Kühlgeräte in den Geschäften zu erkennen und die Lebensmittelqualität kontinuierlich zu überwachen.

Das System soll schließlich in der Lage sein, Frühwarnsignale zu erkennen, um Eingriffe wie technische Wartung vorzunehmen oder Qualitätsmanagementmaßnahmen einzuleiten.

Be Cool, Stay Fresh – Axino

Axino kombiniert IoT-Sensortechnologie mit patentierten KI-Algorithmen, um Frische zu gewährleisten und gleichzeitig den Energieverbrauch zu senken. Durch die Digitalisierung und Automatisierung des Qualitätsmanagementprozesses nehmen wir der Einhaltung der Lebensmittelsicherheit (HACCP) die Arbeit ab. www.axino.ai

Recommended Posts