BR112023000843B1 - Controles de inteligência de máquina de supervisão para a produção de substitutos de carne - Google Patents
Controles de inteligência de máquina de supervisão para a produção de substitutos de carne Download PDFInfo
- Publication number
- BR112023000843B1 BR112023000843B1 BR112023000843-3A BR112023000843A BR112023000843B1 BR 112023000843 B1 BR112023000843 B1 BR 112023000843B1 BR 112023000843 A BR112023000843 A BR 112023000843A BR 112023000843 B1 BR112023000843 B1 BR 112023000843B1
- Authority
- BR
- Brazil
- Prior art keywords
- extrusion
- extrusion die
- subsystem
- parameters
- fact
- Prior art date
Links
- 235000013372 meat Nutrition 0.000 title claims abstract description 43
- 238000004519 manufacturing process Methods 0.000 title abstract description 11
- 238000001125 extrusion Methods 0.000 claims abstract description 189
- 238000000034 method Methods 0.000 claims abstract description 184
- 230000008569 process Effects 0.000 claims abstract description 137
- 239000000203 mixture Substances 0.000 claims abstract description 82
- 239000004615 ingredient Substances 0.000 claims abstract description 45
- 238000005259 measurement Methods 0.000 claims abstract description 42
- 108090000623 proteins and genes Proteins 0.000 claims abstract description 39
- 102000004169 proteins and genes Human genes 0.000 claims abstract description 39
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 17
- 239000000843 powder Substances 0.000 claims abstract description 15
- 238000004886 process control Methods 0.000 claims abstract description 15
- 230000004044 response Effects 0.000 claims abstract description 8
- 239000000835 fiber Substances 0.000 claims description 59
- 230000003287 optical effect Effects 0.000 claims description 47
- 238000012545 processing Methods 0.000 claims description 30
- 238000010801 machine learning Methods 0.000 claims description 23
- 238000013135 deep learning Methods 0.000 claims description 4
- 230000002787 reinforcement Effects 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 239000000047 product Substances 0.000 description 48
- 238000012805 post-processing Methods 0.000 description 41
- 235000018102 proteins Nutrition 0.000 description 36
- 238000011112 process operation Methods 0.000 description 13
- 230000004927 fusion Effects 0.000 description 12
- 239000000463 material Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000001228 spectrum Methods 0.000 description 9
- 239000000470 constituent Substances 0.000 description 8
- 238000001816 cooling Methods 0.000 description 8
- 230000002596 correlated effect Effects 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 7
- 235000013312 flour Nutrition 0.000 description 6
- 230000006399 behavior Effects 0.000 description 5
- 230000001276 controlling effect Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000013178 mathematical model Methods 0.000 description 5
- 239000000654 additive Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000004925 denaturation Methods 0.000 description 4
- 230000036425 denaturation Effects 0.000 description 4
- 241000238631 Hexapoda Species 0.000 description 3
- 239000006057 Non-nutritive feed additive Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000004132 cross linking Methods 0.000 description 3
- 239000000945 filler Substances 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 239000000155 melt Substances 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 108010082495 Dietary Plant Proteins Proteins 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000010411 cooking Methods 0.000 description 2
- 239000012809 cooling fluid Substances 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000003995 emulsifying agent Substances 0.000 description 2
- 239000000839 emulsion Substances 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 235000006486 human diet Nutrition 0.000 description 2
- 238000011068 loading method Methods 0.000 description 2
- 235000013622 meat product Nutrition 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000003756 stirring Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 238000010146 3D printing Methods 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 108010060231 Insect Proteins Proteins 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 238000012356 Product development Methods 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 235000021120 animal protein Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000000149 argon plasma sintering Methods 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 230000003196 chaotropic effect Effects 0.000 description 1
- 229940112822 chewing gum Drugs 0.000 description 1
- 235000015218 chewing gum Nutrition 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 235000014113 dietary fatty acids Nutrition 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005489 elastic deformation Effects 0.000 description 1
- 238000002091 elastography Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000194 fatty acid Substances 0.000 description 1
- 229930195729 fatty acid Natural products 0.000 description 1
- 150000004665 fatty acids Chemical class 0.000 description 1
- 238000000855 fermentation Methods 0.000 description 1
- 230000004151 fermentation Effects 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000010440 gypsum Substances 0.000 description 1
- 229910052602 gypsum Inorganic materials 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000013067 intermediate product Substances 0.000 description 1
- 238000004898 kneading Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000007791 liquid phase Substances 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000003002 pH adjusting agent Substances 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000006479 redox reaction Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 239000007790 solid phase Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000004094 surface-active agent Substances 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000012285 ultrasound imaging Methods 0.000 description 1
- 238000002211 ultraviolet spectrum Methods 0.000 description 1
- 239000012808 vapor phase Substances 0.000 description 1
- 238000001429 visible spectrum Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
- A23J—PROTEIN COMPOSITIONS FOR FOODSTUFFS; WORKING-UP PROTEINS FOR FOODSTUFFS; PHOSPHATIDE COMPOSITIONS FOR FOODSTUFFS
- A23J3/00—Working-up of proteins for foodstuffs
- A23J3/22—Working-up of proteins for foodstuffs by texturising
- A23J3/26—Working-up of proteins for foodstuffs by texturising using extrusion or expansion
-
- A—HUMAN NECESSITIES
- A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
- A23P—SHAPING OR WORKING OF FOODSTUFFS, NOT FULLY COVERED BY A SINGLE OTHER SUBCLASS
- A23P30/00—Shaping or working of foodstuffs characterised by the process or apparatus
- A23P30/20—Extruding
-
- A—HUMAN NECESSITIES
- A23—FOODS OR FOODSTUFFS; TREATMENT THEREOF, NOT COVERED BY OTHER CLASSES
- A23J—PROTEIN COMPOSITIONS FOR FOODSTUFFS; WORKING-UP PROTEINS FOR FOODSTUFFS; PHOSPHATIDE COMPOSITIONS FOR FOODSTUFFS
- A23J3/00—Working-up of proteins for foodstuffs
- A23J3/22—Working-up of proteins for foodstuffs by texturising
- A23J3/225—Texturised simulated foods with high protein content
- A23J3/227—Meat-like textured foods
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C48/00—Extrusion moulding, i.e. expressing the moulding material through a die or nozzle which imparts the desired form; Apparatus therefor
- B29C48/022—Extrusion moulding, i.e. expressing the moulding material through a die or nozzle which imparts the desired form; Apparatus therefor characterised by the choice of material
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C48/00—Extrusion moulding, i.e. expressing the moulding material through a die or nozzle which imparts the desired form; Apparatus therefor
- B29C48/25—Component parts, details or accessories; Auxiliary operations
- B29C48/92—Measuring, controlling or regulating
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C2948/00—Indexing scheme relating to extrusion moulding
- B29C2948/92—Measuring, controlling or regulating
- B29C2948/92009—Measured parameter
- B29C2948/92028—Force; Tension
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C2948/00—Indexing scheme relating to extrusion moulding
- B29C2948/92—Measuring, controlling or regulating
- B29C2948/92009—Measured parameter
- B29C2948/9219—Density, e.g. per unit length or area
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C2948/00—Indexing scheme relating to extrusion moulding
- B29C2948/92—Measuring, controlling or regulating
- B29C2948/92009—Measured parameter
- B29C2948/92209—Temperature
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C2948/00—Indexing scheme relating to extrusion moulding
- B29C2948/92—Measuring, controlling or regulating
- B29C2948/92009—Measured parameter
- B29C2948/92247—Optical properties
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C2948/00—Indexing scheme relating to extrusion moulding
- B29C2948/92—Measuring, controlling or regulating
- B29C2948/92009—Measured parameter
- B29C2948/92314—Particular value claimed
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Polymers & Plastics (AREA)
- Health & Medical Sciences (AREA)
- Food Science & Technology (AREA)
- Biochemistry (AREA)
- Nutrition Science (AREA)
- Manufacturing & Machinery (AREA)
- Molecular Biology (AREA)
- Mechanical Engineering (AREA)
- Extrusion Moulding Of Plastics Or The Like (AREA)
- Fodder In General (AREA)
- Meat, Egg Or Seafood Products (AREA)
- General Preparation And Processing Of Foods (AREA)
Abstract
controles de inteligência de máquina de supervisão para a produção de substitutos de carne. a presente invenção se refere a um sistema que inclui uma máquina de processo de extrusão úmida configurada para receber, misturar e transportar uma pluralidade de ingredientes para uma matriz de extrusão, a pluralidade de ingredientes inclui uma proteína em pó, um óleo e água. o sistema inclui um sistema eletrônico de controle de processo (epcs) configurado para controlar a máquina de extrusão úmida usando uma pluralidade de configurações de processo eficazes para produzir uma mistura de matriz de extrusão que é forçada, passa e sai a partir da matriz de extrusão. o sistema compreende ainda um sistema de controle de inteligência de máquina supervisória (smics) acoplado em modo de operação a pelo menos um de um subsistema de medição direta de fibrosidade (dfm) configurado para medir diretamente um ou mais parâmetros físicos de fibrosidade da mistura de matriz de extrusão e um subsistema de medição indireta de fibrosidade (ifm) configurado para medir um ou mais parâmetros do processo de extrusão associados à mistura de matriz de extrusão. o smics é configurado para modificar uma ou mais configurações do processo de pluralidade em resposta a pelo menos um dos um ou mais parâmetros de fibrosidade física e um ou mais parâmetros do processo de extrusão, eficazes para modificar a mistura de matriz de extrusão.
Description
[001] O presente pedido se refere a aparelhos, métodos e sistemas para a produção de substitutos alternativos de carne à base de proteína e a controles de inteligência de máquina de supervisão para tais aparelhos, métodos e sistemas.
[002] O crescimento da população humana e as mudanças sociodemográficas estão pressionando cada vez mais os recursos naturais para fornecer mais e diferentes tipos de alimentos. As proteínas são um dos principais nutrientes da dieta humana. As proteínas de origem animal da carne são uma fonte de proteína cada vez mais popular e importante para a dieta humana, no entanto, o impacto ecológico da pecuária e da produção de carne também é um problema significativo e crescente. Substitutos alternativos de carne à base de proteína, como substitutos de carne à base de proteína vegetal e substitutos de carne à base de proteína de insetos, oferecem uma fonte alternativa de alimento que busca fornecer ou exceder os benefícios nutricionais da carne.
[003] O documento WO 2016/142788 A2 revela produtos de proteína vegetal e métodos para fazer o mesmo. Em particular, descreve diferentes variantes de um método para fabricar um substituto de carne seca utilizando uma extrusora, compreendendo: preparar uma emulsão de um concentrado de proteína vegetal e um emulsionante; alimentar uma mistura tangível na extrusora; introduzir a emulsão na mistura tangível dentro da extrusora para formar um material combinado; e empurrar o material combinado através de um ou mais orifícios em uma extremidade da extrusora para um entorno ambiental.
[004] O documento WO 2009/143840 A2 revela um sistema de formação contínua de goma de mascar com enchimento central de acordo com a Fig. 2 reproduzida abaixo. O sistema compreende uma extrusora, pelo menos um aparelho de medição e um sistema de controle.
[005] Um desafio significativo para substitutos alternativos de carne à base de proteína é fornecer características estéticas e físicas desejadas (por exemplo, sabor, textura, resistência, aparência e comportamento de cozimento, que são características estéticas e físicas) que emulem ou excedam as de carne de origem animal. Controlar as características estéticas de substitutos alternativos de carne à base de proteína é um problema complexo impactado por múltiplas variáveis, incluindo características de ingredientes (por exemplo, composição química, composição e estrutura física, pureza e outras características dos ingredientes e aditivos introduzidos no processo) e configurações do processo (por exemplo, taxa de alimentação de ingredientes, taxas de fluxo do processo, temperaturas do processo e outros parâmetros de controle).
[006] A Figura 1 é um diagrama esquemático que descreve certos aspectos de um sistema da técnica anterior 100 para a produção de um produto alternativo de carne à base de proteína. No sistema 100, um ou mais operadores humanos 102 geram uma receita 104 incluindo ingredientes 106 a serem fornecidos a uma máquina de processo de extrusão úmida 112 e configurações de processo 110 que são fornecidas a um controlador de máquina 103 configurado para controlar a operação da máquina de processo de extrusão úmida 112. A máquina de processo de extrusão úmida 112 inclui um ou mais alimentadores 114 que fornecem um ou mais ingredientes respectivos 106 para uma extrusora 108 que inclui um ou mais parafusos rotativos 116 que estão dispostos e giram dentro de um barril estacionário ou câmara 118 definindo um comprimento de um caminho de processamento.
[007] Os ingredientes 106 podem incluir, por exemplo, uma ou mais proteínas em pó alternativas (por exemplo, farinhas à base de plantas e/ou farinhas à base de insetos), água e óleo, e também podem incluir aditivos, enchimentos, auxiliares de processamento, e semelhante. Um ou mais alimentadores 114 introduzem os ingredientes 106 na extrusora 108 em vários locais ao longo do comprimento do caminho de processamento. A extrusora 108 mistura e avança os ingredientes 106 ao longo do caminho de processamento, controla a temperatura em diferentes locais ao longo do caminho de processamento e extruda uma mistura processada através de uma matriz 120. A mistura processada extrudada pode então sofrer uma ou mais operações de pós-processamento 124 para configurar a saída da mistura processada da matriz 120 na forma final de um produto substituto de carne 126.
[008] As configurações de processo 110 podem incluir quantidades ou taxas de introdução dos ingredientes 106, velocidade de rotação de um ou mais parafusos 116, configurações de temperatura, pressão e/ou umidade em um ou mais locais ao longo do caminho de processamento, e outras configurações operacionais da máquina de processo de extrusão úmida 112. O sistema 100 depende da entrada de ajuste 122 de um ou mais operadores humanos 102 para ajustar os ingredientes 106, configurações de processamento 110 e operações de pós-processamento 124. Entrada de ajuste 122 se baseia na inspeção e avaliação do(s) operador(es) de um produto em processamento em um ou mais pontos do processo (por exemplo, amostras de produtos retiradas a partir da saída da matriz 120 ou em um ou mais pontos nas operações de pós-processamento 124 ) a fim de alcançar as características desejadas do produto substituto de carne 126 e, portanto, depende da especialização e experiência do(s) operador(es).
[009] Até agora, alcançar as características estéticas desejadas para substitutos alternativos de carne à base de proteína exigia a confiança na perícia humana e na experiência alcançada por meio da dispendiosa repetição de tentativa e erro. Isto impõe várias desvantagens e limitações. Por exemplo, porque alcançar as características estéticas desejadas depende da experiência de especialistas humanos individuais, a produção está exposta ao risco de indisponibilidade dos especialistas. Além disso, embora as técnicas de controle de inteligência de máquina sejam conhecidas por serem úteis em alguns contextos, elas são altamente específicas do processo e não foram desenvolvidas ao ponto de aplicabilidade geral ao controle de processo. Além disso, tais técnicas provaram ser ineficientes ou ineficazes em várias aplicações. Mesmo usando formas gerais de tais técnicas, adaptar um processo para produtos alimentícios otimizados e personalizados é uma proposta demorada e pode exigir semanas e meses de experimentos baseados em tentativa e erro, com mudanças limitadas e graus de sucesso. A falta de informações relevantes sobre os principais parâmetros tem sido outro obstáculo tanto para o controle especializado humano quanto para as abordagens de controle de inteligência de máquina. Uma variável de confusão adicional é a presença de complexidade composicional, como comportamentos fluidos não newtonianos e não lineares que são exibidos por materiais alternativos de produtos substitutos de carne à base de proteína. A variação desconhecida nas entradas de ingredientes é mais um obstáculo confuso. Permanece uma necessidade significativa não atendida para os aparelhos, métodos, sistemas e técnicas exclusivos descritos neste documento.
[010] Para abordar as deficiências anteriores e outras deficiências e problemas enfrentados na técnica, os inventores desenvolveram uma série de soluções técnicas exclusivas, incluindo os aparelhos, métodos, sistemas, processos e técnicas aqui descritos. Para fins de ilustração de certos aspectos do mesmo, deve agora ser feita referência às modalidades exemplares ilustradas nos desenhos anexos da presente descrição.
[011] A Figura 1 é um diagrama esquemático que ilustra um sistema da técnica anterior para produzir substitutos alternativos de carne à base de proteína.
[012] A Figura 2 é um diagrama esquemático que ilustra certos aspectos de um exemplo de sistema para a produção de substitutos alternativos de carne à base de proteína.
[013] A Figura 3 é um diagrama esquemático que ilustra certos aspectos de um exemplo de implementação de um sistema para produzir substitutos alternativos de carne à base de proteína, como o sistema da Figura 2.
[014] A Figura 4 é um diagrama esquemático que ilustra certos aspectos de um exemplo de implementação de um sistema para produzir substitutos alternativos de carne à base de proteína, como o sistema da Figura 2.
[015] A Figura 5 é um diagrama esquemático que ilustra certos aspectos de um exemplo de implementação de um sistema para a produção de substitutos alternativos de carne à base de proteína, tal como o sistema da Figura 2.
[016] Com referência à Figura 2, é ilustrado um sistema 200 para produzir um produto alternativo de carne à base de proteína 226. O sistema 200 inclui uma máquina de processo de extrusão úmida 212 que pode ser a mesma ou semelhante à máquina de processo de extrusão úmida 112 do sistema 100. Por exemplo, a máquina de processo de extrusão úmida 212 inclui um ou mais alimentadores 214 que fornecem um ou mais ingredientes respectivos 206 para uma extrusora 208 que inclui um ou mais parafusos rotativos 216 que são dispostos e giram dentro de um barril estacionário ou a câmara 218 definindo um comprimento de um caminho de processamento. Os ingredientes 206 podem incluir, por exemplo, uma ou mais proteínas em pó alternativas (por exemplo, farinhas à base de plantas e/ou farinhas à base de insetos), água e óleo, e também podem incluir aditivos, enchimentos, auxiliares de processamento e semelhante.
[017] A máquina de processo de extrusão úmida 212 é um exemplo de uma máquina de processo de extrusão úmida configurada para receber, misturar e transportar uma pluralidade de ingredientes para uma matriz de extrusão 220, a pluralidade de ingredientes incluindo uma proteína em pó, um óleo e água (incluindo água em estado líquido, vapor ou fase sólida). Por exemplo, um ou mais alimentadores 214 introduzem os ingredientes 206 na extrusora 208 em vários locais ao longo do comprimento do caminho de processamento. Em certas modalidades, um ou mais alimentadores 214 podem incluir um ou mais alimentadores de pó configurados para introduzir o pó de proteína na passagem de extrusão, um ou mais alimentadores de água configurados para adicionar água à passagem de extrusão e um ou mais alimentadores de óleo configurados para adicionar o óleo à passagem de extrusão.
[018] A extrusora 208 mistura e avança os ingredientes 206 ao longo do caminho de processamento. Um ou mais sistemas de aquecimento e/ou sistemas de resfriamento podem ser acoplados à extrusora de parafuso e configurados para aquecer ou resfriar seletivamente um ou mais locais ao longo do comprimento da passagem de extrusão eficaz para controlar a temperatura do processo em diferentes locais ao longo do comprimento do caminho de processamento e extruda uma mistura processada através da matriz de extrusão 220. Deve ser apreciado que a máquina de processo de extrusão úmida 212 é um exemplo de uma máquina de extrusão úmida configurada para receber, misturar e transportar uma pluralidade de ingredientes para uma matriz de extrusão e que um número de alternativas e variações são contempladas como ocorrerá a um versado na técnica com o benefício da presente divulgação. Deve ser ainda apreciado que uma variedade de máquinas de extrusão úmida e processos de extrusão úmida podem ser utilizados em modalidades de acordo com a presente descrição.
[019] Várias modalidades de acordo com a presente descrição compreendem vários tipos de máquinas e processos de extrusão úmida em macro escala, por exemplo, extrusoras de rosca única, extrusoras de rosca dupla, extrusoras de rosca múltipla de ordem superior, amassadeiras, amassadeiras extrusoras, extrusoras de contrarrotação, extrusoras de corrotação e outros tipos de máquinas e processos de extrusão em macro escala. Adicional ou alternativamente, as máquinas e processos de extrusão úmida podem compreender extrusão em microescala, por exemplo, via deposição de filamentos, fabricação de filamentos fundidos, modelagem de filamentos fundidos ou outras técnicas de impressão 3D ou extrusão de materiais em microescala.
[020] Máquinas de extrusão úmida e processos de acordo com a presente descrição podem, respectivamente, realizar e compreender uma série de atos. Tais atos podem incluir misturar ou combinar um ou mais ingredientes secos e um ou mais ingredientes líquidos para formar uma combinação ou mistura (às vezes chamada de massa), processar a massa para desnaturar proteínas e orientar fibras proteicas e fixar ou endurecer uma estrutura fibrosa. O processamento da massa para desnaturar proteínas e orientar as fibras proteicas pode compreender a aplicação de força mecânica à massa, por exemplo, agitando, batendo, fluindo por confluência, aplicação de fricção, impacto, amassamento, pressurização, agitação, rotação, aplicação de turbulência, aplicação de onda, ou combinações destas e/ou outras aplicações de força mecânica. O processamento da massa para desnaturar proteínas e orientar as fibras proteicas pode adicional ou alternativamente ser realizado pela aplicação de reagentes químicos, energia radiante, energia eletromagnética e/ou energia térmica. Os reagentes químicos podem incluir agentes de ajuste de pH, agentes cosmotrópicos, agentes caotrópicos, gesso, sais, tensoativos, emulsificantes, ácidos graxos, aminoácidos, enzimas ou combinações destes e/ou outros componentes químicos. A fixação ou configuração de uma estrutura fibrosa pode compreender a aplicação de mudanças de temperatura, mudanças de pressão, desidratação, reações redox, fixação química e/ou outras operações de fixação.
[021] O sistema 200 inclui ainda um sistema eletrônico de controle de processo (EPCS) 203 que é um exemplo de um EPCS configurado para controlar uma máquina de extrusão úmida usando uma pluralidade de configurações de processo eficazes para produzir uma mistura de matriz de extrusão que é forçada, passa por, e sai a partir da matriz de extrusão. Por exemplo, o EPCS 203 é configurado para controlar a máquina de extrusão úmida 212 usando uma pluralidade de configurações de processo 210 eficazes para produzir uma mistura de matriz de extrusão que é forçada, passa e sai a partir da matriz de extrusão 220. As configurações de processo 210 podem incluir quantidades ou taxas de introdução dos ingredientes 206, velocidade de rotação de um ou mais parafusos 216, ajustes de temperatura em um ou mais locais ao longo do caminho de processamento, ajustes de pressão em um ou mais locais ao longo do comprimento do caminho de processamento e outras configurações operacionais da máquina de processo de extrusão úmida 212.
[022] O EPCS é ainda configurado para controlar o equipamento de pós- processamento automatizado 224 usando uma pluralidade de configurações de pós- processamento 211. O equipamento de pós-processamento automatizado 224 é configurado para processar ainda mais a mistura de matriz que sai da matriz de extrusão 220 na forma final de um produto substituto de carne 226, por exemplo, cortando, triturando, rasgando, arrancando, enrolando ou outras técnicas de pós- processamento.
[023] O EPCS inclui ainda um ou mais subsistemas de detecção 225 que detectam e fornecem parâmetros de feedback para um sistema de controle de inteligência de máquina de supervisão (SMICS). Os parâmetros de feedback podem incluir parâmetros de sensores associados à máquina de extrusão úmida 212 e/ou ao equipamento de pós-processamento automatizado 224. Os sensores podem ser configurados para detectar e fornecer parâmetros de feedback associados à operação e/ou ao material sendo processado pela máquina de extrusão úmida 212 e/ou equipamento de pós-processamento automatizado 224. Em certas formas, os subsistemas de detecção 225 podem incluir um ou mais dos subsistemas de detecção e/ou sensores descritos abaixo em conexão com a Figura 3, uma combinação de dois ou mais dos subsistemas de detecção e/ou sensores descritos abaixo em conexão com a Figura 3 e, adicionalmente ou alternativamente, outras formas e tipos de subsistemas de detecção e/ou sensores.
[024] O sistema 200 depende de um ou mais componentes de inteligência de máquina do SMICS 204 para determinar, fornecer e ajustar ou modificar os ingredientes 206, configurações de processo 210, configuração de pós- processamento 211 utilizadas pelo EPCS 203 para alcançar as desejadas características do produto substituto de carne 226. As configurações de ingredientes 206 fornecidas por SMICS 204 a EPCS 203 podem incluir especificações quantitativas e qualitativas de ingredientes para uma pluralidade de ingredientes, por exemplo, uma ou mais proteínas em pó alternativas (por exemplo, farinhas à base de plantas, proteínas derivadas da fermentação de microrganismos e/ou farinhas à base de insetos), água e óleo, e também podem incluir aditivos, enchimentos, auxiliares de processamento e semelhantes.
[025] As configurações de processo 210 fornecidas por SMICS 204 a EPCS 203 podem incluir quantidades ou taxas de introdução dos ingredientes 206, velocidade de rotação de um ou mais parafusos 216, configurações de temperatura, pressão e/ou umidade em um ou mais locais ao longo do caminho de processamento e outras configurações operacionais da máquina de processo de extrusão úmida 212. As configurações de pós-processamento 211 fornecidas por SMICS 204 a EPCS 203 podem incluir força, magnitude, frequência e outros parâmetros de controle associados com o cortar, triturar, rasgar, arrancar, rolar ou outras técnicas de pós- processamento podem ser realizadas por equipamento de pós-processamento automatizado 224.
[026] Um operador humano 202 pode fornecer entrada, como ingredientes disponíveis e dados do produto desejado para SMICS 204, embora também seja contemplado que tais entradas podem ser proporcionadas de forma automatizada ou semiautomatizada. A entrada de dados do produto desejado pode incluir uma série de parâmetros associados a um produto intermediário ou final desejado, incluindo, por exemplo, imagens digitais de misturas conhecidas na entrada ou próximo à entrada de uma matriz de extrusão comparável à matriz de extrusão 220, na saída ou próximo a ela de uma matriz de extrusão comparável à matriz de extrusão 220 ou em um ou mais locais adicionais ou alternativos em relação a tal matriz de extrusão. A entrada de dados do produto desejado pode adicional ou alternativamente incluir uma série de parâmetros físicos de fibrosidade determinados pelo processamento de imagens digitais de tais misturas conhecidas, incluindo, por exemplo, parâmetros físicos de fibrosidade, tal como uma métrica de tamanho de fibra, uma métrica de orientação de fibra, uma métrica de alinhamento de fibra, uma métrica de emaranhamento de fibra, métrica de distância entre fibras, uma métrica de força de torção, uma métrica de densidade, uma métrica de bolha de fibra ou combinações das mesmas.
[027] Deve ser apreciado que os parâmetros de fibrosidade física acima mencionados podem ser definidos de várias maneiras. Por exemplo, a métrica do tamanho da fibra pode incluir um ou mais de um diâmetro médio da fibra, um comprimento médio da fibra, uma distribuição ou variação do diâmetro da fibra, uma distribuição ou variação do comprimento da fibra, um quartil, quintil, decil ou outras métricas de alcance do diâmetro da fibra e/ou comprimento ou várias outras métricas de tamanho como ocorreria a um versado na técnica com o benefício da presente descrição. A métrica de orientação da fibra pode incluir, por exemplo, um índice de uniformidade de orientação variando de 0 (indicando um grupo de fibras com uma orientação aleatória ou pseudoaleatória em relação a uma referência de orientação) a 1 (indicando um grupo de fibras com orientações que são substancialmente ou completamente uniforme em relação à referência de orientação). A métrica de alinhamento de fibra pode incluir, por exemplo, um índice de uniformidade de orientação variando de 0 (indicando um grupo de fibras com alinhamentos aleatórios ou pseudoaleatórios entre si) a 1 (indicando um grupo de fibras com alinhamentos que são substancialmente ou completamente uniformes entre si). A métrica de emaranhamento de fibra pode incluir, por exemplo, um número de cruzamentos de fibra por unidade de área de uma imagem digital. A métrica de distância entre fibras pode incluir uma distância média entre fibras adjacentes. A métrica de densidade pode ser calculada ou derivada usando uma ou mais das métricas anteriores, por exemplo, usando uma razão de fibra para distância entre fibras e um ou mais coeficientes correspondentes a uma métrica de tamanho de fibra, uma métrica de orientação de fibra, uma métrica de alinhamento de fibra, uma métrica de emaranhamento de fibra e/ou uma métrica de bolha de fibra. Deve ser ainda apreciado que as médias acima mencionadas podem incluir médias médias (mean averages), médias medianas, médias modais, médias ponderadas ou variações das mesmas. Uma métrica de bolha de fibra pode indicar a presença, grau e características da formação de bolhas de ar ou gás dentro das fibras ou na matriz interfibra, por exemplo, uma contagem de bolhas por unidade de área ou unidade de volume e tamanho médio de bolha (por exemplo, diâmetro, raio, volume, etc.) e/ou uma frequência de bolha. Deve ser apreciado que, para alguns propósitos, a métrica de bolha de fibra pode ser considerada uma forma ou pode ser correlacionada com uma métrica de densidade de fibra.
[028] Em geral, o SMICS 204 é estruturado para realizar determinadas operações e para receber e interpretar sinais de qualquer componente e/ou sensor do sistema 200 com o qual esteja em comunicação operativa, direta ou indiretamente. Deve ser apreciado que o SMICS 204 pode ser fornecido em uma variedade de formas e configurações, incluindo um ou mais dispositivos de computação formando um todo ou uma parte de um subsistema de processamento com memória não transitória que armazena instruções executáveis por computador, processamento e hardware de comunicação. O SMICS 204 pode ser um único dispositivo ou um dispositivo distribuído, e as funções do SMICS 204 podem ser executadas por hardware ou software. O SMICS 204 está em comunicação com quaisquer acionadores, sensores, datalinks, dispositivos de computação, conexões sem fio ou outros dispositivos para poder executar qualquer operação descrita. O SMICS 204 pode incluir um ou mais dispositivos de memória não transitórios configurados para armazenar instruções na memória que são legíveis e executáveis pelo SMICS 204 para controlar a operação do sistema 200 conforme descrito neste documento.
[029] Certas operações aqui descritas incluem operações para determinar um ou mais parâmetros descritos. O SMICS 204 pode ser configurado para determinar e pode realizar atos de determinação de várias maneiras, por exemplo, calculando ou computando um valor, usando técnicas estatísticas, obtendo um valor de uma tabela de pesquisa ou usando uma operação de pesquisa, recebendo valores de um conexão de dados ou comunicação de rede, recebendo um sinal eletrônico indicativo do valor, recebendo um parâmetro indicativo do valor, lendo o valor de um local de memória em um meio legível por computador, recebendo o valor como um parâmetro de tempo de execução e/ou por receber um valor pelo qual o parâmetro interpretado pode ser calculado e/ou referenciar um valor padrão que é interpretado como o valor do parâmetro.
[030] O SMICS 204 inclui um ou mais componentes de inteligência de máquina 205 que podem ser configurados para executar uma série de técnicas de inteligência de máquina para ajustar ou modificar automaticamente os ingredientes 206, configurações de processo 210, configuração de pós-processo 211 utilizada pelo EPCS 203 em resposta para feedback de informações de um ou mais subsistemas de detecção 225. Por exemplo, o componente de inteligência de máquina 205 pode ser configurado para utilizar uma técnica de aprendizado de máquina, talo como uma ou mais das técnicas descritas nesse documento.
[031] O SMICS 204 pode utilizar uma técnica de aprendizagem profunda ou aprendizagem estruturada profunda na qual um ou mais componentes de inteligência de máquina 205 utilizam uma rede neural artificial (ANN) com múltiplas camadas entre a camada de entrada e a camada de saída. Por exemplo, a ANN pode ser configurada com um caminho de atribuição de crédito multicamadas (CAP) que define a cadeia de transformações da rede neural da camada de entrada para a camada de saída.
[032] O SMICS 204 pode utilizar uma técnica de aprendizado supervisionado ou semissupervisionado em que um ou mais componentes de inteligência de máquina 205 são fornecidos com entradas de exemplo e suas saídas desejadas e um objetivo definido de gerar uma ou mais regras que mapeiam entradas para saídas. As entradas de exemplo, saídas desejadas e meta definida podem ser inseridas por um usuário e/ou pelo menos em parte adquiridas por um ou mais componentes de inteligência de máquina 205 durante a operação do sistema 200.
[033] O SMICS 204 pode utilizar uma técnica de aprendizado por reforço na qual um ou mais componentes de inteligência de máquina 205 interagem com um ambiente de processo dinâmico ao longo do tempo em que deve executar um objetivo definido, por exemplo, produzir ou duplicar a entrada de dados do produto desejado para SMICS 204. Em tal modalidade, à medida que um ou mais componentes de inteligência de máquina 205 navegam repetidamente em um espaço problemático, ele é fornecido com feedback de subsistemas de detecção e/ou um operador ou treinador que é utilizado como uma recompensa que o um ou mais componentes de inteligência de máquina 205 procura maximizar.
[034] Em outras modalidades, o SMICS 204 pode adicional ou alternativamente utilizar outras técnicas de aprendizado de máquina, como aprendizado não supervisionado, em que nenhum rótulo é dado a um ou mais componentes de inteligência de máquina 205, deixando-os por conta própria para encontrar a estrutura em sua entrada. Outras modalidades podem utilizar outras técnicas de aprendizado de máquina, como modelagem de tópico, redução de dimensionalidade ou meta aprendizado.
[035] Conforme descrito neste documento, o SMICS 204 pode utilizar as técnicas de aprendizado de máquina anteriores em um modo de aprendizado ou treinamento em que o SMICS 204 gera, mantém e/ou atualiza um ou mais modelos para estabelecer uma correlação entre uma ou mais das entradas de feedback de processo divulgadas neste documento e um ou mais dos parâmetros ou configurações de controle de processo divulgados neste documento. O SMICS 204 pode adicional ou alternativamente utilizar as técnicas de aprendizado de máquina anteriores em um modo de controle ou supervisão para controlar as características estéticas de um produto substituto de carne produzido. O SMICS 204 pode adicional ou alternativamente utilizar as técnicas de aprendizado de máquina anteriores em um modo de desenvolvimento de produto para identificar e caracterizar receitas para um produto substituto de carne produzido, incluindo parâmetros de ingredientes e parâmetros de configuração de processo.
[036] Com referência à Figura 3, é ilustrado um diagrama esquemático representando certos aspectos de um exemplo de implementação 300 do sistema 200, incluindo certos aspectos dos subsistemas de detecção 225 e do SMICS 204. A implementação 300 inclui um subsistema de medição direta de fibrosidade (DFM ) 312 e um subsistema de medição indireta de fibrosidade (IFM) 314 que são acoplados de modo operacional ao SMICS 204. Na implementação 300, o componente de inteligência de máquina 205 do SMICS 204 é configurado para implementar um processo de aprendizado de máquina (MLP) 305 que pode ser configurado para utilizar uma ou mais das técnicas de aprendizado de máquina descritas acima em conexão com a Figura 2. O subsistema DFM 312 e o subsistema IFM 314 são cada um configurado para proporcionar uma ou mais entradas para o MLP 305. Deve ser apreciado que algumas modalidades podem incluir apenas um do subsistema DFM 312 e do subsistema IFM 314. Além disso, algumas modalidades podem incluir várias instâncias de um ou de ambos o um subsistema DFM e um subsistema IFM que podem ser configurados para proporcionar uma ou mais entradas para o MLP 305.
[037] O subsistema DFM 312 é configurado para medir diretamente um ou mais parâmetros de fibrosidade física da mistura de matriz de extrusão. Para este fim, o subsistema DFM pode incluir um ou mais de um sistema de sensor óptico ou de outro espectro eletromagnético (sistema de sensor EM/óptico 320), um sistema de sensor de força mecânica 330 e um sistema de sensor sônico 340. Deve ser apreciado que algumas modalidades podem incluir apenas um dos sistemas de sensores anteriores, enquanto algumas modalidades podem incluir dois ou mais dos sistemas de sensores anteriores. Além disso, algumas modalidades podem incluir várias instâncias de qualquer um ou mais dos sistemas de sensores anteriores.
[038] O sistema de sensor EM/óptico 320 inclui um ou mais sensores ópticos ou outros sensores de espectro eletromagnético (sensores EM/ópticos) 322 configurados para fornecer imagens digitais da mistura de matriz de extrusão. Deve ser apreciado que o sistema de sensor EM/óptico 320 e seus sensores EM/ópticos constituintes 322 podem compreender uma série de tipos de sensores. Em algumas formas, o sistema de sensor EM/óptico 320 e seus sensores EM/ópticos constituintes 322 podem compreender câmeras ou outros sensores ópticos adaptados ao espectro de luz visível, espectro de luz ultravioleta, espectro de luz infravermelha ou combinações dos mesmos. Em algumas formas, o sistema de sensor EM/óptico 320 e seus sensores EM/ópticos constituintes 322 podem compreender ou utilizar sistemas de detecção de difusão de luz e sensores adaptados para detectar a difusão direcional de luz de uma superfície. Um ou mais dos sensores EM/ópticos 322 também podem ser usados em combinação com filtros espectrais, filtros de polarização e outros tipos de filtros. O uso de um ou ambos sensores e sistemas ópticos incoerentes e sensores e sistemas coerentes (por exemplo, sensores e sistema a laser) é ainda contemplado. O uso de uma ou ambas imagens monocromáticas e coloridas é contemplado, por exemplo, técnicas de imagem colorida podem ser utilizadas no extrudado deixando uma matriz extrusora em um ponto a jusante da matriz para inferir a estrutura da fibra no volume (orientação da fibra, comprimento da fibra, e outras características de fibra, como padrões, métricas de bolhas de fibra e outras métricas de fibrosidade divulgadas neste documento).
[039] O sistema de sensor EM/óptico 320 e seus sensores EM/ópticos constituintes 322 podem compreender ou utilizar sensores multiespectrais ou hiperespectrais ou sistemas de imagem, tais como sistemas e sensores de varredura espacial, sistemas e sensores de varredura espectral, sistemas e sensores de imagem instantânea, sistemas e sensores de varredura espaço-espectral e/ou outros tipos de sistemas e sensores adaptados para amostrar espectros múltiplos por unidade de área, como por detecção de um cubo hiperespectral ou outras construções espaço- espectrais multidimensionais. O sistema de sensor EM/óptico 320 e seus sensores EM/ópticos constituintes 322 podem adicional ou alternativamente compreender sistemas e sensores adaptados para operar em faixas não ópticas do espectro eletromagnético. Em algumas formas, o sistema de sensor EM/óptico 320 e seus sensores EM/ópticos constituintes 322 podem compreender sistemas e sensores de tomografia eletromagnética, sistemas e sensores de raios X, sistemas e sensores de ressonância magnética nuclear e/ou tipos adicionais Sensores e sistemas EM/ópticos de espectro não óptico.
[040] Deve ser ainda apreciado que as imagens digitais da mistura de matriz de extrusão fornecidas pelo sistema de sensor EM/óptico 320 e seus sensores EM/ópticos constituintes 322 podem compreender uma série de formas correspondentes às diferentes formas do sensor EM/óptico sistema 320 e seus sensores EM/ópticos constituintes 322 aqui contemplados, incluindo, por exemplo, estruturas ou matrizes de imagens digitais convencionais, dados espectrais e outras estruturas de dados.
[041] Em formas que incluem um ou mais sensores adaptados ao espectro óptico, tais sensores podem compreender uma matriz de dispositivo de carga acoplada (CCD), uma matriz CMOS de semicondutor de óxido de metal complementar e/ou outros tipos de matrizes de sensores ópticos, dispositivos, e elementos. Um ou mais sensores EM/ópticos 322 podem ser configurados com um ou mais sistemas de lentes configurados para capturar imagens macroscópicas, imagens microscópicas, ocorrências de ambas ou combinações de ambas. Conforme descrito acima, um ou mais sensores EM/ópticos 322 podem ser fornecidos em formas configuradas para detectar luz no espectro visível, espectro infravermelho e/ou espectro ultravioleta. O sistema de sensor óptico 320 também inclui eletrônicos de processamento de imagem 324 que são configurados para processar dados brutos de um ou mais sensores EM/ópticos 322 na forma de imagens digitais que são fornecidas ao MLP 305 de SMICS 204.
[042] Um ou mais sensores EM/ópticos 322 podem ser posicionados e configurados para capturar imagens da mistura da matriz de extrusão em uma primeira faixa de localização da matriz de extrusão 326. A primeira faixa de localização da matriz de extrusão 326 pode estar localizada na faixa que se estende a partir de um local em ou próximo à entrada da matriz de extrusão 220 para um local próximo à saída da matriz de extrusão 220. Adicional ou alternativamente, um ou mais sensores EM/ópticos 322 podem ser posicionados e configurados para capturar imagens da mistura da matriz de extrusão em uma faixa de localização de pós-processamento 338, que pode ser qualquer ponto ou localização acessível do equipamento de pós- processamento automatizado 224. Em tais casos, técnicas de marcação de tempo e ajuste de tempo, tais como as divulgadas neste documento, podem ser utilizadas para proporcionar uma correlação ajustada no tempo do local de medição com a localização da matriz de extrusão permitindo que as medições em locais a jusante sejam correlacionadas com as condições no momento em que o material medido passou pela matriz de extrusão 220.
[043] Dependendo do(s) local(is) do processo em que as medições ou leituras de um ou mais sensores EM/ópticos 322, estampagem de tempo e/ou técnicas de adaptação de tempo podem ser utilizadas para correlacionar temporalmente as medições ou leituras de um ou mais Sensores EM/ópticos 322 com outras medições ou leituras de sensor ou outros parâmetros de processo. Por exemplo, onde uma ou mais medições ou leituras são feitas por sensores EM/ópticos 322 em um local de pós-processamento, tal como um ponto ou local de equipamento de pós- processamento automatizado 224, técnicas de carimbo de tempo e/ou adaptação de tempo podem ser utilizadas para determinar um ponto no tempo em que o material sujeito às medições ou leituras do sensor estava em um ponto ou local do processo de produção anterior. Conforme observado acima, tais técnicas podem ser utilizadas, por exemplo, para correlacionar uma ou mais medições ou leituras feitas por sensores EM/ópticos 322 com outras medições de processo, como temperatura ou umidade em um local de processo diferente, tal como em ou próximo à saída da matriz de extrusão 220. Essas técnicas de estampagem de tempo e/ou adaptação de tempo podem explicar a variação nas taxas de processo ao longo do tempo. As mesmas técnicas ou técnicas substancialmente semelhantes de marcação de tempo e alinhamento podem adicional ou alternativamente ser utilizadas em conexão com os outros sistemas de sensor e sensores aqui descritos incluindo, por exemplo, o sistema de sensor de força mecânica 330 incluindo um ou mais sensores de força mecânica 332 e/ou o sistema de sensor sônico 340 incluindo um ou mais sensores sônicos 342.
[044] Algumas formas contemplam o uso de estimadores baseados em computador, observadores, sensores suaves, além de um ou mais sensores EM/ópticos físicos 322. Tais estimadores baseados em computador, observadores, sensores suaves podem adicional ou alternativamente ser utilizados em conexão com os outros sistemas de sensor e sensores divulgados neste documento incluindo, por exemplo, o sistema de sensor de força mecânica 330 incluindo um ou mais sensores de força mecânica 332 e/ou o sistema de sensor sônico 340 incluindo um ou mais sensores sônicos 342.
[045] O sistema de sensor de força mecânica 330 inclui um ou mais sensores de força mecânica 332 que podem incluir medidores de tensão, transdutores de força, sensores piezoelétricos, sensores piezoresistivos, sensores capacitivos, sensores elastorresistivos, sensores de elastografia e/ou outros tipos de elementos sensores configurados para sentir a força mecânica. Um ou mais sensores de força mecânica 332 podem ser configurados para medir uma ou mais métricas de tração (por exemplo, resistência à tração, comportamento dinâmico de resistência à tração, força de tração ou outra métrica de força de tração), métricas de compressão (por exemplo, força de mordida simulada via um arranjo de sensor emulador de dente, força tátil simulada por meio de um arranjo de sensor emulador de tecido mole, força compressiva para um ou mais critérios de deslocamento ou deformação, força compressiva para falha ou outra métrica de força de compressão) e/ou uma métrica correlacionada com força mecânica (por exemplo, uma métrica de densidade) da mistura de matriz de extrusão. Os um ou mais sensores de força mecânica 332 podem compreender um ou mais sistemas de sensores elastográficos ou sensores configurados para excitar ativamente mecanicamente um material sob avaliação e avaliar dinamicamente uma resposta detectada.
[046] Um ou mais sensores de força mecânica 332 podem ser posicionados e configurados para contatar de modo seletivo a mistura da matriz de extrusão em uma segunda faixa de localização da matriz de extrusão 336. A segunda faixa de localização da matriz de extrusão 336 pode estar localizada na faixa que se estende a partir de um local em ou próximo à entrada da matriz de extrusão 220 para um local ou próximo à saída da matriz de extrusão 220. Adicional ou alternativamente, um ou mais elementos sensores do sensor de força mecânica 332 podem ser posicionados e configurados para contatar de modo seletivo a mistura da matriz de extrusão em um faixa de localização de pós-processamento 338 que pode ser qualquer ponto acessível ou localização de equipamento de pós-processamento automatizado 224. Deve ser apreciado que, dependendo das particularidades da máquina de extrusão e da matriz de extrusão usada em uma determinada modalidade, uma localização próxima pode ser considerado um local dentro de 10 cm ou menos, um local dentro de 5 cm ou menos, ou um local dentro de 1 cm ou menos.
[047] O sistema de sensor sônico 340 inclui um ou mais sensores sônicos 342 que podem compreender componentes transmissores e receptores de ultrassom ou transceptores, tais como os usados em sistemas de imagem de ultrassom. Um ou mais sensores sônicos 342 podem ser configurados com uma ou mais estruturas de guia de ondas acústicas para direcionar ondas sonoras para um alvo de medição e coletar ondas sonoras refletidas por um alvo de medição. O sistema de sensor sônico 240 também inclui uma eletrônica de processamento de imagem sônica 324 que processa os dados brutos recebidos a partir de um ou mais sensores sônicos 342 na forma de imagens digitais que são fornecidas ao MLP 305 de SMICS 204.
[048] Um ou mais sensores sônicos 342 podem ser posicionados e configurados para direcionar o som e detectar o som refletido a partir da mistura da matriz de extrusão em uma terceira faixa de localização da matriz de extrusão 346. A terceira faixa de localização da matriz de extrusão 346 pode estar localizada na faixa que se estende a partir de um local em ou próximo à entrada da matriz de extrusão 220 para um local em ou próximo à saída da matriz de extrusão 220. Adicional ou alternativamente, um ou mais sensores sônicos 342 podem ser posicionados e configurados para direcionar o som e detectar o som refletido a partir da mistura de matriz de extrusão em uma faixa de localização de pós-processamento 338 que pode ser qualquer ponto acessível ou localização de equipamento de pós-processamento automatizado 224.
[049] O subsistema IFM 314 inclui um ou mais sensores (por exemplo, sensores S1, S2, ... Sn) configurados para medir um ou mais parâmetros do processo de extrusão. Os parâmetros do processo de extrusão podem preferencialmente incluir um ou mais de uma taxa de fluxo da mistura de matriz de extrusão, uma pressão de fluxo da mistura de matriz de extrusão, uma temperatura da mistura de matriz de extrusão e um teor de umidade ou característica da mistura de matriz de extrusão. Os parâmetros do processo de extrusão podem adicional ou alternativamente incluir indicadores de ordem superior de tais parâmetros do processo de extrusão. Um ou mais parâmetros operacionais do motor (por exemplo, torque do motor, consumo de energia, correntes do motor e tensões do motor) podem ser correlacionados com um ou mais dos parâmetros do processo de extrusão anteriores, por exemplo, a taxa de fluxo ou pressão de fluxo da mistura de matriz de extrusão. Pressões e temperaturas em um ou mais locais da extrusora, carga de energia térmica de um ou mais circuitos de controle de temperatura, temperatura da matriz de resfriamento, vazão e/ou mudança de temperatura do fluido de resfriamento no trocador de calor da matriz de resfriamento podem ser correlacionados com um ou mais dos parâmetros do processo de extrusão anteriores, por exemplo, a temperatura da mistura da matriz de extrusão. As medições da alimentação da extrusora, incluindo taxas de fluxo de água e óleo, bem como a taxa de alimentação da matéria-prima seca, podem ser correlacionadas com um ou mais dos parâmetros do processo de extrusão anteriores, por exemplo, a taxa de fluxo da mistura de matriz de extrusão ou o teor de umidade ou característica da mistura de matriz de extrusão. Medições do teor de umidade da matéria-prima seca e/ou medições de umidade da mistura ao longo da linha de processamento podem ser correlacionadas com um ou mais dos parâmetros do processo de extrusão anteriores, por exemplo, o teor de umidade ou característica da mistura da matriz de extrusão. Medições adicionais obtidas on-line ou off-line relacionadas às características do produto, como uma análise que indica o grau de desnaturação e reticulação da proteína ou uma análise do comportamento viscoelástico, também podem ser correlacionadas com um ou mais dos parâmetros do processo de extrusão anteriores.
[050] Um ou mais sensores podem ser posicionados e configurados para medir um ou mais parâmetros do processo de extrusão em uma faixa de localização da matriz de extrusão 356. A faixa de localização da matriz de extrusão 356 pode estar localizada na faixa que se estende a partir de um local ou próximo à entrada da matriz de extrusão 220 para um local próximo à saída da matriz de extrusão 220. Adicional ou alternativamente, um ou mais sensores podem ser posicionados e configurados para fornecer leituras de sensor de qualquer ponto acessível ou localização do equipamento de pós-processamento automatizado 224. O subsistema IFM 314 também inclui uma entrada/saída (I/O) e unidade de processamento de sinal 250 que condiciona e processa os dados brutos recebidos a partir de um ou mais sensores em uma forma adequada para uso como entrada para MLP 305 de SMICS 204.
[051] Deve ser apreciado que o SMICS 204 é um exemplo de um sistema de controle de inteligência de máquina supervisório acoplado em modo de operação com pelo menos um de um subsistema de medição direta de fibrosidade (DFM) configurado para medir diretamente um ou mais parâmetros físicos de fibrosidade da matriz de mistura de extrusão e um subsistema de medição indireta de fibrosidade (IFM) configurado para medir um ou mais parâmetros de processo associados à mistura de matriz de extrusão e que é configurado para modificar uma ou mais configurações de processo de pluralidade em resposta a pelo menos um de um ou mais parâmetros de fibrosidade física e um ou mais parâmetros de processo, eficazes para modificar a mistura de matriz de extrusão e o produto substituto de carne resultante 226 produzido a partir da mesma.
[052] Na implementação de exemplo 300, o MLP 305 é configurado para determinar um ou mais ajustes ou modificações de configurações de processo (PSA) 310 e/ou um ou mais ajustes ou modificações de ingredientes (IA) 306 em resposta a pelo menos um dos um ou mais parâmetros de fibrosidade física recebidos a partir do subsistema DFM 312 e um ou mais parâmetros do processo de extrusão recebidos do subsistema IFM 314. O PSA 310 e/ou IA 306 são fornecidos e utilizados pelo EPCS 203 na execução de operações de controle e são eficazes para modificar as características física e estética da mistura de matriz de extrusão e o produto substituto de carne resultante 226 produzido a partir da mesma. Por exemplo, PSA 310 e/ou IA 306 podem ser usados pelo EPCS para ajustar ou modificar os ingredientes 206, configurações de processo 210 e/ou configurações pós-processamento 211.
[053] O MLP 305 é um exemplo de um processo implementado por um componente SMICS para receber uma entrada de dados de produto desejada a partir de um operador, receber entrada de feedback de pelo menos um do subsistema DFM e do subsistema IFM, executar um algoritmo de aprendizado de máquina ou processo para identificar uma ou mais relações de controle entre uma ou mais das configurações de processo de pluralidade e a entrada de dados do produto desejado e utilizar uma ou mais relações de controle para modificar uma ou mais configurações de processo de pluralidade.
[054] Conforme descrito acima, o MLP 305 recebe entradas de feedback de um dos subsistemas DFM 312 e subsistema IFM 314. As entradas de feedback recebidas a partir do subsistema DFM 312 podem incluir imagens digitais da mistura de matriz de extrusão. O MLP 305 pode utilizar e tratar as próprias imagens digitais como pelo menos um dos parâmetros de fibrosidade física. Adicionalmente, ou alternativamente, o MLP 305 ou outro componente de processamento do SMICS pode ser configurado para processar ainda mais as imagens digitais para determinar um ou mais dos parâmetros de fibrosidade física das imagens da mistura de matriz de extrusão. Esse processamento adicional das imagens da mistura de matriz de extrusão para determinar os parâmetros físicos de fibrosidade pode incluir o processamento para determinar uma ou mais de uma métrica de tamanho de fibra, uma métrica de orientação de fibra, uma métrica de alinhamento de fibra, uma métrica de emaranhamento de fibra, uma distância entre fibras métrica, uma métrica de força de torção, uma métrica de densidade que (que pode ser calculada ou derivada a partir de uma ou mais das métricas anteriores) e uma métrica que indica a presença, grau e características da formação de bolhas de ar ou gás dentro das fibras ou na matriz interfibra, por exemplo, uma contagem de bolhas por unidade de área ou unidade de volume e tamanho médio de bolhas (por exemplo, diâmetro, raio, volume, etc.) e/ou uma frequência de bolhas. Tais métricas podem ser definidas, por exemplo, de acordo com os exemplos descritos em conexão com a Figura 2
[055] O MLP 305 também pode receber entradas de feedback de outros sensores de processo (OPS) 399 que podem ser, por exemplo, umidade de ingrediente ou sensores de umidade, sensores de taxa de alimentação de ingrediente, sensores de taxa de fluxo de processo, sensores de pressão de fluxo de processo, sensores de temperatura de processo, umidade de processo ou sensores de umidade e outros tipos de sensores fornecidos para medir outros aspectos do processo executado pelo sistema 200. O MLP 305 pode utilizar as entradas do subsistema DFM 312 e/ou do subsistema IFM 314, bem como as entradas de OPS 399 em seu processo de aprendizado de máquina. Em certas modalidades, as entradas do subsistema DFM 312 e/ou do subsistema IFM 314 são preferencialmente priorizadas ou ponderadas sobre outras entradas para orientar ou restringir o processo de aprendizado de máquina realizado pelo MLP 305. Em certas modalidades preferenciais, acredita-se que isso acelere e melhore a eficácia do processo de aprendizado de máquina realizado pelo MLP 305.
[056] O MLP 305 pode utilizar uma combinação das entradas do subsistema DFM 312 e/ou do subsistema IFM 314, bem como uma variedade de entradas do OPS 399. As entradas do OPS 399 podem incluir parâmetros operacionais do motor (por exemplo, torque do motor, consumo de energia, correntes e tensões do motor), medições de pressão e temperatura de diferentes locais da extrusora, carregamento de energia térmica dos circuitos de controle de temperatura, medições de temperatura da matriz de resfriamento, vazão e mudança de temperatura do fluido de resfriamento no trocador de calor de matriz de resfriamento, medições da alimentação da extrusora, incluindo taxas de fluxo de água e óleo, bem como a taxa de alimentação da matéria- prima seca e, quando disponível, uma indicação do teor de umidade da matéria-prima seca, medições de umidade da mistura ao longo da linha de processamento, medições obtidas on-line ou off-line relacionadas às características do produto, tal como uma análise que indica o grau de desnaturação e reticulação de proteínas ou uma análise é do comportamento viscoelástico e/ou outras entradas do OPS 399.
[057] O MLP 305 pode ser utilizado para gerar, manter e atualizar modelos de controle ou outros componentes de controle para uma série de propósitos. Em certas modalidades, os modelos de controle ou outros componentes de controle associados ao MLP 305 podem detectar desvios e anormalidades no estado operacional do processo de um estado operacional nominal, estabelecer uma causa raiz para desvios e anormalidades detectados, proporcionar ações de controle para retornar o processo para o estado operacional nominal (executando diretamente ou sugerindo a um operador, para determinar um novo estado operacional, que seja mais desejável do que o estado operacional atual com base em critérios que incluem, entre outros, uma taxa de produção mais alta, qualidade aprimorada do produto, estabilidade operacional aprimorada, e proporcionam ações de controle para fazer a transição do estado operacional de um estado para outro enquanto satisfazem as condições, incluindo, por exemplo, um tempo mínimo para transição ou uma quantidade mínima de produto fora das especificações.
[058] Em certas modalidades, os modelos de controle ou outros componentes de controle associados ao MLP 305 podem utilizar modelos matemáticos relacionados ao grau de desnaturação da proteína e cozimento/reticulação com o tempo de residência da mistura processada e a entrada de energia térmica para a extrusora bem como os níveis de temperatura estimados dentro da extrusora, utilizam modelos matemáticos relacionando o torque do motor e o consumo de energia do motor compensado pela taxa de alimentação à viscosidade da mistura processada. Em certas modalidades, os modelos de controle ou outros componentes de controle associados ao MLP 305 podem utilizar modelos matemáticos relacionados ao grau de orientação da fibra, comprimento da fibra ou propriedades a granel do produto, tal como a presença de bolhas ou regiões fundidas à taxa de desnaturação da proteína e um perfil de temperatura estimado na matriz determinado com base na taxa de resfriamento e temperatura da mistura de processo na entrada da matriz compensada pela taxa de fluxo da mistura de processo. Em certas modalidades, os modelos de controle ou outros componentes de controle associados ao MLP 305 podem utilizar um modelo matemático combinado que inclui um ou mais dos modelos matemáticos mencionados anteriormente e um ou mais modelos adicionais.
[059] Com referência à Figura 4, é ilustrado um diagrama esquemático representando certos aspectos de um exemplo de implementação 400 dos subsistemas de detecção 225 em relação a uma pluralidade de operações de processo do sistema 200. As operações de processo ilustradas do sistema 200 incluem operações de processo P1 a Pn que são exemplos de operações de processo realizadas com uma máquina de processo de extrusão (por exemplo, máquina de processo de extrusão 212). A operação de processo P1 envolve uma adição de ingrediente I1 (por exemplo, uma adição de um ou mais dos ingredientes 206) e é controlada por uma ou mais entradas de controle de processo C1 que são determinadas usando uma ou mais configurações de processo (por exemplo, uma ou mais das configurações do processo 210). A operação de processo P1 é monitorada por um ou mais sensores Sia ... Sin que são exemplos de sensores de processo configurados para proporcionar outras entradas de processo (por exemplo, entradas OPS 399). Um ou mais sensores Sia . Sin podem ser configurados para fornecer saídas de sensor contínuas ou saídas de sensor distintas. Da mesma forma, as entradas de controle de processo C1 podem ser determinadas e proporcionadas como entradas de controle contínuas ou como entradas de controle distintas.
[060] A operação de processo Pn envolve uma adição de ingrediente In (por exemplo, uma adição de um ou mais dos ingredientes 206) e é controlada por uma ou mais entradas de controle de processo Cn que podem ser determinadas usando uma ou mais configurações de processo (por exemplo , uma adição de uma ou mais das configurações de processo 210). A operação de processo Pn é monitorada por um ou mais sensores Sna ... Snn que são exemplos de sensores de processo configurados para fornecer outras entradas de processo (por exemplo, entradas OPS 399). Conforme indicado pela notação "n", a implementação 400 pode ainda incluir uma pluralidade de operações de processo adicionais que não são ilustradas na Figura 4. Um ou mais sensores Sna . Snn podem ser configurados para fornecer saídas de sensor contínuas ou saídas de sensor distintas. Da mesma forma, as entradas de controle de processo Cn podem ser determinadas e fornecidas como entradas de controle contínuas ou como entradas de controle distintas.
[061] As operações de processo ilustradas do sistema 200 incluem operações de pós-processamento Ppp que são exemplos de operações de processo realizadas com equipamento de pós-processamento automatizado (por exemplo, equipamento de pós-processamento automatizado 224). As operações de pós-processamento Ppp são controladas por uma ou mais entradas de controle de pós-processamento Cpp que são determinadas usando uma ou mais configurações de pós-processamento (por exemplo, uma ou mais das configurações de pós-processamento 211). A operação pós-processo Ppp é monitorada por um ou mais sensores S ppa . Sppn que são exemplos de sensores de processo configurados para fornecer outras entradas de processo (por exemplo, entradas OPS 399). Um ou mais sensores Sppa . Sppn podem ser configurados para fornecer saídas de sensor contínuas ou saídas de sensor distintas. Da mesma forma, uma ou mais entradas de controle de pós-processamento Cpp podem ser determinadas e fornecidas como entradas de controle contínuas ou como entradas de controle distintas.
[062] A implementação 400 inclui um ou ambos de um subsistema de medição direta de fibrosidade (DFM) e um subsistema de medição indireta de fibrosidade (IFM) (por exemplo, DFM 312 e/ou IFM 314), cada um ou ambos podem ser configurados para medir uma ou mais operações de processo associadas à matriz de extrusão 220 ou operações de pós-processamento Ppp. Os subsistemas DFM e/ou IFM incluem os atributos e recursos e podem ser configurados e implementados de acordo com o DFM 312 e/ou IFM 314, respectivamente. Consequentemente, deve ser apreciado que a implementação 400 é um exemplo de uma implementação configurada para fornecer entradas de um DFM e/ou um IFM, bem como entradas de outros sensores de processo para um componente de aprendizado de máquina de um sistema de controle de inteligência de máquina de supervisão (por exemplo, MLP 305 de SMICS 204).
[063] Deve ser apreciado que o sistema 200, a implementação 300 e/ou a implementação 400 podem ser utilizados na execução de uma série de métodos de acordo com a presente divulgação. Um exemplo de método compreende operar o sistema 200 (de acordo com a implementação 300, a implementação 400 e/ou outras implementações) para produzir um produto substituto de carne (por exemplo, produto substituto de carne 226). Um exemplo de método compreende operar o sistema 200 (de acordo com a implementação 300, a implementação 400 e/ou outras implementações) para determinar uma receita de produto substituto de carne. Um exemplo de método compreende operar o sistema 200 (de acordo com a implementação 300, a implementação 400 e/ou outras implementações) para controlar ou otimizar as características estéticas e físicas de um produto substituto de carne.
[064] Com referência à Figura 5, é ilustrado um diagrama esquemático representando certos aspectos de uma implementação de exemplo de um sistema de controle 500 que pode ser implementado ou utilizado em conexão com o sistema da Figura 2 ou outro sistema de exemplo para a produção de proteínas alternativas substitutos de carne à base de carne. O sistema de controle 500 inclui controles online 510 e um sistema controlado 530. Os controles on-line 510 incluem um controlador de recurso de produto 512 e um controlador de fusão 514. Os controles on-line 510 podem compreender alguns ou todos os componentes do EPCS 203 ou outro sistema de controle de processo eletrônico e podem adicional ou alternativamente compreender alguns ou todos os componentes do SMICS 204 ou outro sistema de controle de inteligência de máquina supervisória. O sistema controlado 530 inclui um pré-processamento de material, extrusora e componentes de resfriamento de matriz de extrusão 532 (às vezes referidos como componentes 532), que podem compreender alguns ou todos os componentes controláveis da máquina de processo de extrusão úmida 212 ou outra máquina de processo de extrusão úmida e componentes de pós-processamento 534, que podem compreender alguns ou todos os componentes do equipamento de pós-processamento automatizado 224 ou outro equipamento de pós-processamento.
[065] O sistema de controle 500 é configurado em uma forma de circuito fechado hierárquico, de múltiplas camadas, compreendendo um circuito de feedback interno, incluindo o controlador de fusão 514 e os componentes 532, e um circuito de feedback externo, incluindo o controlador de recurso do produto 512 e os componentes de pós-processamento 534. No ciclo de feedback interno, o controlador de fusão 512 proporciona saídas de controle de processo 523 para os componentes 532 e feedbacks de medição de processo 522 são proporcionados a partir dos componentes 532 para o controlador de fusão 512. No ciclo de feedback externo, o recurso de produto o controlador 512 proporciona referências de características de fusão 513 para o controlador de fusão 512 e proporciona referências de pós- processamento 515 para os componentes de pós-processamento 534. O controlador de características do produto 512 também recebe referências de características do produto 502 que podem compreender DPFI 302 ou outras referências de características do produto. O controlador de característica do produto 512 também recebe medições de características do produto pertencentes a medições ou características detectadas do extrudado 533 que passa através dos componentes 532 (tais medições ou características detectadas são possíveis em uma faixa que se estende desde antes de um extrudado entrar em uma matriz de extrusão até depois do extrudado sai da matriz de extrusão), o produto pós-processado em um ou mais pontos ou locais nos componentes de pós-processamento 534 e/ou o produto substituto de carne final 226.
[066] O controlador de fusão 514 é preferencialmente configurado e operável para regular as características reológicas de uma fusão de processo de extrusão, tal como viscosidade e deformação elástica. O controle de tais características de fusão pode ser útil para fornecer operação ininterrupta da extrusora, bem como a qualidade e as características do produto final. Tais características de fusão podem ser sensíveis e influenciadas por uma série de distúrbios e variações potenciais no sistema, tal como características variáveis do pó de proteína de entrada, que surgem de variações inevitáveis e frequentemente desconhecidas em produtos de origem natural ou diferentes condições ambientais do material preparação e armazenamento. O controlador de fusão 514 é, portanto, configurado para evitar situações como entupimento da extrusora, baixa consistência física do extrudado ou baixa geração de fibras.
[067] O controlador de fusão 514 pode utilizar estimativas de características de fusão obtidas a partir de medições do sistema, tais como medições proporcionadas por um ou mais dos subsistemas de detecção 225 ou outros sistemas ou componentes de detecção. Em algumas formas, tais medições podem ser coletadas exclusiva ou predominantemente em uma ou mais etapas de pré-processamento, na extrusora e no início de uma matriz de extrusão em vez do extrudado pós-molde. Esta técnica pode ser preferida em modalidades em que uma matriz de extrusão compreende um elemento amplamente passivo (somente a taxa de resfriamento geral sendo controlável ou regulada) que pode introduzir um atraso significativo no transporte. As saídas de controle de processo 523 podem compreender comandos, variáveis ou outros parâmetros de controle para acionadores do sistema de extrusão, como velocidade da rosca da extrusora, fluxo de entrada e pontos de ajuste de temperatura das zonas de extrusão. Em algumas formas, o controle de abertura dinâmica de uma abertura de matriz de extrusão também é contemplado.
[068] É ainda contemplado que um problema de controle multivariável e uma metodologia de solução podem ser determinados com base em modelos de sistema dinâmico dos quais podem ser identificados por um componente ou modelo de aprendizado de máquina e relações funcionais entre medições de processo e recursos de fusão que podem ser identificados por um componente ou modelo de aprendizado de máquina. Tal problema de controle multivariável e metodologias de solução podem assumir várias formas. Por exemplo, se o sistema for fracamente acoplado, um controle clássico de entrada única e saída única com um mecanismo de compensação apropriado pode ser utilizado. Se as variáveis do sistema forem fortemente acopladas, metodologias tais como regulador quadrático linear ou controle preditivo de modelo podem ser utilizadas.
[069] Uma série de modalidades de exemplo deve agora ser descrita em mais detalhes. Um primeiro exemplo de modalidade é um sistema compreendendo: uma máquina de processo de extrusão úmida configurada para receber, misturar e transportar uma pluralidade de ingredientes para uma matriz de extrusão, a pluralidade de ingredientes incluindo uma proteína em pó, um óleo e água; e um sistema eletrônico de controle de processo (EPCS) configurado para controlar a máquina de extrusão úmida usando uma pluralidade de configurações de processo eficazes para produzir uma mistura de matriz de extrusão que é forçada, passa e sai a partir da matriz de extrusão. O sistema compreende um sistema de controle de inteligência de máquina supervisória (SMICS) acoplado em modo de operação a pelo menos um de um subsistema de medição direta de fibrosidade (DFM) configurado para medir diretamente um ou mais parâmetros físicos de fibrosidade da mistura de matriz de extrusão e um subsistema de medição indireta de fibrosidade (IFM) configurado para medir um ou mais parâmetros do processo de extrusão associados à mistura de matriz de extrusão. O SMICS é configurado para modificar uma ou mais configurações do processo de pluralidade em resposta a pelo menos um dos um ou mais parâmetros de fibrosidade física e um ou mais parâmetros do processo de extrusão.
[070] Um segundo exemplo de modalidade é um sistema que compreende as características do primeiro exemplo de modalidade em que o subsistema DFM compreende um ou mais de um sistema de sensor óptico, um sistema de sensor de força mecânica e um sistema de sensor sônico.
[071] Um terceiro exemplo de modalidade é um sistema que compreende as características do segundo exemplo de modalidade em que o subsistema DFM compreende pelo menos o sistema de sensor óptico e o sistema de sensor óptico é configurado para gerar imagens digitais da mistura de matriz de extrusão e proporcionar as imagens digitais para o SMICS.
[072] Uma quarta modalidade de exemplo é um sistema que compreende as características da segunda modalidade de exemplo em que o subsistema DFM compreende pelo menos o sistema de sensor sônico e o sistema de sensor sônico é configurado para gerar imagens digitais da mistura de molde de extrusão e proporcionar as imagens digitais para o SMICS.
[073] Uma quinta modalidade de exemplo é um sistema que compreende as características da terceira modalidade de exemplo ou da quarta modalidade de exemplo em que o SMICS é configurado para processar ainda mais as imagens digitais para determinar os parâmetros de fibrosidade física das imagens da mistura de matriz de extrusão.
[074] Um sexto exemplo de modalidade é um sistema que compreende as características do quinto exemplo de modalidade em que os parâmetros de fibrosidade física compreendem um ou mais dentre uma métrica de tamanho de fibra, uma métrica de orientação de fibra, uma métrica de alinhamento de fibra, uma métrica de emaranhamento de fibra, uma métrica de distância interfibra, uma métrica de força de torção e uma densidade, determinada a partir do processamento das imagens da mistura de matriz de extrusão.
[075] Uma sétima modalidade de exemplo é um sistema que compreende as características da terceira modalidade de exemplo ou da quarta modalidade de exemplo em que o SMICS é configurado para utilizar as imagens digitais como pelo menos um dos parâmetros de fibrosidade física.
[076] Uma oitava modalidade de exemplo é um sistema que compreende as características da segunda modalidade de exemplo em que o subsistema DFM compreende pelo menos o sistema de sensor de força mecânica, em que o sistema de sensor de força mecânica é configurado para medir uma ou mais de uma métrica de força de tração, uma métrica de força de compressão, uma métrica de força de torção e uma métrica de densidade da mistura de matriz de extrusão.
[077] Uma nona modalidade de exemplo é um sistema que compreende as características da segunda modalidade de exemplo em que o subsistema DFM compreende dois ou mais dentre o sistema de sensor óptico, o sistema de sensor de força mecânica e o sistema de sensor sônico.
[078] Uma décima modalidade de exemplo é um sistema que compreende as características de qualquer uma das primeiras a nonas modalidades de exemplo em que o subsistema IFM inclui um ou mais sensores configurados para medir um ou mais parâmetros do processo de extrusão.
[079] Uma décima primeira modalidade de exemplo é um sistema que compreende as características do décimo exemplo de modalidades em que um ou mais parâmetros do processo de extrusão compreendem um ou mais de uma taxa de fluxo da mistura de matriz de extrusão, uma pressão de fluxo da mistura de matriz de extrusão, uma temperatura da mistura da matriz de extrusão e um teor de umidade ou característica da mistura da matriz de extrusão.
[080] Uma décima segunda modalidade de exemplo é um sistema que compreende as características de qualquer uma das primeiras a décimas primeiras modalidades de exemplo em que o SMICS é configurado para executar um processo de inteligência de máquina, tal como processo de aprendizado de máquina, incluindo: receber uma entrada de dados de produto desejada de um operador, receber entrada de feedback de pelo menos um do subsistema DFM e do subsistema IFM, executar um algoritmo de aprendizado de máquina para identificar uma ou mais relações de controle entre uma ou mais das configurações de processo de pluralidade e a entrada de dados do produto desejada e utilizar uma ou mais relações de controle para modificar uma ou mais configurações de processo de pluralidade. Em certas formas da décima segunda modalidade de exemplo, outras máquinas de tomada de decisão, mecanismos computacionais ou outros componentes de inteligência de máquina podem ser usados além ou como alternativas ao algoritmo de aprendizado de máquina, por exemplo, um ou mais de controle clássico, controle preditivo de modelo, controle PID, controle multivariável, controle baseado em otimização.
[081] Uma décima terceira modalidade de exemplo é um sistema que compreende as características da décima segunda modalidade de exemplo em que o algoritmo de aprendizado de máquina compreende pelo menos um dentre um algoritmo de aprendizado profundo, um algoritmo de aprendizado supervisionado e um algoritmo de aprendizado por reforço.
[082] Uma décima quarta modalidade de exemplo é um sistema que compreende as características de qualquer uma das primeiras a décima terceira modalidades de exemplo em que a máquina de extrusão úmida compreende: pelo menos um parafuso acionado por motor disposto rotativamente em uma passagem de extrusão que se estende ao longo de um comprimento; um alimentador de pó configurado para introduzir o pó de proteína na passagem de extrusão; um alimentador de água configurado para adicionar a água à passagem de extrusão; um alimentador de óleo configurado para adicionar o óleo à passagem de extrusão; e um sistema de aquecimento acoplado ao extrusor de parafuso e configurado para aquecer de modo seletivo um ou mais locais ao longo do comprimento da passagem de extrusão.
[083] Uma décima quinta modalidade de exemplo é um sistema que compreende as características de qualquer uma das primeiras a décima quarta modalidades de exemplo, em que um ou mais componentes de pelo menos um dos EPCS e SMICS, compreende um componente de uma camada hierárquica, multicamada, sistema de controle em malha fechada.
[084] Uma décima sexta modalidade de exemplo é um sistema que compreende as características da décima quinta modalidade de exemplo, em que o sistema de controle hierárquico, multicamadas e de circuito fechado inclui um circuito de feedback interno incluindo um controlador de fusão e um circuito de feedback externo incluindo um recurso de produto controlador.
[085] Uma décima sétima modalidade de exemplo é um sistema compreendendo as características da décima sexta modalidade de exemplo, em que, no ciclo de feedback interno, o controlador de fusão fornece saídas de controle de processo para um ou mais componentes do sistema de extrusão e recebe feedbacks de medição de processo de um ou mais sistemas de detecção associados ao sistema de extrusão.
[086] Uma décima oitava modalidade de exemplo é um sistema que compreende as características de qualquer uma das primeiras a décima sétima modalidades de exemplo em que, no circuito de feedback externo, o controlador de característica do produto proporciona referências de características de fusão para o controlador de fusão, proporciona referências de pós-processamento para um ou mais componentes do sistema de pós-processamento.
[087] Uma décima nona modalidade de exemplo é um sistema que compreende as características de qualquer uma das primeiras a décima oitava modalidades de exemplo, em que o SMICS recebe entradas não só do subsistema DFM, mas também do subsistema IFM e utiliza essas entradas em um processo de aprendizado de máquina que, em certos formulários, pode compreender um ou mais de um algoritmo de aprendizado profundo, um algoritmo de aprendizado supervisionado e um algoritmo de aprendizado por reforço.
[088] Uma vigésima modalidade de exemplo é um método que compreende operar o sistema de qualquer uma das modalidades de primeiro a décimo nono exemplo para pelo menos um de produzir um produto substituto de carne, determinar uma receita de produto substituto de carne e controlar as características estéticas e físicas de uma carne produto substituto.
[089] Uma vigésima primeira modalidade de exemplo é um aparelho que compreende um sistema de controle de inteligência de máquina supervisória (SMICS) acoplado em modo de operação a pelo menos um de um subsistema de medição direta de fibrosidade (DFM) configurado para medir diretamente um ou mais parâmetros físicos de fibrosidade da mistura de matriz de extrusão e um subsistema de medição de fibrosidade indireta (IFM) configurado para medir um ou mais parâmetros de processo de extrusão associados à mistura de matriz de extrusão. O SMICS é configurado para modificar uma ou mais configurações do processo de pluralidade em resposta a pelo menos um dos um ou mais parâmetros de fibrosidade física e um ou mais parâmetros do processo de extrusão.
[090] Uma vigésima segunda modalidade de exemplo é um aparelho incluindo as características da vigésima primeira modalidade de exemplo em que o SMICS é proporcionado em combinação com uma máquina de processo de extrusão úmida.
[091] Uma vigésima terceira modalidade de exemplo é um aparelho incluindo as características da vigésima segunda modalidade de exemplo em que a máquina de processo de extrusão úmida é configurada para receber, misturar e transportar uma pluralidade de ingredientes para uma matriz de extrusão, a pluralidade de ingredientes incluindo uma proteína em pó, um óleo e água.
[092] Uma vigésima quarta modalidade de exemplo é um aparelho incluindo as características de qualquer uma da vigésima primeira a vigésima segunda modalidades de exemplo, em que o SMICS é proporcionado em combinação com um sistema eletrônico de controle de processo (EPCS).
[093] Uma vigésima quinta modalidade de exemplo é um aparelho incluindo as características da vigésima quarta modalidade de exemplo em que o EPCS é configurado para controlar a máquina de extrusão úmida usando uma pluralidade de configurações de processo eficazes para produzir uma mistura de matriz de extrusão que é forçada a, passa e sai a partir da matriz de extrusão.
[094] Uma vigésima sexta modalidade de exemplo é um método que compreende operar o aparelho de qualquer uma das vigésima primeira a vigésima quinta modalidades de exemplo para pelo menos uma de produzir um produto substituto de carne, determinar uma receita de produto substituto de carne e controlar a estética e características físicas de um produto substituto de carne.
[095] Embora exemplos de modalidades da descrição tenham sido ilustrados e descritos em detalhes nos desenhos e na descrição anterior, o mesmo deve ser considerado como ilustrativo e não restritivo em caráter, sendo entendido que apenas alguns exemplos de modalidades foram mostrados e descritos. Deve ser entendido que, embora o uso de palavras como preferível, preferencialmente, preferido ou mais preferido utilizadas na descrição acima indique que o recurso assim descrito pode ser mais desejável, no entanto, pode não ser necessário e modalidades sem o mesmo podem ser contempladas como dentro do âmbito da presente invenção, sendo o âmbito definido pelas reivindicações que se seguem. Ao ler as reivindicações, é pretendido que, quando palavras como "um", "uma", "pelo menos um" ou "pelo menos uma parte" são usadas, não há intenção de limitar a reivindicação a apenas um item, a menos que especificamente declarado em contrário na reivindicação. Quando a linguagem “pelo menos uma parte” e/ou “uma parte” é usada, o item pode incluir uma parte e/ou o item inteiro, a menos que especificamente declarado o contrário.
Claims (15)
1. Sistema (200) compreendendo: uma máquina de processo de extrusão úmida (212) configurada para receber, misturar e transportar uma pluralidade de ingredientes (206) para uma matriz de extrusão (220), a pluralidade de ingredientes (206) incluindo uma proteína em pó, um óleo e água; e um sistema eletrônico de controle de processo (EPCS) (203) configurado para controlar a máquina de extrusão úmida (212) usando uma pluralidade de configurações de processo (210) eficazes para produzir uma mistura de matriz de extrusão (220) que é forçada, passa através, e sai a partir da matriz de extrusão (220); o sistema (200) sendo CARACTERIZADO pelo fato de que compreende um sistema de controle de inteligência de máquina supervisória (SMICS) (204) acoplado operativamente a pelo menos um de um subsistema de medição direta de fibrosidade (DFM) (312) configurado para medir diretamente um ou mais parâmetros de fibrosidade física da mistura de matriz de extrusão (220), e um subsistema de medição de fibrosidade indireta (IFM) (314) configurado para medir um ou mais parâmetros do processo de extrusão associados à mistura de matriz de extrusão (220); em que o SMICS (204) é configurado para modificar uma ou mais das configurações do processo (210) de pluralidade em resposta a pelo menos um dos um ou mais parâmetros de fibrosidade física e um ou mais parâmetros do processo de extrusão.
2. Sistema (200), de acordo com a reivindicação 1, CARACTERIZADO pelo fato de que o subsistema DFM (312) compreende um ou mais dentre um sistema de sensor óptico (320), um sistema de sensor de força mecânica (330) e um sistema de sensor sônico (340).
3. Sistema (200), de acordo com a reivindicação 2, CARACTERIZADO pelo fato de que o subsistema DFM (312) compreende pelo menos o sistema de sensor óptico (320) e o sistema de sensor óptico (320) é configurado para gerar imagens digitais da mistura de matriz de extrusão (220) e proporcionar as imagens digitais ao SMICS (204).
4. Sistema (200), de acordo com a reivindicação 2, CARACTERIZADO pelo fato de que o subsistema DFM (312) compreende pelo menos o sistema de sensor sônico (340) e o sistema de sensor sônico (340) é configurado para gerar imagens digitais da mistura de matriz de extrusão (220) e proporcionar as imagens digitais ao SMICS (204).
5. Sistema (200), de acordo com a reivindicação 3 ou reivindicação 4, CARACTERIZADO pelo fato de que o SMICS (204) é configurado para adicionalmente processar as imagens digitais para determinar os parâmetros de fibrosidade física das imagens da mistura de matriz de extrusão (220).
6. Sistema (200), de acordo com a reivindicação 5, CARACTERIZADO pelo fato de que os parâmetros de fibrosidade física compreendem um ou mais dentre uma métrica de tamanho de fibra, uma métrica de orientação de fibra, uma métrica de alinhamento de fibra, uma métrica de emaranhamento de fibra, uma métrica de distância entre fibras, uma métrica de força de torção e uma densidade, determinada a partir do processamento das imagens da mistura da matriz de extrusão (220).
7. Sistema, de acordo com a reivindicação 3 ou reivindicação 4, CARACTERIZADO pelo fato de que o SMICS (204) é configurado para utilizar as imagens digitais como pelo menos um dos parâmetros de fibrosidade física.
8. Sistema (200), de acordo com a reivindicação 2, CARACTERIZADO pelo fato de que o subsistema DFM (312) compreende pelo menos o sistema de sensor de força mecânica, em que o sistema de sensor de força mecânica (330) é configurado para medir uma ou mais de uma métrica de força de tração, uma métrica de força de compressão, uma métrica de força de torção e uma métrica de densidade da mistura de matriz de extrusão (220).
9. Sistema (200), de acordo com a reivindicação 2, CARACTERIZADO pelo fato de que o subsistema DFM (312) compreende dois ou mais dentre o sistema de sensor óptico (320), o sistema de sensor de força mecânica (330) e o sistema de sensor sônico (340).
10. Sistema (200), de acordo com qualquer uma das reivindicações 1-9, CARACTERIZADO pelo fato de que o subsistema IFM (314) inclui um ou mais sensores (322, 332, 342) configurados para medir um ou mais parâmetros do processo de extrusão.
11. Sistema (200), de acordo com a reivindicação 10, CARACTERIZADO pelo fato de que um ou mais parâmetros do processo de extrusão compreendem um ou mais de uma taxa de fluxo da mistura da matriz de extrusão (220), uma pressão de fluxo da mistura da matriz de extrusão (220), uma temperatura da mistura da matriz de extrusão (220) e um teor de umidade ou característica da mistura de matriz de extrusão (220).
12. Sistema (200), de acordo com qualquer uma das reivindicações 1-11, CARACTERIZADO pelo fato de que o SMICS (204) é configurado para executar um processo de aprendizado de máquina incluindo: receber uma entrada de dados do produto desejado a partir de um operador (202), receber entrada de feedback a partir de pelo menos um do subsistema DFM (312) e do subsistema IFM (314), executar um algoritmo de aprendizado de máquina para identificar uma ou mais relações de controle entre uma ou mais pluralidade de configurações de processo (210) e a entrada de dados do produto desejada, e utilizar uma ou mais relações de controle para modificar uma ou mais da pluralidade de configurações de processo (210).
13. Sistema (200), de acordo com a reivindicação 12, CARACTERIZADO pelo fato de que o algoritmo de aprendizado de máquina compreende pelo menos um dentre um algoritmo de aprendizado profundo, um algoritmo de aprendizado supervisionado e um algoritmo de aprendizado por reforço.
14. Sistema (200), de acordo com qualquer uma das reivindicações 1-13, CARACTERIZADO pelo fato de que a máquina de extrusão úmida (212) compreende: pelo menos um parafuso acionado por motor (216) disposto em modo de rotação em uma passagem de extrusão que se estende ao longo de um comprimento; um alimentador de pó configurado para introduzir o pó de proteína na passagem de extrusão; um alimentador de água configurado para adicionar a água à passagem de extrusão; um alimentador de óleo configurado para adicionar o óleo à passagem de extrusão; e um sistema de aquecimento acoplado à extrusora de parafuso e configurado para aquecer de modo seletivo um ou mais locais ao longo do comprimento da passagem de extrusão.
15. Método, CARACTERIZADO pelo fato de que compreende operar o sistema (200) de acordo com qualquer uma das reivindicações 1-14, o método incluindo pelo menos um dentre produzir um produto substituto de carne (226), determinar uma receita de produto substituto de carne (226) e controlar as características estéticas e físicas de um produto substituto de carne (226).
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP20186396.6A EP3939436A1 (en) | 2020-07-17 | 2020-07-17 | Supervisory machine intelligence controls for production of meat substitutes |
| EP20186396.6 | 2020-07-17 | ||
| PCT/EP2021/066987 WO2022012879A1 (en) | 2020-07-17 | 2021-06-22 | Supervisory machine intelligence controls for production of meat substitutes |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| BR112023000843A2 BR112023000843A2 (pt) | 2023-02-07 |
| BR112023000843B1 true BR112023000843B1 (pt) | 2024-01-16 |
Family
ID=71943916
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| BR112023000843-3A BR112023000843B1 (pt) | 2020-07-17 | 2021-06-22 | Controles de inteligência de máquina de supervisão para a produção de substitutos de carne |
Country Status (10)
| Country | Link |
|---|---|
| US (1) | US11812765B2 (pt) |
| EP (1) | EP3939436A1 (pt) |
| JP (1) | JP7421185B2 (pt) |
| KR (1) | KR102640708B1 (pt) |
| CN (1) | CN115955921B (pt) |
| AU (1) | AU2021308389B2 (pt) |
| BR (1) | BR112023000843B1 (pt) |
| CA (1) | CA3186340C (pt) |
| WO (1) | WO2022012879A1 (pt) |
| ZA (1) | ZA202301142B (pt) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11606959B2 (en) * | 2020-11-25 | 2023-03-21 | Seattle Food Tech, Inc. | Continuous process for automated meat analogue production |
| US20220414864A1 (en) * | 2021-06-25 | 2022-12-29 | Frito-Lay North America, Inc. | Devices, systems, and methods for virtual bulk density sensing |
| CN118632635A (zh) | 2022-05-06 | 2024-09-10 | 植物性食品公司 | 用于加工植物基蛋白质食品的设备、食品的套件及加工方法 |
| WO2023244262A1 (en) * | 2022-06-14 | 2023-12-21 | Frito-Lay North America, Inc. | Devices, systems, and methods for virtual bulk density sensing |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3904775A (en) * | 1973-08-22 | 1975-09-09 | Quaker Oats Co | Process for production of a simulated meat product |
| JP2965164B2 (ja) * | 1990-03-12 | 1999-10-18 | 株式会社末広鉄工所 | ２軸エクストルーダ及びそれによる食品，飼料加工方法 |
| AU5770396A (en) * | 1995-05-19 | 1996-11-29 | United Biscuits (Uk) Limited | Improvements in and relating to textured wheat gluten protei n products |
| DE19518390C2 (de) * | 1995-05-19 | 1999-02-18 | Inofex Gmbh | Verfahren und Schaltungsanordnung zur Steuerung und Regelung eines Antriebssystems für die Verarbeitung eines Rohstoffes, vorzugsweise für Fleischereimaschinen |
| US7029715B2 (en) * | 2000-05-25 | 2006-04-18 | Hdn Development Corporation | Methods and systems for automatically extruding and cutting dough-based products having pre-selected weights |
| FR2827123B1 (fr) * | 2001-07-12 | 2004-06-25 | Clextral | Procede et installation de preparation en continu d'un produit alimentaire retexture |
| US20050214419A1 (en) | 2004-03-29 | 2005-09-29 | Aberle Rick A | Method and apparatus for providing instantaneous, real-time data for extrusion process control |
| US20050266147A1 (en) * | 2004-05-21 | 2005-12-01 | Curators Of The University Of Missouri Office Of Technology & Special Projects | Method for detecting fiberization of vegetable proteins |
| US20110007151A1 (en) * | 2007-07-03 | 2011-01-13 | David Goldberg | Imaging Method For Determining Meat Tenderness |
| US20090155444A1 (en) * | 2007-12-12 | 2009-06-18 | Solae, Llc | Protein Extrudates Comprising Whole Grains |
| WO2009143840A2 (en) * | 2008-05-26 | 2009-12-03 | Gumlink A/S | Continuous formation of center-filled chewing gum |
| US9877498B2 (en) * | 2013-08-08 | 2018-01-30 | General Mills, Inc. | System and method for producing an extruded protein product |
| WO2016142788A2 (en) * | 2015-03-12 | 2016-09-15 | Rodríguez González Aniceto | Vegetable protein products and methods for making the same |
| JP6917079B2 (ja) | 2015-11-25 | 2021-08-11 | 株式会社タカゾノテクノロジー | 薬剤供給装置 |
| EP3868261B1 (en) * | 2016-08-26 | 2024-05-08 | Cometeer, Inc. | Systems for controlled liquid food or beverage product creation |
-
2020
- 2020-07-17 EP EP20186396.6A patent/EP3939436A1/en active Pending
-
2021
- 2021-06-22 CA CA3186340A patent/CA3186340C/en active Active
- 2021-06-22 JP JP2023503192A patent/JP7421185B2/ja active Active
- 2021-06-22 AU AU2021308389A patent/AU2021308389B2/en active Active
- 2021-06-22 KR KR1020237005088A patent/KR102640708B1/ko active IP Right Grant
- 2021-06-22 US US18/005,840 patent/US11812765B2/en active Active
- 2021-06-22 BR BR112023000843-3A patent/BR112023000843B1/pt active IP Right Grant
- 2021-06-22 CN CN202180052869.9A patent/CN115955921B/zh active Active
- 2021-06-22 WO PCT/EP2021/066987 patent/WO2022012879A1/en active Application Filing
-
2023
- 2023-01-27 ZA ZA2023/01142A patent/ZA202301142B/en unknown
Also Published As
| Publication number | Publication date |
|---|---|
| CA3186340A1 (en) | 2022-01-20 |
| ZA202301142B (en) | 2024-04-24 |
| JP7421185B2 (ja) | 2024-01-24 |
| CN115955921A (zh) | 2023-04-11 |
| AU2021308389B2 (en) | 2023-12-07 |
| BR112023000843A2 (pt) | 2023-02-07 |
| AU2021308389A1 (en) | 2023-03-16 |
| EP3939436A1 (en) | 2022-01-19 |
| KR102640708B1 (ko) | 2024-02-27 |
| KR20230028809A (ko) | 2023-03-02 |
| JP2023533086A (ja) | 2023-08-01 |
| CA3186340C (en) | 2023-06-27 |
| WO2022012879A1 (en) | 2022-01-20 |
| US20230225363A1 (en) | 2023-07-20 |
| US11812765B2 (en) | 2023-11-14 |
| CN115955921B (zh) | 2024-10-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| BR112023000843B1 (pt) | Controles de inteligência de máquina de supervisão para a produção de substitutos de carne | |
| Emin et al. | A mechanistic approach to analyze extrusion processing of biopolymers by numerical, rheological, and optical methods | |
| Diañez et al. | 3D printing in situ gelification of κ-carrageenan solutions: Effect of printing variables on the rheological response | |
| EP4065336B1 (en) | Method and controlling system for controlling polymer viscosity quality | |
| Deng et al. | Energy monitoring and quality control of a single screw extruder | |
| EP2810131B1 (en) | Method of controlling a production process | |
| EP3948458A1 (en) | Predictive process control for a manufacturing process | |
| SK14262001A3 (sk) | Spôsob a zariadenie na optimalizáciu riadenia procesu a monitorovania procesu v sústave na výrobu cestovín | |
| EP3988270B1 (en) | Machine learning method, machine learning device, and machine learning program | |
| Kristiawan et al. | Extrusion cooking modeling, control, and optimization | |
| Emin | Modeling extrusion processes | |
| JP2006262850A (ja) | バター水分制御方法、又はチャーニングシリンダー回転数制御方法及びその装置 | |
| Sarghini | Analysis and Simulation of Pasta Dough Extrusion Process by CFD | |
| JP7558622B2 (ja) | 機械学習装置、反応槽運転支援装置、及び、推論装置 | |
| WO2024116610A1 (ja) | 成形条件推定方法、プログラム、推定装置、表示装置及び学習モデルの生成方法 | |
| Yu et al. | Modeling of melt conveying and heat transfer in a twin-screw cheese stretcher | |
| Ryde | Effective process control | |
| Martynenko | Computer-Aided Control in Drying | |
| Lukas et al. | Real-time temperature control in rubber extrusion lines: a neural network approach | |
| Martynenko | 2 Computer-AidedControlin | |
| Gangadharappa et al. | Spreadsheet aided fuzzy model for prediction of chapati making quality | |
| Cárdenas et al. | Modeling and process simulation of a single screw food extruder | |
| McAfee et al. | ‘A SOFT APPROACH’–SOFT SENSOR TECHNOLOGY FOR EXTRUSION AND OPPORTUNITIES FOR MONITORING, CONTROL AND FAULT DIAGNOSTICS | |
| CN112617101A (zh) | 一种用于米粉挤丝的控制方法和装置 | |
| Emin | Karlsruhe Institute of Technology, Karlsruhe, Germany |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| B06A | Patent application procedure suspended [chapter 6.1 patent gazette] | ||
| B09A | Decision: intention to grant [chapter 9.1 patent gazette] | ||
| B16A | Patent or certificate of addition of invention granted [chapter 16.1 patent gazette] |
Free format text: PRAZO DE VALIDADE: 20 (VINTE) ANOS CONTADOS A PARTIR DE 22/06/2021, OBSERVADAS AS CONDICOES LEGAIS |