KR20230028809A - 육류 대체물을 생산하기 위한 감시 기계 지능 제어부 - Google Patents

육류 대체물을 생산하기 위한 감시 기계 지능 제어부 Download PDF

Info

Publication number
KR20230028809A
KR20230028809A KR1020237005088A KR20237005088A KR20230028809A KR 20230028809 A KR20230028809 A KR 20230028809A KR 1020237005088 A KR1020237005088 A KR 1020237005088A KR 20237005088 A KR20237005088 A KR 20237005088A KR 20230028809 A KR20230028809 A KR 20230028809A
Authority
KR
South Korea
Prior art keywords
extrusion
extrusion die
smics
parameters
metric
Prior art date
Application number
KR1020237005088A
Other languages
English (en)
Other versions
KR102640708B1 (ko
Inventor
차우혼 호
페드라나 슈푸디크
킴 리스트만
잔드로 쇤보른
엘시마리 보렐리
필리프 조머
메메트 메르캉괴츠
파트리크 뤼스
에리크 슈티르네만
에리히 요트. 빈트하프
루카스 뵈니
Original Assignee
에이비비 슈바이쯔 아게
에테하 쭈리히
플랜티드 푸즈 아게
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 에이비비 슈바이쯔 아게, 에테하 쭈리히, 플랜티드 푸즈 아게 filed Critical 에이비비 슈바이쯔 아게
Publication of KR20230028809A publication Critical patent/KR20230028809A/ko
Application granted granted Critical
Publication of KR102640708B1 publication Critical patent/KR102640708B1/ko

Links

Images

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
    • 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
    • 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
    • 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)
  • Molecular Biology (AREA)
  • Manufacturing & Machinery (AREA)
  • Mechanical Engineering (AREA)
  • Extrusion Moulding Of Plastics Or The Like (AREA)
  • Fodder In General (AREA)
  • Meat, Egg Or Seafood Products (AREA)

Abstract

시스템은 복수의 재료를 수용하고, 혼합하며 압출 다이로 이송하도록 구성된 습식 압출 처리 기계를 포함하고, 복수의 재료는 단백질 분말, 오일, 및 물을 포함한다. 시스템은, 압출 다이로 강제되고, 압출 다이를 통과하며, 압출 다이로부터 출력되는 압출 다이 혼합물을 생성하는 데 효과적인 복수의 프로세스 설정을 사용하여 습식 압출 기계를 제어하도록 구성된 전자 프로세스 제어 시스템(EPCS)을 포함한다. 시스템은 압출 다이 혼합물의 하나 이상의 물리적 섬유성 파라미터를 직접 측정하도록 구성된 직접 섬유성 측정(DFM) 서브시스템, 및 압출 다이 혼합물과 관련된 하나 이상의 압출 프로세스 파라미터를 측정하도록 구성된 간접 섬유성 측정(IFM) 서브시스템 중 적어도 하나와 작동식으로 결합된 감시 기계 지능 제어 시스템(SMICS)을 더 포함한다. SMICS는, 압출 다이 혼합물을 수정하는 데 효과적인, 하나 이상의 물리적 섬유성 파라미터 및 하나 이상의 압출 프로세스 파라미터 중 적어도 하나에 응답하여 복수의 프로세스 설정 중 하나 이상을 수정하도록 구성된다.

Description

육류 대체물을 생산하기 위한 감시 기계 지능 제어부
본 출원은 대안적인 단백질 기반 육류 대체물의 생산을 위한 장치, 방법, 및 시스템과 이러한 장치, 방법, 및 시스템에 대한 감시 기계 지능 제어부에 관한 것이다.
인구 성장과 사회 인구학적 변화로 인해 더 많고 다양한 유형의 식품을 제공하기 위해 천연 자원에 대한 압박이 증가하고 있다. 단백질은 인간의 식단에 중요한 영양소 중 하나이다. 육류로부터의 동물 기반 단백질은 인간의 식단을 위한 단백질의 더욱 더 대중적이고 중요한 공급원이지만, 동물 사육 및 육류 생산의 생태학적 영향이 또한 심각하고 커지는 문제이다. 식물 단백질 기반 육류 대체물 및 곤충 단백질 기반 육류 대체물과 같은 대안적인 단백질 기반 육류 대체물은 육류의 영양적 이점을 제공하거나 초과하는 대안적인 식품 공급원을 제공한다.
대안적인 단백질 기반 육류 대체물에 대한 중요한 과제는 동물 기반 육류를 모방하거나 초과하는 원하는 미적 및 물리적 특성(예를 들어, 모두 미적 및 물리적 특성인 맛, 텍스처, 인성, 외관 및 조리 거동)을 제공하는 것이다. 대안적인 단백질 기반 육류 대체물의 미적 특성을 제어하는 것은 재료 특성(예를 들어, 화학적 조성, 물리적 조성 및 구조, 순도, 및 프로세스에 도입되는 재료 및 첨가제의 기타 특성) 및 프로세스 설정(예를 들어, 재료 공급 속도, 프로세스 흐름 속도, 프로세스 온도, 및 기타 제어 파라미터)을 비롯한 여러 변수에 의해 영향을 받는 복잡한 문제이다.
도 1은 대안적인 단백질 기반 육류 대체 제품을 생산하기 위한 종래 기술 시스템(100)의 특정 양태를 도시하는 개략도이다. 시스템(100)에서, 한 명 이상의 인간 조작자(들)(102)는 습식 압출 처리 기계(112)에 제공될 재료(106)를 포함하는 레시피(104) 및 습식 압출 처리 기계(112)의 작동을 제어하도록 구성된 기계 제어기(103)에 제공되는 프로세스 설정(110)을 생성한다. 습식 압출 처리 기계(112)는 하나 이상의 각각의 재료(106)를 압출기(108)에 공급하는 하나 이상의 공급기(114)를 포함하고, 압출기는 처리 경로의 길이를 정의하는 고정 배럴 또는 챔버(118) 내에 배치되고 회전 가능한 하나 이상의 회전 스크류(116)를 포함한다.
재료(106)는, 예를 들어 하나 이상의 대안적인 단백질 분말(예를 들어, 식물 기반 밀가루 및/또는 곤충 기반 밀가루), 물 및 오일을 포함할 수 있으며, 또한 첨가제, 충전제, 처리 보조제 등을 포함할 수 있다. 하나 이상의 공급기(114)는 처리 경로의 길이를 따라 다양한 위치에서 압출기(108) 내로 재료(106)를 도입한다. 압출기(108)는 처리 경로의 길이를 따라 재료(106)를 혼합 및 전진시키고, 처리 경로의 길이를 따라 다양한 위치에서 온도를 제어하며, 다이(120)를 통해 처리된 혼합물을 압출한다. 압출 처리된 혼합물은 다이(120)로부터 육류 대체 제품(126)의 최종 형태로 출력된 처리된 혼합물을 구성하기 위해 하나 이상의 후처리 작업(124)을 받을 수 있다.
프로세스 설정(110)은 재료(106)의 도입량 또는 속도, 하나 이상의 스크류(116)의 회전 속도, 처리 경로의 길이를 따라 하나 이상의 위치에서의 온도, 압력, 및/또는 습도 설정, 및 습식 압출 처리 기계(112)의 다른 작동 설정을 포함할 수 있다. 시스템(100)은 재료(106), 처리 설정(110), 및 후처리 작업(124)을 조절하기 위해 하나 이상의 인간 조작자(들)(102)로부터의 조절 입력(122)에 의존한다. 조절 입력(122)은 프로세스의 하나 이상의 지점에서 처리 중인 제품(예를 들어, 다이(120)의 출력으로부터 또는 후처리 작업(124)의 하나 이상의 지점에서 취한 제품 샘플)의 조작자(들) 검사 및 평가에 기초하여 육류 대체 제품(126)의 원하는 특성을 달성하고 따라서 조작자(들)의 전문 지식과 경험에 의존한다.
지금까지, 대안적인 단백질 기반 육류 대체물에 대해 원하는 미적 특성을 달성하는 것은 비용이 많이 드는 시행 착오 반복을 통해 달성된 인간의 전문 지식과 경험에 대한 의존을 필요로 하였다. 이는 몇 가지 단점과 제한을 부과한다. 예를 들어, 원하는 미적 특성을 달성하는 것은 개별 인간 전문가의 경험에 따라 좌우되기 때문에, 생산은 전문가의 불가용성 위험에 노출된다. 또한, 기계 지능 제어 기술은 일부 상황에서 유용한 것으로 알려져 있지만, 고도로 프로세스 특정적이며 프로세스 제어에 대한 일반적인 적용 가능성 지점까지 개발되지 않았다. 더욱이, 이러한 기술은 다수의 용례에서 비효율적이거나 비효과적인 것으로 입증되었다. 이러한 기술의 일반적인 형태를 사용하더라도, 최적화되고 맞춤화된 식품을 향해 프로세스를 적응하는 것은 시간 소모적인 명제이며 몇 주나 몇 달 동안의 시행 착오 기반 실험을 필요로 할 수 있으며, 성공을 위한 변화와 성공 정도는 제한적이다. 주요 파라미터에 대한 관련 정보의 부족은 인간 전문가 제어 및 기계 지능 제어 접근법 모두에 또 다른 장애물이 되었다. 또 다른 교란 변수는 대안적인 단백질 기반 육류 대체 제품 재료에 의해 나타나는 비뉴턴 및 비선형 유체 거동과 같은 조성 복잡성의 존재이다. 재료 입력의 알려지지 않은 변동은 또 다른 교란 장해이다. 본 명세서에 개시된 고유한 장치, 방법, 시스템, 및 기술에 대한 상당한 미충족 요구가 남아있다.
본 기술 분야에서 직면한 상기 및 기타 단점 및 문제점을 해결하기 위해, 발명자는 본 명세서에 개시된 장치, 방법, 시스템, 프로세스, 및 기술을 포함하는 다수의 고유한 기술 해결책을 개발하였다. 동일한 것의 특정 양태를 예시하기 위해, 이제 본 개시내용의 첨부 도면에 예시된 예시적인 실시예를 참조하기로 한다.
도 1은 대안적인 단백질 기반 육류 대체물을 생산하기 위한 종래 기술 시스템을 예시하는 개략도이다.
도 2는 대안적인 단백질 기반 육류 대체물을 생산하기 위한 예시적인 시스템의 특정 양태를 예시하는 개략도이다.
도 3은 도 2의 시스템과 같은 대안적인 단백질 기반 육류 대체물을 생산하기 위한 시스템의 예시적 구현예의 특정 양태를 예시하는 개략도이다.
도 4는 도 2의 시스템과 같은 대안적인 단백질 기반 육류 대체물을 생산하기 위한 시스템의 예시적 구현예의 특정 양태를 예시하는 개략도이다.
도 5는 도 2의 시스템과 같은 대안적인 단백질 기반 육류 대체물을 생산하기 위한 시스템의 예시적 구현예의 특정 양태를 예시하는 개략도이다.
도 2를 참조하면, 대안적인 단백질 기반 육류 대체 제품(226)을 생산하기 위한 시스템(200)이 예시되어 있다. 시스템(200)은 시스템(100)의 습식 압출 처리 기계(112)와 동일하거나 유사할 수 있는 습식 압출 처리 기계(212)를 포함한다. 예를 들어, 습식 압출 처리 기계(212)는 하나 이상의 각각의 재료(206)를 압출기(208)에 공급하는 하나 이상의 공급기(214)를 포함하고, 압출기는 처리 경로의 길이를 정의하는 고정 배럴 또는 챔버(218) 내에 배치되고 회전 가능한 하나 이상의 회전 스크류(216)를 포함한다. 재료(206)는, 예를 들어 하나 이상의 대안적인 단백질 분말(예를 들어, 식물 기반 밀가루 및/또는 곤충 기반 밀가루), 물 및 오일을 포함할 수 있으며, 또한 첨가제, 충전제, 처리 보조제 등을 포함할 수 있다.
습식 압출 처리 기계(212)는 복수의 재료를 수용하고, 혼합하며 압출 다이(220)로 이송하도록 구성된 습식 압출 처리 기계의 일 예이며, 복수의 재료는 단백질 분말, 오일, 및 물(액체, 증기 또는 고체상의 물을 포함)을 포함한다. 예를 들어, 하나 이상의 공급기(214)는 처리 경로의 길이를 따라 다양한 위치에서 압출기(208) 내로 재료(206)를 도입한다. 특정 실시예에서, 하나 이상의 공급기(214)는 압출 통로에 단백질 분말을 도입하도록 구성된 하나 이상의 분말 공급기, 압출 통로에 물을 추가하도록 구성된 하나 이상의 물 공급기, 및 압출 통로에 오일을 추가하도록 구성된 하나 이상의 오일 공급기를 포함할 수 있다.
압출기(208)는 재료(206)를 혼합하고 처리 경로의 길이를 따라 전진시킨다. 하나 이상의 가열 시스템 및/또는 냉각 시스템이 스크류 압출기와 결합될 수 있고 처리 경로의 길이를 따라 다양한 위치에서 프로세스 온도를 제어하기에 효과적인 압출 통로의 길이를 따른 하나 이상의 위치를 선택 가능하게 가열 또는 냉각하도록 구성될 수 있어, 압출 다이(220)를 통해 처리된 혼합물을 압출한다. 습식 압출 처리 기계(212)는 복수의 재료를 수용하고, 혼합하며, 압출 다이로 이송하도록 구성된 습식 압출 기계의 하나이지만 일 예이며, 본 개시내용의 이점을 갖는 본 기술 분야의 숙련자에게 연상되는 바와 같이 다수의 대안 및 변형이 고려된다는 것을 이해하여야 한다. 다양한 습식 압출 기계 및 습식 압출 프로세스가 본 개시내용에 따른 실시예에서 이용될 수 있음을 추가로 이해하여야 한다.
본 개시내용에 따른 다수의 실시예는 다양한 유형의 매크로 스케일 습식 압출 기계 및 프로세스, 예를 들어 단축 압출기, 이축 압출기, 고차 다축 압출기, 혼련기, 혼련-압출기, 카운터-회전 압출기, 동시 회전 압출기, 및 다른 유형의 매크로 스케일 압출기 기계 및 프로세스를 포함한다. 추가로 또는 대안적으로, 습식 압출 기계 및 프로세스는, 예를 들어 필라멘트 퇴적, 융합 필라멘트 제조, 융합 필라멘트 모델링, 또는 다른 3D 인쇄 또는 마이크로 스케일 재료 압출 기술을 통한 마이크로 스케일 압출을 포함할 수 있다.
본 개시내용에 따른 습식 압출 기계 및 프로세스는 각각 다수의 행위를 수행하고 포함할 수 있다. 이러한 행위는 하나 이상의 건조 재료와 하나 이상의 액체 재료를 블렌딩하거나 혼합하여 블렌드 또는 혼합물(종종 도우라고도 지칭됨)을 형성하는 것, 도우를 처리하여 단백질을 변성시키고 단백질 섬유를 배향시키는 것, 및 섬유질 구조의 고정 또는 설정을 포함할 수 있다. 도우를 처리하여 단백질을 변성시키고 단백질 섬유를 배향시키는 것은, 도우에 대한 기계적 힘의 인가, 예를 들어 교반, 두들김, 합류 유동, 마찰 적용, 충돌, 반죽, 혼련, 가압, 진탕, 회전, 난류 적용, 파동 적용, 또는 이들 및/또는 다른 기계적 힘의 인가의 조합을 포함할 수 있다. 도우를 처리하여 단백질을 변성시키고 단백질 섬유를 배향시키는 것은 추가로 또는 대안적으로 화학 시약, 복사 에너지, 전자기 에너지, 및/또는 열 에너지의 인가에 의해 수행될 수 있다. 화학 시약은 pH 조절제, 코스모트로픽제, 카오트로픽제, 석고, 염, 계면활성제, 유화제, 지방산, 아미노산, 효소, 또는 이들 및/또는 다른 화학 구성요소의 조합을 포함할 수 있다. 섬유질 구조의 고정 또는 설정은 온도 변화, 압력 변화, 탈수, 산화환원 반응, 화학적 고정, 및/또는 다른 고정 작업을 인가하는 것을 포함할 수 있다.
시스템(200)은 전자 프로세스 제어 시스템(electronic process control system)(EPCS)(203)을 더 포함하며, 이 시스템은 압출 다이로 강제되고 압출 다이를 통과하며 압출 다이로부터 출력되는 압출 다이 혼합물을 생성하는 데 효과적인 복수의 프로세스 설정을 사용하여 습식 압출 기계를 제어하도록 구성된 EPCS의 일 예이다. 예를 들어, EPCS(203)는 압출 다이(220)로 강제되고, 압출 다이를 통과하며, 압출 다이로부터 출력되는 압출 다이 혼합물을 생성하는 데 효과적인 복수의 프로세스 설정(210)을 사용하여 습식 압출 기계(212)를 제어하도록 구성된다. 프로세스 설정(110)은 재료(206)의 도입량 또는 속도, 하나 이상의 스크류(216)의 회전 속도, 처리 경로의 길이를 따라 하나 이상의 위치에서의 온도 설정, 처리 경로의 길이를 따라 하나 이상의 위치에서의 압력 설정, 및 습식 압출 처리 기계(212)의 다른 작동 설정을 포함할 수 있다.
EPCS는 또한 복수의 후처리 설정(211)을 사용하여 자동화된 후처리 장비(224)를 제어하도록 구성된다. 자동화된 후처리 장비(224)는 압출 다이(220)로부터 출력되는 다이 혼합물을, 예를 들어 절단, 파쇄, 인열, 리핑, 롤링 또는 다른 후처리 기술에 의해 육류 대체 제품(226)의 최종 형태로 추가로 처리하도록 구성된다.
EPCS는 감시 기계 지능 제어 시스템(supervisory machine intelligence control system)(SMICS)에 대한 피드백 파라미터를 감지하고 제공하는 하나 이상의 감지 서브시스템(225)을 더 포함한다. 피드백 파라미터는 습식 압출 기계(212) 및/또는 자동화된 후처리 장비(224)와 관련된 센서로부터의 파라미터를 포함할 수 있다. 센서는 습식 압출 기계(212) 및/또는 자동화된 후처리 장비(224)의 작동 및/또는 그에 의해 처리되는 재료와 관련된 피드백 파라미터를 감지하고 제공하도록 구성될 수 있다. 특정 형태에서, 감지 서브시스템(225)은 도 3과 관련하여 아래에서 설명되는 감지 서브시스템 및/또는 센서 중 하나 이상, 도 3과 관련하여 아래에서 설명되는 감지 서브시스템 및/또는 센서의 2개 이상의 조합, 및 추가로 또는 대안적으로, 다른 형태 및 유형의 감지 서브시스템 및/또는 센서를 포함할 수 있다.
시스템(200)은 SMICS(204)의 하나 이상의 기계 지능 구성요소에 의존하여 EPCS(203)에 의해 이용되는 재료(206), 프로세스 설정(210), 후처리 설정(211)을 결정, 제공 및 조절 또는 수정하여 육류 대체 제품(226)의 원하는 특성을 달성한다. SMICS(204) 내지 EPCS(203)에 의해 제공되는 재료 설정(206)은 복수의 재료, 예를 들어 하나 이상의 대안적인 단백질 분말(예를 들어, 식물 기반 밀가루, 미생물 발효로부터 유래된 단백질, 및/또는 곤충 기반 밀가루), 물 및 오일에 대한 정량적 및 정성적 재료 사양을 포함할 수 있으며, 또한 첨가제, 충전제, 처리 보조제 등을 포함할 수 있다.
SMICS(204) 내지 EPCS(203)에 의해 제공되는 프로세스 설정(210)은 재료(206)의 도입량 또는 속도, 하나 이상의 스크류(216)의 회전 속도, 처리 경로의 길이를 따라 하나 이상의 위치에서의 온도, 압력, 및/또는 습도 설정, 및 습식 압출 처리 기계(212)의 다른 작동 설정을 포함할 수 있다. SMICS(204) 내지 EPCS(203)에 의해 제공되는 후처리 설정(211)은 힘, 크기, 주파수, 및 절단, 파쇄, 인열, 리핑, 롤링 또는 자동화된 후처리 장비(224)에 의해 수행될 수 있는 다른 후처리 기술과 관련된 다른 제어 파라미터를 포함할 수 있다.
인간 조작자(202)는 SMICS(204)에 이용 가능한 재료 및 원하는 제품 데이터와 같은 입력을 제공할 수 있지만, 이러한 입력은 자동화 또는 반자동화 방식으로 제공될 수 있다는 것도 고려된다. 원하는 제품 데이터 입력은, 예를 들어 압출 다이(220)에 필적하는 압출 다이의 입력 또는 그 근방에서, 압출 다이(220)에 필적하는 압출 다이의 출력 또는 그 근방에서, 또는 이러한 압출 다이에 대한 하나 이상의 추가 또는 대안 위치에서 알려진 혼합물의 디지털 이미지를 포함하는 원하는 중간 또는 최종 제품과 관련된 다수의 파라미터를 포함할 수 있다. 원하는 제품 데이터 입력은, 예를 들어 섬유 크기 메트릭, 섬유 배향 메트릭, 섬유 정렬 메트릭, 섬유 얽힘 메트릭, 섬유간 거리 메트릭, 비틀림 힘 메트릭, 밀도 메트릭, 섬유 기포 메트릭 또는 그 조합과 같은 물리적 섬유성 파라미터를 비롯한 이러한 알려진 혼합물의 디지털 이미지를 처리하여 결정된 다수의 물리적 섬유성 파라미터를 추가로 또는 대안적으로 포함할 수 있다.
전술한 물리적 섬유성 파라미터는 다수의 방식으로 정의될 수 있음을 이해하여야 한다. 예를 들어, 섬유 크기 메트릭은 평균 섬유 직경, 평균 섬유 길이, 섬유 직경 분포 또는 분산, 섬유 길이 분포 또는 분산, 사분위수, 오분위수, 십분위수 또는 섬유 직경 및/또는 길이의 다른 범위 메트릭 또는 본 개시내용의 이점을 갖는 본 기술 분야의 숙련자에게 연상되는 다양한 다른 크기 메트릭 중 하나 이상을 포함할 수 있다. 섬유 배향 메트릭은, 예를 들어 0(배향 기준에 대해 무작위 또는 의사-무작위(pseudo-random) 배향을 갖는 섬유 그룹을 나타냄) 내지 1(배향 기준에 대해 실질적으로 또는 완전히 균일한 배향을 갖는 섬유 그룹을 나타냄) 범위의 배향 균일성 지수를 포함할 수 있다. 섬유 정렬 메트릭은, 예를 들어 0(서로에 대해 무작위 또는 의사-무작위 정렬을 갖는 섬유 그룹을 나타냄) 내지 1(서로에 대해 실질적으로 또는 완전히 균일한 정렬을 갖는 섬유 그룹을 나타냄) 범위의 배향 균일성 지수를 포함할 수 있다. 섬유 얽힘 메트릭은, 예를 들어 디지털 이미지의 단위 면적당 다수의 섬유 교차를 포함할 수 있다. 섬유간 거리 메트릭은 인접한 섬유 사이의 평균 거리를 포함할 수 있다. 밀도 메트릭은 전술한 메트릭 중 하나 이상을 사용하여, 예를 들어 섬유 대 섬유간 거리의 비율, 및 섬유 크기 메트릭, 섬유 배향 메트릭, 섬유 정렬 메트릭, 섬유 얽힘 메트릭, 및/또는 섬유 기포 메트릭에 대응하는 하나 이상의 계수를 사용하여 계산 또는 도출될 수 있다. 전술한 평균은 평균 평균(mean average), 중간 평균, 모드 평균, 가중 평균 또는 이들의 변형을 포함할 수 있음을 추가로 이해하여야 한다. 섬유 기포 메트릭은 섬유 내 또는 섬유간 매트릭스 내의 공기 또는 가스 기포 형성의 존재, 정도, 및 특성, 예를 들어 단위 면적 또는 단위 체적당 기포 카운트, 및 평균 기포 크기(예를 들어, 직경, 반경, 체적 등), 및/또는 기포 주파수를 나타낼 수 있다. 일부 목적을 위해, 섬유 기포 메트릭은 섬유 밀도 메트릭의 형태로 고려될 수 있거나 이 메트릭과 상관될 수 있음을 이해하여야 한다.
일반적으로, SMICS(204)는 특정 작동을 수행하고, 직접 또는 간접적으로 작동 통신하는 시스템(200)의 임의의 구성요소 및/또는 센서로부터 신호를 수신하고 해석하도록 구성된다. SMICS(204)는 컴퓨터 실행 가능 명령어, 처리, 및 통신 하드웨어를 저장하는 비일시적 메모리를 갖는 처리 서브시스템의 전체 또는 일부를 형성하는 하나 이상의 컴퓨팅 디바이스를 포함하는 다양한 형태 및 구성으로 제공될 수 있음을 이해하여야 한다. SMICS(204)는 단일 디바이스 또는 분산 디바이스일 수 있으며, SMICS(204)의 기능은 하드웨어 또는 소프트웨어에 의해 수행될 수 있다. SMICS(204)는 임의의 액추에이터, 센서, 데이터 링크, 컴퓨팅 디바이스, 무선 연결부, 또는 임의의 설명된 작동을 수행할 수 있는 기타 디바이스와 통신한다. SMICS(204)는 본 명세서에 설명된 바와 같이 시스템(200)의 작동을 제어하기 위해 SMICS(204)에 의해 판독 가능하고 실행 가능한 명령어를 메모리에 저장하도록 구성된 하나 이상의 비일시적 메모리 디바이스를 포함할 수 있다.
본 명세서에 설명된 특정 작동은 하나 이상의 설명된 파라미터를 결정하기 위한 작동을 포함한다. SMICS(204)는, 예를 들어 통계적 기술을 사용하여 값을 계산하거나 컴퓨팅하고, 룩업 테이블로부터 값을 획득하거나 룩업 연산을 사용하며, 데이터 링크 또는 네트워크 통신으로부터 값을 수신하고, 값을 나타내는 전자 신호를 수신하며, 값을 나타내는 파라미터를 수신하고, 컴퓨터 판독 가능 매체의 메모리 위치로부터 값을 판독하며, 런타임 파라미터로서 값을 수신함으로써, 및/또는 해석된 파라미터가 계산될 수 있는 값을 수신함으로써, 및/또는 파라미터 값으로 해석되는 기본값을 참조함으로써 다수의 방식으로 결정하도록 구성될 수 있고 결정하는 동작을 수행할 수 있다.
SMICS(204)는 하나 이상의 감지 서브시스템(225)으로부터의 피드백 정보에 응답하여 EPCS(203)에 의해 이용되는 재료(206), 프로세스 설정(210), 후처리 설정(211)을 자동으로 조절하거나 수정하기 위해 다수의 기계 지능 기술을 수행하도록 구성될 수 있는 하나 이상의 기계 지능 구성요소(205)를 포함한다. 예를 들어, 기계 지능 구성요소(205)는 본 명세서에 설명된 하나 이상의 기술과 같은 기계 학습 기술을 이용하도록 구성될 수 있다.
SMICS(204)는 하나 이상의 기계 지능 구성요소(205)가 입력층과 출력층 사이에 다수의 층을 갖는 인공 신경망(artificial neural network)(ANN)을 이용하는 심층 학습 또는 심층 구조 학습 기술을 이용할 수 있다. 예를 들어, ANN은 입력층으로부터 출력층으로 변환의 신경망 체인을 정의하는 다층 신용 할당 경로(credit assignment path)(CAP)로 구성될 수 있다.
SMICS(204)는 하나 이상의 기계 지능 구성요소(205)에 예시적인 입력 및 그 원하는 출력, 및 입력을 출력에 맵핑하는 하나 이상의 규칙을 생성하는 정의된 목표가 제공되는 감시 또는 준감시 학습 기술을 이용할 수 있다. 예시적인 입력, 원하는 출력, 및 정의된 목표는 사용자에 의해 입력될 수 있고 및/또는 시스템(200)의 작동 중에 하나 이상의 기계 지능 구성요소(205)에 의해 적어도 부분적으로 취득될 수 있다.
SMICS(204)는 하나 이상의 기계 지능 구성요소(205)가 정의된 목표, 예를 들어 SMICS(204)에 대한 원하는 제품 데이터 입력을 생성 또는 복제하는 것을 수행해야 하는 동적 처리 환경과 시간 경과에 따라 상호 작용하는 보강 학습 기술을 이용할 수 있다. 이러한 실시예에서, 하나 이상의 기계 지능 구성요소(205)가 문제 공간을 반복적으로 네비게이팅함에 따라, 하나 이상의 기계 지능 구성요소(205)가 최대화하고자 하는 보상으로서 이용되는 감지 서브시스템 및/또는 조작자 또는 트레이너로부터의 피드백이 제공된다.
다른 실시예에서, SMICS(204)는 추가로 또는 대안적으로, 하나 이상의 기계 지능 구성요소(205)에 라벨이 부여되지 않아 입력에서 구조를 찾기 위해 자체적으로 남겨두는 비지도 학습과 같은 다른 기계 학습 기술을 이용할 수 있다. 다른 실시예는 주제 모델링, 차원 축소, 또는 메타 학습과 같은 다른 기계 학습 기술을 이용할 수 있다.
본 명세서에 추가로 설명되는 바와 같이, SMICS(204)는 학습 또는 훈련 모드에서 전술한 기계 학습 기술을 이용할 수 있고, 이 모드에서, SMICS(204)는 본 명세서에 개시된 프로세스 피드백 입력 중 하나 이상과 본 명세서에 개시된 프로세스 제어 파라미터 또는 설정 중 하나 이상 사이의 상관을 확립하기 위해 하나 이상의 모델을 생성, 유지, 및/또는 업데이트한다. SMICS(204)는 추가로 또는 대안적으로 생산된 육류 대체 제품의 미적 특성을 제어하기 위해 제어 또는 감시 모드에서 전술한 기계 학습 기술을 이용할 수 있다. SMICS(204)는 추가로 또는 대안적으로 제품 개발 모드에서 전술한 기계 학습 기술을 이용하여 재료 파라미터 및 프로세스 설정 파라미터를 포함하는 생산된 육류 대체 제품에 대한 레시피를 식별하고 특성화할 수 있다.
도 3을 참조하면, 감지 서브시스템(225) 및 SMICS(204)의 특정 양태를 포함하는 시스템(200)의 예시적인 구현예(300)의 특정 양태를 도시하는 개략도가 예시되어 있다. 구현예(300)는 SMICS(204)와 작동식으로 결합되는 직접 섬유성 측정(DFM) 서브시스템(312) 및 간접 섬유성 측정(IFM) 서브시스템(314)을 포함한다. 구현예(300)에서, SMICS(204)의 기계 지능 구성요소(205)는 도 2와 관련하여 전술한 기계 학습 기술 중 하나 이상을 이용하도록 구성될 수 있는 기계 학습 프로세스(MLP)(305)를 구현하도록 구성된다. DFM 서브시스템(312) 및 IFM 서브시스템(314)은 각각 MLP(305)에 하나 이상의 입력을 제공하도록 구성된다. 몇몇 실시예는 DFM 서브시스템(312) 및 IFM 서브시스템(314) 중 하나만을 포함할 수 있음을 이해하여야 한다. 추가로, 몇몇 실시예는 MLP(305)에 하나 이상의 입력을 제공하도록 구성될 수 있는 DFM 서브시스템 및 IFM 서브시스템 중 하나 또는 양자 모두의 다수의 인스턴스를 포함할 수 있다.
DFM 서브시스템(312)은 압출 다이 혼합물의 하나 이상의 물리적 섬유성 파라미터를 직접 측정하도록 구성된다. 이를 위해, DFM 서브시스템은 광학 또는 다른 전자기 스펙트럼 범위 센서 시스템(EM/광학 센서 시스템(320)), 기계적 힘 센서 시스템(330), 및 음파 센서 시스템(340) 중 하나 이상을 포함할 수 있다. 몇몇 실시예는 전술한 센서 시스템 중 하나만을 포함할 수 있는 반면, 몇몇 실시예는 전술한 센서 시스템 중 2개 이상을 포함할 수 있음을 이해하여야 한다. 추가로, 몇몇 실시예는 전술한 센서 시스템 중 어느 하나 이상의 다수의 인스턴스를 포함할 수 있다.
EM/광학 센서 시스템(320)은 압출 다이 혼합물의 디지털 이미지를 제공하도록 구성된 하나 이상의 광학 또는 다른 전자기 스펙트럼 센서(EM/광학 센서)(322)를 포함한다. EM/광학 센서 시스템(320) 및 그 구성 EM/광학 센서(322)는 다수의 센서 유형을 포함할 수 있음을 이해하여야 한다. 일부 형태에서, EM/광학 센서 시스템(320) 및 그 구성 EM/광학 센서(322)는 카메라 또는 가시 광선 스펙트럼, 자외선 스펙트럼, 적외선 스펙트럼, 또는 그 조합에 적응된 다른 광학 센서를 포함할 수 있다. 일부 형태에서, EM/광학 센서 시스템(320) 및 그 구성 EM/광학 센서(322)는 표면으로부터 광의 방향성 확산을 감지하도록 구성된 광 확산 감지 시스템 및 센서를 포함하거나 이용할 수 있다. EM/광학 센서(332) 중 하나 이상은 또한 스펙트럼 필터, 편광 필터, 및 다른 유형의 필터와 조합하여 사용될 수 있다. 비간섭성 광학 센서 및 시스템과 간섭성 센서 및 시스템(예를 들어, 레이저 센서 및 시스템) 중 하나 또는 양자 모두의 사용이 추가로 고려된다. 단색 및 컬러 이미징 중 하나 또는 양자 모두의 사용이 고려되며, 예를 들어 컬러 이미징 기술은 벌크의 섬유 구조(섬유 배향, 섬유 길이, 및 패턴, 섬유 기포 메트릭, 및 본 명세서에 개시된 다른 섬유성 메트릭과 같은 다른 섬유 특징)를 추론하기 위해 다이의 하류 지점에서 압출기 다이를 떠나는 압출물에 이용될 수 있다.
EM/광학 센서 시스템(320) 및 그 구성 EM/광학 센서(322)는 공간 스캐닝 시스템 및 센서, 스펙트럼 스캐닝 시스템 및 센서, 스냅샷 이미징 시스템 및 센서, 공간-스펙트럼 스캐닝 시스템 및 센서, 및/또는, 예컨대 초분광 큐브 또는 다른 다차원 공간-스펙트럼 구성의 감지에 의해 단위 면적당 다중 스펙트럼을 샘플링하도록 구성된 다른 유형의 시스템 및 센서와 같은 다중 스펙트럼 또는 초분광 센서 또는 이미징 시스템을 포함하거나 이용할 수 있다. EM/광학 센서 시스템(320) 및 그 구성 EM/광학 센서(322)는 추가로 또는 대안적으로 전자기 스펙트럼의 비광학 범위에서 작동하도록 구성된 시스템 및 센서를 포함할 수 있다. 일부 형태에서, EM/광학 센서 시스템(320) 및 그 구성 EM/광학 센서(322)는 전자기 단층 촬영 시스템 및 센서, X선 시스템 및 센서, 핵 자기 공명 시스템 및 센서, 및/또는 추가 유형의 비광학 스펙트럼 EM/광학 센서 및 시스템을 포함할 수 있다.
EM/광학 센서 시스템(320) 및 그 구성 EM/광학 센서(322)에 의해 제공되는 압출 다이 혼합물의 디지털 이미지는, 예를 들어 종래의 디지털 이미지 메트릭 또는 어레이, 스펙트럼 데이터, 및 기타 데이터 구조를 비롯하여 본 명세서에 고려되는 상이한 형태의 EM/광학 센서 시스템(320) 및 그 구성 EM/광학 센서(322)에 대응하는 다수의 형태를 포함할 수 있음을 추가로 이해하여야 한다.
광학 스펙트럼에 적응된 하나 이상의 센서를 포함하는 형태에서, 이러한 센서는 전하 결합 소자(CCD) 어레이, 상보적 금속-산화물-반도체 CMOS 어레이, 및/또는 다른 유형의 광학 센서 어레이, 디바이스 및 요소를 포함할 수 있다. 하나 이상의 EM/광학 센서(332)는 거시적 이미지, 미시적 이미지, 이 둘의 인스턴스, 또는 이 둘의 조합을 캡처하도록 구성된 하나 이상의 렌즈 시스템으로 구성될 수 있다. 전술한 바와 같이, 하나 이상의 EM/광학 센서(322)는 가시 스펙트럼, 적외선 스펙트럼, 및/또는 자외선 스펙트럼의 광을 검출하도록 구성된 형태로 제공될 수 있다. 광학 센서 시스템(320)은 또한 하나 이상의 EM/광학 센서(322)로부터의 원데이터를 SMICS(204)의 MLP(305)에 제공되는 디지털 이미지의 형태로 처리하도록 구성된 이미지 처리 전자 기기(324)를 포함한다.
하나 이상의 EM/광학 센서(322)는 압출 다이 위치 범위(326)에서 압출 다이 혼합물의 이미지를 캡처하도록 위치 설정 및 구성될 수 있다. 압출 다이 위치 범위(326)는 압출 다이(220)의 입구 또는 그 근방의 위치로부터 압출 다이(220)의 출구 또는 그 근방의 위치까지 연장되는 범위에 위치될 수 있다. 추가로 또는 대안적으로, 하나 이상의 EM/광학 센서(322)는 자동화된 후처리 장비(224)의 임의의 접근 가능한 지점 또는 위치일 수 있는 후처리 위치 범위(338)에서 압출 다이 혼합물의 이미지를 캡처하도록 위치 설정 및 구성될 수 있다. 이러한 경우에, 본 명세서에 개시된 것과 같은 시간 스탬핑 및 시간 조절 기술은 측정 위치와 압출 다이 위치의 시간 조절된 상관을 제공하여 하류 위치에서의 측정이 측정된 재료가 압출 다이(220)를 통과한 시간에서의 조건과 상관되도록 하는 데 이용될 수 있다.
하나 이상의 EM/광학 센서(322)의 측정값 또는 판독값이 있는 프로세스 위치(들)에 따라, 시간 스탬핑 및/또는 시간 적응 기술은 하나 이상의 EM/광학 센서(322)의 측정값 또는 판독값을 다른 센서 측정값 또는 판독값 또는 다른 프로세스 파라미터와 시간적으로 상관시키는 데 이용될 수 있다. 예를 들어, 자동화된 후처리 장비(224)의 지점 또는 위치와 같은 후처리 위치에서 EM/광학 센서(322)에 의해 하나 이상의 측정값 또는 판독값이 취해지는 경우, 시간 스탬핑 및/또는 시간 적응 기술은 센서 측정값 또는 판독값의 대상이 되는 재료가 이전 생산 프로세스 지점 또는 위치에 있었던 시점을 결정하는 데 이용될 수 있다. 전술한 바와 같이, 이러한 기술은, 예를 들어 EM/광학 센서(322)에 의해 취해진 하나 이상의 측정값 또는 판독값을 압출 다이(220)의 출구 또는 그 근방과 같은 상이한 프로세스 위치에서의 온도 또는 습기와 같은 다른 프로세스 측정값과 상관시키는 데 이용될 수 있다. 이러한 시간 스탬핑 및/또는 시간 적응 기술은 시간 경과에 따른 프로세스 속도의 변동을 설명할 수 있다. 동일하거나 실질적으로 유사한 시간 스탬핑 및 정렬 기술은 추가로 또는 대안적으로, 예를 들어 하나 이상의 기계적 힘 센서(332)를 포함하는 기계적 힘 센서 시스템(330) 및/또는 하나 이상의 음파 센서(342)를 포함하는 음파 센서 시스템(340)을 비롯하여 본 명세서에 개시된 다른 센서 시스템 및 센서와 관련하여 이용될 수 있다.
일부 형태는 하나 이상의 물리적 EM/광학 센서(322)에 추가하여 컴퓨터 기반 추정기, 관찰자, 소프트 센서의 사용을 고려한다. 이러한 컴퓨터 기반 추정기, 관찰자, 소프트 센서는 추가로 또는 대안적으로, 예를 들어 하나 이상의 기계적 힘 센서(332)를 포함하는 기계적 힘 센서 시스템(330) 및/또는 하나 이상의 음파 센서(342)를 포함하는 음파 센서 시스템(340)을 비롯하여 본 명세서에 개시된 다른 센서 시스템 및 센서와 관련하여 이용될 수 있다.
기계적 힘 센서 시스템(330)은 스트레인 게이지, 힘 변환기, 압전 센서, 압전 저항 센서, 용량성 센서, 탄성 저항 센서, 탄성 센서 및/또는 기계적 힘을 감지하도록 구성된 다른 유형의 센서 요소를 포함할 수 있는 하나 이상의 기계적 힘 센서(332)를 포함한다. 하나 이상의 기계적 힘 센서(332)는 하나 이상의 인장 메트릭(예를 들어, 인장 강도, 동적 인장 저항 거동, 당기는 힘, 또는 다른 인장력 메트릭), 압축 메트릭(예를 들어, 치형부 모방 센서 배열을 통한 시뮬레이션된 무는 힘, 연조직 모방 센서 배열을 통한 시뮬레이션된 촉각력, 하나 이상의 변위 또는 변형 기준에 대한 압축력, 파손에 대한 압축력, 또는 다른 압축력 메트릭), 및/또는 압출 다이 혼합물의 기계적 힘과 관련된 메트릭(예를 들어, 밀도 메트릭)을 측정하도록 구성될 수 있다. 하나 이상의 기계적 힘 센서(332)는 평가 중인 재료를 능동적으로 기계적으로 여기시키고 감지된 응답을 동적으로 평가하도록 구성된 하나 이상의 탄성 센서 시스템 또는 센서를 포함할 수 있다.
기계적 힘 센서(332) 중 하나 이상은 압출 다이 위치 범위(336)에서 압출 다이 혼합물과 선택적으로 접촉하도록 위치 설정 및 구성될 수 있다. 압출 다이 위치 범위(336)는 압출 다이(220)의 입구 또는 그 근방의 위치로부터 압출 다이(220)의 출구 또는 그 근방의 위치까지 연장되는 범위에 위치될 수 있다. 추가로 또는 대안적으로, 기계적 힘 센서(332)의 하나 이상의 센서 요소는 자동화된 후처리 장비(224)의 임의의 접근 가능한 지점 또는 위치일 수 있는 후처리 위치 범위(338)에서 압출 다이 혼합물과 선택적으로 접촉하도록 위치 설정 및 구성될 수 있다. 주어진 실시예에서 사용되는 압출 기계 및 압출 다이의 세부 사항에 따라, 근접 위치는 10 cm 이하 내의 위치, 5 cm 이하 내의 위치, 또는 1 cm 이하 내의 위치로 고려될 수 있음을 이해하여야 한다.
음파 센서 시스템(340)은 초음파 이미징 시스템에서 사용되는 것과 같은 초음파 송신기 및 수신기 또는 트랜시버 구성요소를 포함할 수 있는 하나 이상의 음파 센서(342)를 포함한다. 하나 이상의 음파 센서(342)는 음파를 측정 목표로 지향시키고 측정 목표에 의해 반사된 음파를 수집하도록 하나 이상의 음향 도파로 구조로 구성될 수 있다. 음파 센서 시스템(240)은 또한 하나 이상의 음파 센서(342)로부터 수신된 원데이터를 SMICS(204)의 MLP(305)에 제공되는 디지털 이미지의 형태로 처리하는 음파 이미지 처리 전자 기기(324)를 포함한다.
하나 이상의 음파 센서(342)는 압출 다이 위치 범위(346)에서 압출 다이 혼합물로 사운드를 지향시키고 압출 다이 혼합물로부터 반사된 사운드를 검출하도록 위치 설정 및 구성될 수 있다. 압출 다이 위치 범위(346)는 압출 다이(220)의 입구 또는 그 근방의 위치로부터 압출 다이(220)의 출구 또는 그 근방의 위치까지 연장되는 범위에 위치될 수 있다. 추가적으로 또는 대안적으로, 하나 이상의 음파 센서(342)는, 자동화된 후처리 장비(224)의 임의의 접근 가능한 지점 또는 위치일 수 있는 후처리 위치 범위(338)에서 압출 다이 혼합물로 사운드를 지향시키고 압출 다이 혼합물로부터 반사된 사운드를 검출하도록 위치 설정 및 구성될 수 있다.
IFM 서브시스템(314)은 하나 이상의 압출 프로세스 파라미터를 측정하도록 구성된 하나 이상의 센서(예를 들어, 센서 S1, S2, ... Sn)를 포함한다. 압출 프로세스 파라미터는 바람직하게는 압출 다이 혼합물의 유량, 압출 다이 혼합물의 유동 압력, 압출 다이 혼합물의 온도, 및 압출 다이 혼합물의 습기 함량 또는 특성 중 하나 이상을 포함할 수 있다. 압출 프로세스 파라미터는 추가로 또는 대안적으로 이러한 압출 프로세스 파라미터의 고차 표시기를 포함할 수 있다. 하나 이상의 모터 작동 파라미터(예를 들어, 모터 토크, 전력 소비, 모터 전류, 및 모터 전압)는 전술한 압출 프로세스 파라미터 중 하나 이상, 예를 들어 압출 다이 혼합물의 유량 또는 유동 압력과 상관될 수 있다. 압출기의 하나 이상의 위치에서의 압력 및 온도, 하나 이상의 온도 제어 루프의 열 전력 부하, 냉각 다이의 온도, 냉각 다이 열 교환기의 냉각 유체의 유량 및/또는 온도 변화는 전술한 압출 프로세스 파라미터 중 하나 이상, 예를 들어 압출 다이 혼합물의 온도와 상관될 수 있다. 물 및 오일 유량 뿐만 아니라 건조 공급 원료의 공급 속도를 포함하는 압출기 공급물로부터의 측정은 전술한 압출 프로세스 파라미터 중 하나 이상, 예를 들어 압출 다이 혼합물의 유량 또는 압출 다이 혼합물의 습기 함량 또는 특성과 상관될 수 있다. 처리 라인을 따른 건조 공급 원료의 습기 함량 측정값 및/또는 혼합물의 습기 측정값은 전술한 압출 프로세스 파라미터 중 하나 이상, 예를 들어 압출 다이 혼합물의 습기 함량 또는 특성과 상관될 수 있다. 단백질 변성 및 가교 정도를 나타내는 분석 또는 점탄성 거동의 분석과 같은 제품 특징과 관련된 추가 온라인 또는 오프라인에서 획득된 측정값은 또한 전술한 압출 프로세스 파라미터 중 하나 이상과 상관될 수 있다.
하나 이상의 센서는 압출 다이 위치 범위(356)에서 하나 이상의 압출 프로세스 파라미터를 측정하도록 위치 설정 및 구성될 수 있다. 압출 다이 위치 범위(356)는 압출 다이(220)의 입구 또는 그 근방의 위치로부터 압출 다이(220)의 출구 또는 그 근방의 위치까지 연장되는 범위에 위치될 수 있다. 추가로 또는 대안적으로, 하나 이상의 센서는 자동화된 후처리 장비(224)의 임의의 액세스 가능한 지점 또는 위치로부터 센서 판독값을 제공하도록 위치 설정 및 구성될 수 있다. IFM 서브시스템(314)은 또한 하나 이상의 센서로부터 수신된 원데이터를 SMICS(204)의 MLP(305)에 대한 입력으로 사용하기에 적절한 형태로 조절하고 처리하는 입력/출력(I/O) 및 신호 처리 유닛(250)을 포함한다.
SMICS(204)는, 압출 다이 혼합물의 하나 이상의 물리적 섬유성 파라미터를 직접 측정하도록 구성된 직접 섬유성 측정(DFM) 서브시스템, 및 압출 다이 혼합물과 관련된 하나 이상의 프로세스 파라미터를 측정하도록 구성되고, 압출 다이 혼합물 및 그로부터 생산된 결과적인 육류 대체 제품(226)을 수정하는 데 효과적인, 하나 이상의 물리적 섬유성 파라미터, 및 하나 이상의 프로세스 파라미터 중 적어도 하나에 응답하여 복수의 프로세스 설정 중 하나 이상을 수정하도록 구성된 간접 섬유성 측정(IFM) 서브시스템 중 적어도 하나와 작동식으로 결합된 감시 기계 지능 제어 시스템의 일 예임을 이해하여야 한다.
예시적인 구현예(300)에서, MLP(305)는, DFM 서브시스템(312)으로부터 수신된 하나 이상의 물리적 섬유성 파라미터, 및 IFM 서브시스템(314)으로부터 수신된 하나 이상의 압출 프로세스 파라미터 중 적어도 하나에 응답하여 하나 이상의 프로세스 설정 조절 또는 수정(PSA)(310) 및/또는 하나 이상의 재료 조절 또는 수정(IA)(306)을 결정하도록 구성된다. PSA(310) 및/또는 IA(306)는 제어 작동을 수행할 때 EPCS(203)에 제공되고 EPCS에 의해 이용되며 압출 다이 혼합물 및 그로부터 생산된 결과적인 육류 대체 제품(226)의 물리적 및 미적 특성을 수정하는 데 효과적이다. 예를 들어, PSA(310) 및/또는 IA(306)는 재료(206), 프로세스 설정(210), 및/또는 후처리 설정(211)을 조절하거나 수정하기 위해 EPCS에 의해 사용될 수 있다.
MLP(305)는, 조작자로부터 원하는 제품 데이터 입력을 수신하고, DFM 서브시스템 및 IFM 서브시스템 중 적어도 하나로부터 피드백 입력을 수신하며, 기계 학습 알고리즘 또는 프로세스를 실행하여 복수의 프로세스 설정 중 하나 이상과 원하는 제품 데이터 입력 사이의 하나 이상의 제어 관계를 식별하고, 하나 이상의 제어 관계를 이용하여 복수의 프로세스 설정 중 하나 이상을 수정하기 위해 SMICS 구성요소에 의해 구현되는 프로세스의 일 예이다.
전술한 바와 같이, MLP(305)는 DFM 서브시스템(312) 및 IFM 서브시스템(314) 둘 모두 중 하나로부터 피드백 입력을 수신한다. DFM 서브시스템(312)으로부터 수신된 피드백 입력은 압출 다이 혼합물의 디지털 이미지를 포함할 수 있다. MLP(305)는 물리적 섬유성 파라미터 중 적어도 하나로서 디지털 이미지 자체를 이용 및 취급할 수 있다. 추가로 또는 대안적으로, MLP(305) 또는 SMICS의 다른 처리 구성요소는 압출 다이 혼합물의 이미지로부터 물리적 섬유성 파라미터 중 하나 이상을 결정하기 위해 디지털 이미지를 추가로 처리하도록 구성될 수 있다. 물리적 섬유성 파라미터를 결정하기 위한 압출 다이 혼합물의 이미지의 이러한 추가 처리는 섬유 크기 메트릭, 섬유 배향 메트릭, 섬유 정렬 메트릭, 섬유 얽힘 메트릭, 섬유간 거리 메트릭, 비틀림 힘 메트릭, 밀도 메트릭(상기 메트릭 중 하나 이상으로부터 계산되거나 도출될 수 있음), 및 섬유 내 또는 섬유간 매트릭스 내의 공기 또는 가스 기포 형성의 존재, 정도, 및 특성, 예를 들어 단위 면적 또는 단위 체적당 기포 카운트, 및 평균 기포 크기(예를 들어, 직경, 반경, 체적 등), 및/또는 기포 주파수를 나타내는 메트릭 중 하나 이상을 결정하기 위한 처리를 포함할 수 있다. 이러한 메트릭은, 예를 들어 도 2와 관련하여 설명된 예에 따라 정의될 수 있다.
MLP(305)는 또한, 예를 들어 재료 습기 또는 습도 센서, 재료 공급 속도 센서, 프로세스 유량 센서, 프로세스 유동 압력 센서, 프로세스 온도 센서, 프로세스 습도 또는 습기 센서, 및 시스템(200)에 의해 수행되는 프로세스의 다른 양태를 측정하기 위해 제공되는 다른 유형의 센서일 수 있는 다른 프로세스 센서(OPS)(399)로부터 피드백 입력을 수신할 수 있다. MLP(305)는 DFM 서브시스템(312) 및/또는 IFM 서브시스템(314)으로부터의 입력 뿐만 아니라 그 기계 학습 프로세스에서 OPS(399)로부터의 입력을 이용할 수 있다. 특정 실시예에서, DFM 서브시스템(312) 및/또는 IFM 서브시스템(314)으로부터의 입력은 바람직하게는 MLP(305)에 의해 수행되는 기계 학습 프로세스를 안내하거나 제한하기 위해 다른 입력보다 우선순위가 매겨지거나 가중된다. 특정 바람직한 실시예에서, 이는 MLP(305)에 의해 수행되는 기계 학습 프로세스의 효능을 유리하게 가속하고 개선하는 것으로 여겨진다.
MLP(305)는 DFM 서브시스템(312) 및/또는 IFM 서브시스템(314)으로부터의 입력 뿐만 아니라 OPS(399)로부터의 다양한 입력의 조합을 이용할 수 있다. OPS(399)로부터의 입력은 모터 작동 파라미터(예를 들어, 모터 토크, 전력 소비, 모터 전류, 및 모터 전압), 압출기의 다양한 위치로부터의 압력 및 온도 측정값, 온도 제어 루프의 열 전력 부하, 냉각 다이로부터의 온도 측정값, 냉각 다이 열 교환기에서 냉각 유체의 유량 및 온도 변화, 물 및 오일 유량을 포함한 압출기 공급물로부터의 측정값 뿐만 아니라 건조 공급 원료의 공급 속도 및 이용 가능한 경우 건조 공급 원료의 습기 함량의 표시, 처리 라인을 따른 혼합물의 습기 측정값, 단백질 변성 및 가교 정도를 나타내는 분석 또는 점탄성 거동의 분석과 같은 제품 특징과 관련된 온라인 또는 오프라인에서 획득된 측정값, 및/또는 OPS(399)로부터의 다른 입력을 포함할 수 있다.
MLP(305)는 다수의 목적을 위해 제어 모델 또는 기타 제어 구성요소를 생성, 유지 및 업데이트하는 데 이용할 수 있다. 특정 실시예에서, MLP(305)와 관련된 제어 모델 또는 다른 제어 구성요소는 공칭 작동 상태로부터 프로세스의 작동 상태에서 편차 및 이상을 검출하고, 검출된 편차 및 이상에 대한 근본 원인을 확립하며, 제어 동작을 제공하여 프로세스를 공칭 작동 상태(직접 실행하거나 조작자에게 암시)로 복귀시키고, 더 높은 생산 속도, 개선된 제품 품질, 개선된 작동 안정성을 포함하지만 이에 제한되지 않는 기준에 기초하여 현재 작동 상태보다 더 바람직한 새로운 작동 상태를 결정하며, 예를 들어 최소 천이 시간 또는 최소량의 사양 외 제품을 비롯한 조건을 만족하면서 한 상태로부터 다른 상태로 작동 상태를 천이하는 제어 동작을 제공할 수 있다.
특정 실시예에서, MLP(305)와 관련된 제어 모델 또는 다른 제어 구성요소는 처리된 혼합물의 체류 시간 및 압출기에 입력되는 열 에너지에 대한 단백질 변성 및 조리/가교의 정도 뿐만 아니라 압출기 내의 예상 온도 수준과 관련된 수학적 모델을 이용하고, 처리된 혼합물의 점도에 대한 공급 속도에 의해 보상된 모터 토크 및 모터 전력 소비와 관련된 수학적 모델을 이용할 수 있다. 특정 실시예에서, MLP(305)와 관련된 제어 모델 또는 다른 제어 구성요소는, 섬유 배향의 정도, 섬유 길이, 또는 단백질 변성 속도에 대한 기포 또는 용융 영역의 존재 및 프로세스 혼합물 유량에 의해 보상된 다이 입구에서의 냉각 속도 및 프로세스 혼합물 온도에 기초하여 결정된 다이의 예상 온도 프로파일과 같은 제품 벌크 특성과 관련된 수학적 모델을 이용할 수 있다. 특정 실시예에서, MLP(305)와 관련된 제어 모델 또는 다른 제어 구성요소는 전술한 수학적 모델 중 하나 이상 및 하나 이상의 추가 모델을 포함하는 조합된 수학적 모델을 이용할 수 있다.
도 4를 참조하면, 시스템(200)의 복수의 프로세스 작동에 대한 감지 서브시스템(225)의 예시적인 구현예(400)의 특정 양태를 도시하는 개략도가 예시되어 있다. 시스템(200)의 예시된 프로세스 작동은 압출 처리 기계(예를 들어, 압출 처리 기계(212))로 수행되는 프로세스 작동의 예인 프로세스 작동(P1 내지 Pn)을 포함한다. 프로세스 작동(P1)은 재료 추가(I1)(예를 들어, 재료(206) 중 하나 이상의 추가)를 수반하며 하나 이상의 프로세스 설정(예를 들어, 프로세스 설정(210) 중 하나 이상)을 사용하여 결정되는 하나 이상의 프로세스 제어 입력(C1)에 의해 제어된다. 프로세스 작동(P1)은 다른 프로세스 입력(예를 들어, OPS 입력(399))을 제공하도록 구성된 프로세스 센서의 예인 하나 이상의 센서(S1a ... S1n)에 의해 모니터링된다. 하나 이상의 센서(S1a ... S1n)는 연속 센서 출력 또는 개별 센서 출력을 제공하도록 구성될 수 있다. 유사하게, 프로세스 제어 입력(C1)은 연속 제어 입력 또는 이산 제어 입력으로서 결정 및 제공될 수 있다.
프로세스 작동(Pn)은 재료 추가(In)(예를 들어, 재료(206) 중 하나 이상의 추가)를 수반하며 하나 이상의 프로세스 설정(예를 들어, 프로세스 설정(210) 중 하나 이상의 추가)을 사용하여 결정될 수 있는 하나 이상의 프로세스 제어 입력(Cn)에 의해 제어된다. 프로세스 작동(Pn)은 다른 프로세스 입력(예를 들어, OPS 입력(399))을 제공하도록 구성된 프로세스 센서의 예인 하나 이상의 센서(Sna ... Snn)에 의해 모니터링된다. 표기 "n"에 의해 나타낸 바와 같이, 구현예(400)는 도 4에 예시되지 않은 복수의 추가 프로세스 작동을 더 포함할 수 있다. 하나 이상의 센서(Sna ... Snn)는 연속 센서 출력 또는 개별 센서 출력을 제공하도록 구성될 수 있다. 유사하게, 프로세스 제어 입력(Cn)은 연속 제어 입력 또는 이산 제어 입력으로 결정 및 제공될 수 있다.
시스템(200)의 예시된 프로세스 작동은 자동화된 후처리 장비(예를 들어, 자동화된 후처리 장비(224))로 수행되는 프로세스 작동의 예인 후처리 작동(Ppp)을 포함한다. 후처리 작동(Ppp)은 하나 이상의 후처리 설정(예를 들어, 후처리 설정(211) 중 하나 이상)을 사용하여 결정되는 하나 이상의 후처리 제어 입력(Cpp)에 의해 제어된다. 후처리 작동(Ppp)은 다른 프로세스 입력(예를 들어, OPS 입력(399))을 제공하도록 구성된 프로세스 센서의 예인 하나 이상의 센서(Sppa ... Sppn)에 의해 모니터링된다. 하나 이상의 센서(Sppa ... Sppn)는 연속 센서 출력 또는 개별 센서 출력을 제공하도록 구성될 수 있다. 유사하게, 하나 이상의 후처리 제어 입력(Cpp)은 연속 제어 입력 또는 이산 제어 입력으로서 결정 및 제공될 수 있다.
구현예(400)는 직접 섬유성 측정(DFM) 서브시스템 및 간접 섬유성 측정(IFM) 서브시스템(예를 들어, DFM(312) 및/또는 IFM(314)) 중 하나 또는 둘 모두를 포함하며, 이들 각각 또는 둘 모두는 압출 다이(220)와 관련된 하나 이상의 프로세스 작동 또는 후처리 작동(Ppp)을 측정하도록 구성될 수 있다. DFM 및/또는 IFM 서브시스템은 속성 및 특징을 포함하고 각각 DFM(312) 및/또는 IFM(314)에 따라 구성 및 구현될 수 있다. 따라서, 구현예(400)는 DFM 및/또는 IFM으로부터의 입력 뿐만 아니라 다른 프로세스 센서로부터의 입력을 감시 기계 지능 제어 시스템(예를 들어, SMICS(204)의 MLP(305))의 기계 학습 구성요소에 제공하도록 구성된 구현예의 일 예임을 이해하여야 한다.
시스템(200), 구현예(300), 및/또는 구현예(400)가 본 개시내용에 따른 다수의 방법을 수행하는 데 이용될 수 있음을 이해하여야 한다. 하나의 예시적인 방법은 육류 대체 제품(예를 들어, 육류 대체 제품(226))을 생산하기 위해 (구현예(300), 구현예(400), 및/또는 다른 구현예에 따른) 시스템(200)을 작동시키는 단계를 포함한다. 하나의 예시적인 방법은 (구현예(300), 구현예(400), 및/또는 다른 구현예에 따른) 시스템(200)을 작동시켜 육류 대체 제품 레시피를 결정하는 단계를 포함한다. 하나의 예시적인 방법은 (구현예(300), 구현예(400), 및/또는 다른 구현예에 따른) 시스템(200)을 작동시켜 육류 대체 제품의 미적 및 물리적 특성을 제어하거나 최적화하는 단계를 포함한다.
도 5를 참조하면, 도 2의 시스템 또는 대안적인 단백질 기반 육류 대체물을 생산하기 위한 다른 예시적인 시스템과 관련하여 구현되거나 이용될 수 있는 제어 시스템(500)의 예시적인 구현예의 특정 양태를 도시하는 개략도가 예시되어 있다. 제어 시스템(500)은 온라인 제어부(510) 및 제어된 시스템(530)을 포함한다. 온라인 제어부(510)는 제품 특징 제어기(512) 및 용융물 제어기(514)를 포함한다. 온라인 제어부(510)는 EPCS(203) 또는 다른 전자 프로세스 제어 시스템의 구성요소 중 일부 또는 전부를 포함할 수 있고, 추가로 또는 대안적으로 SMICS(204) 또는 다른 감시 기계 지능 제어 시스템의 구성요소 중 일부 또는 전부를 포함할 수 있다. 제어된 시스템(530)은, 습식 압출 처리 기계(212) 또는 다른 습식 처리 압출 기계의 제어 가능한 구성요소 중 일부 또는 전부를 포함할 수 있는 재료 전처리, 압출기 및 압출 다이 냉각 구성요소(532)(때때로 구성요소(532)라고도 지칭됨), 및 자동화된 후처리 장비(224) 또는 다른 후처리 장비의 구성요소 중 일부 또는 전부를 포함할 수 있는 후처리 구성요소(534)를 포함한다.
제어 시스템(500)은 용융물 제어기(514) 및 구성요소(532)를 포함하는 내부 피드백 루프, 및 제품 특징 제어기(512) 및 후처리 구성요소(534)를 포함하는 외부 피드백 루프를 포함하는 계층적, 다층, 폐루프 형태로 구성된다. 내부 피드백 루프에서, 용융물 제어기(512)는 구성요소(532)에 프로세스 제어 출력(523)을 제공하고 프로세스 측정 피드백(522)은 구성요소(532)로부터 용융물 제어기(512)로 제공된다. 외부 피드백 루프에서, 제품 특징 제어기(512)는 용융물 제어기(512)에 용융물 특징 기준(513)을 제공하고 후처리 구성요소(534)에 후처리 기준(515)을 제공한다. 제품 특징 제어기(512)는 또한 DPFI(302) 또는 다른 제품 특징 기준을 포함할 수 있는 제품 특징 기준(502)을 수신한다. 제품 특징 제어기(512)는 또한 구성요소(532)를 통과하는 압출물(533)의 측정값 또는 감지된 특성(이러한 측정값 또는 감지된 특성은 압출물이 압출 다이에 진입하기 전부터 압출물이 압출 다이에서 빠져나간 후까지 연장되는 범위에 걸쳐 가능함), 후처리 구성요소(534)의 하나 이상의 지점 또는 위치에 있는 후처리된 제품, 및/또는 최종 육류 대체 제품(226)에 관한 제품 특징 측정값을 수신한다.
용융물 제어기(514)는 바람직하게는 점도 및 탄성 변형과 같은 압출 프로세스 용융물의 유변학적 특징을 조절하도록 구성되고 작동 가능하다. 이러한 용융물 특징의 제어는 압출기의 방해받지 않는 작동 뿐만 아니라 최종 제품의 품질 및 특징을 제공하는 데 유용할 수 있다. 이러한 용융물 특징은 자연 공급 제품의 불가피하고 종종 알려지지 않은 변동, 또는 재료 준비 및 보관의 상이한 환경 조건으로 인해 발생하는 입력 단백질 분말의 다양한 특성과 같은 시스템의 다수의 잠재적 교란 및 변동에 민감하고 그에 의해 영향을 받을 수 있다. 따라서, 용융물 제어기(514)는 압출기의 막힘, 압출물의 열악한 물리적 일관성, 또는 열악한 섬유 발생과 같은 상황을 피하도록 구성된다.
용융물 제어기(514)는 감지 서브시스템(225) 또는 다른 감지 시스템 또는 구성요소 중 하나 이상에 의해 제공되는 측정값과 같은 시스템 측정값으로부터 획득된 용융물 특징의 추정값을 이용할 수 있다. 일부 형태에서, 이러한 측정값은 하나 이상의 전처리 단계, 압출기, 및 다이 후 압출물보다는 압출 다이의 시작에서 배타적으로 또는 우세하게 수집될 수 있다. 이 기술은 압출 다이가 상당한 운송 지연을 유발할 수 있는 대부분의 수동 요소(전체 냉각 속도만 제어 가능하거나 조절됨)를 포함하는 실시예에 바람직할 수 있다. 프로세스 제어 출력(523)은 명령어, 변수, 또는 압출기 스크류 속도, 입력 유동, 및 압출 구역의 온도 설정값과 같은 압출 시스템 액추에이터에 대한 다른 제어 파라미터를 포함할 수 있다. 일부 형태에서, 압출 다이 개구의 동적 애퍼처 제어가 또한 고려된다.
기계 학습 구성요소 또는 모델에 의해 식별될 수 있는 동적 시스템 모델 및 기계 학습 구성요소 또는 모델에 의해 식별될 수 있는 프로세스 측정값과 용융물 특징 사이의 기능적 관계에 기초하여 다변수 제어 문제 및 해결책 방법론이 결정될 수 있다는 것이 또한 고려된다. 이러한 다변수 제어 문제 및 해결책 방법론은 다양한 형태를 취할 수 있다. 예를 들어, 시스템이 약하게 결합된 경우, 적절한 보상 메커니즘을 갖는 고전적인 단일 입력 단일 출력 제어를 이용할 수 있다. 시스템 변수가 강력하게 결합된 경우, 선형 이차 조절기 또는 모델 예측 제어와 같은 방법론을 이용할 수 있다.
다수의 예시적인 실시예가 이제 추가로 설명될 것이다. 제1 예시적인 실시예는 시스템이며, 복수의 재료를 수용하고, 혼합하며 압출 다이로 이송하도록 구성된 습식 압출 처리 기계 - 복수의 재료는 단백질 분말, 오일, 및 물을 포함함 -; 압출 다이로 강제되고, 압출 다이를 통과하며, 압출 다이로부터 출력되는 압출 다이 혼합물을 생성하는 데 효과적인 복수의 프로세스 설정을 사용하여 습식 압출 기계를 제어하도록 구성된 전자 프로세스 제어 시스템(EPCS)을 포함한다. 이 시스템은 압출 다이 혼합물의 하나 이상의 물리적 섬유성 파라미터를 직접 측정하도록 구성된 직접 섬유성 측정(DFM) 서브시스템, 및 압출 다이 혼합물과 관련된 하나 이상의 압출 프로세스 파라미터를 측정하도록 구성된 간접 섬유성 측정(IFM) 서브시스템 중 적어도 하나와 작동식으로 결합된 감시 기계 지능 제어 시스템(SMICS)을 포함한다. SMICS는 하나 이상의 물리적 섬유성 파라미터 및 하나 이상의 압출 프로세스 파라미터 중 적어도 하나에 응답하여 복수의 프로세스 설정 중 하나 이상을 수정하도록 구성된다.
제2 예시적인 실시예는 제1 예시적인 실시예의 특징을 포함하는 시스템으로서, DFM 서브시스템은 광학 센서 시스템, 기계적 힘 센서 시스템, 및 음파 센서 시스템 중 하나 이상을 포함한다.
제3 예시적인 실시예는 제2 예시적인 실시예의 특징을 포함하는 시스템으로서, DFM 서브시스템은 적어도 광학 센서 시스템을 포함하고, 광학 센서 시스템은 압출 다이 혼합물의 디지털 이미지를 생성하고 디지털 이미지를 SMICS에 제공하도록 구성된다.
제4 예시적인 실시예는 제2 예시적인 실시예의 특징을 포함하는 시스템으로서, DFM 서브시스템은 적어도 음파 센서 시스템을 포함하고, 음파 센서 시스템은 압출 다이 혼합물의 디지털 이미지를 생성하고 디지털 이미지를 SMICS에 제공하도록 구성된다.
제5 예시적인 실시예는 제3 예시적인 실시예 또는 제4 예시적인 실시예의 특징을 포함하는 시스템으로서, SMICS는 디지털 이미지를 추가로 처리하여 압출 다이 혼합물의 이미지로부터 물리적 섬유성 파라미터를 결정하도록 구성된다.
제6 예시적인 실시예는 제5 예시적인 실시예의 특징을 포함하는 시스템으로서, 물리적 섬유성 파라미터는, 압출 다이 혼합물의 이미지의 처리로부터 결정된, 섬유 크기 메트릭, 섬유 배향 메트릭, 섬유 정렬 메트릭, 섬유 얽힘 메트릭, 섬유간 거리 메트릭, 비틀림 힘 메트릭, 및 밀도 중 하나 이상을 포함한다.
제7 예시적인 실시예는 제3 예시적인 실시예 또는 제4 예시적인 실시예의 특징을 포함하는 시스템으로서, SMICS는 디지털 이미지를 물리적 섬유성 파라미터 중 적어도 하나로서 이용하도록 구성된다.
제8 예시적인 실시예는 제2 예시적인 실시예의 특징을 포함하는 시스템으로서, DFM 서브시스템은 적어도 기계적 힘 센서 시스템을 포함하고, 기계적 힘 센서 시스템은 압출 다이 혼합물의 인장력 메트릭, 압축력 메트릭, 비틀림 힘 메트릭, 및 밀도 메트릭 중 하나 이상을 측정하도록 구성된다.
제9 예시적인 실시예는 제2 예시적인 실시예의 특징을 포함하는 시스템으로서, DFM 서브시스템은 광학 센서 시스템, 기계적 힘 센서 시스템, 및 음파 센서 시스템 중 둘 이상을 포함한다.
제10 예시적인 실시예는 제1 내지 제9 예시적인 실시예 중 어느 하나의 특징을 포함하는 시스템으로서, IFM 서브시스템은 하나 이상의 압출 프로세스 파라미터를 측정하도록 구성된 하나 이상의 센서를 포함한다.
제11 예시적인 실시예는 제10 예시적인 실시예의 특징을 포함하는 시스템으로서, 하나 이상의 압출 프로세스 파라미터는 압출 다이 혼합물의 유량, 압출 다이 혼합물의 유동 압력, 압출 다이 혼합물의 온도, 및 압출 다이 혼합물의 습기 함량 또는 특성 중 하나 이상을 포함한다.
제12 예시적인 실시예는 제1 내지 제11 예시적인 실시예 중 어느 하나의 특징을 포함하는 시스템으로서, SMICS는, 조작자로부터 원하는 제품 데이터 입력을 수신하는 것, DFM 서브시스템 및 IFM 서브시스템 중 적어도 하나로부터 피드백 입력을 수신하는 것, 기계 학습 알고리즘을 실행하여 복수의 프로세스 설정 중 하나 이상과 원하는 제품 데이터 입력 사이의 하나 이상의 제어 관계를 식별하는 것, 및 하나 이상의 제어 관계를 이용하여 복수의 프로세스 설정 중 하나 이상을 수정하는 것을 포함하는 기계 학습 프로세스와 같은 기계 지능 프로세스를 수행하도록 구성된다. 제12 예시적인 실시예의 특정 형태에서, 기계 학습 알고리즘에 추가하여 또는 대안으로서, 다른 기계 의사결정, 계산 엔진, 또는 다른 기계 지능 구성요소, 예를 들어 고전적인 제어, 모델 예측 제어, PID 제어, 다변수 제어, 최적화 기반 제어 중 하나 이상이 사용될 수 있다.
제13 예시적인 실시예는 제12 예시적인 실시예의 특징을 포함하는 시스템으로서, 기계 학습 알고리즘은 딥 러닝 알고리즘, 감시 학습 알고리즘, 및 보강 학습 알고리즘 중 적어도 하나를 포함한다.
제14 예시적인 실시예는 제1 내지 제13 예시적인 실시예 중 어느 하나의 특징을 포함하는 시스템으로서, 습식 압출 기계는, 길이를 따라 연장되는 압출 통로에 회전 가능하게 배치된 적어도 하나의 모터 구동 스크류; 단백질 분말을 압출 통로에 도입하도록 구성된 분말 공급기; 압출 통로에 물을 추가하도록 구성된 물 공급기; 압출 통로에 오일을 추가하도록 구성된 오일 공급기; 및 스크류 압출기와 결합되고 압출 통로의 길이를 따라 하나 이상의 위치를 선택 가능하게 가열하도록 구성된 가열 시스템을 포함한다.
제15 예시적인 실시예는 제1 내지 제14 예시적인 실시예 중 어느 하나의 특징을 포함하는 시스템으로서, EPCS 및 SMICS 중 적어도 하나의 하나 이상의 구성요소는 계층적, 다층, 폐루프 제어 시스템의 구성요소를 포함한다.
제16 예시적인 실시예는 제15 예시적인 실시예의 특징을 포함하는 시스템으로서, 계층적, 다층, 폐루프 제어 시스템은 용융물 제어기를 포함하는 내부 피드백 루프 및 제품 특징 제어기를 포함하는 외부 피드백 루프를 포함한다.
제17 예시적인 실시예는 제16 예시적인 실시예의 특징을 포함하는 시스템으로서, 내부 피드백 루프에서, 용융물 제어기는 하나 이상의 압출 시스템 구성요소에 프로세스 제어 출력을 제공하고 압출 시스템과 관련된 하나 이상의 감지 시스템으로부터 프로세스 측정 피드백을 수신한다.
제18 예시적인 실시예는 제1 내지 제17 예시적인 실시예 중 어느 하나의 특징을 포함하는 시스템으로서, 외부 피드백 루프에서, 제품 특징 제어기는 용융물 제어기에 용융물 특징 기준을 제공하고, 하나 이상의 후처리 시스템 구성요소에 후처리 기준을 제공한다.
제19 예시적인 실시예는 제1 내지 제18 예시적인 실시예 중 어느 하나의 특징을 포함하는 시스템으로서, SMICS는 DFM 서브시스템 및 IFM 서브시스템 모두로부터 입력을 수신하고, 이들 입력을, 특정 형태에서, 딥 러닝 알고리즘, 감시 학습 알고리즘, 및 보강 학습 알고리즘 중 하나 이상을 포함할 수 있는 기계 학습 프로세스에서 이용한다.
제20 예시적인 실시예는 제1 내지 제19 예시적인 실시예 중 어느 하나의 시스템을 작동시키는 것을 포함하는 방법으로서, 육류 대체 제품을 생산하는 것, 육류 대체 제품 레시피를 결정하는 것, 및 육류 대체 제품의 미적 및 물리적 특성을 제어하는 것 중 적어도 하나를 포함한다.
제21 예시적인 실시예는 압출 다이 혼합물의 하나 이상의 물리적 섬유성 파라미터를 직접 측정하도록 구성된 직접 섬유성 측정(DFM) 서브시스템, 및 압출 다이 혼합물과 관련된 하나 이상의 압출 프로세스 파라미터를 측정하도록 구성된 간접 섬유성 측정(IFM) 서브시스템 중 적어도 하나와 작동식으로 결합된 감시 기계 지능 제어 시스템(SMICS)을 포함하는 장치이다. SMICS는 하나 이상의 물리적 섬유성 파라미터 및 하나 이상의 압출 프로세스 파라미터 중 적어도 하나에 응답하여 복수의 프로세스 설정 중 하나 이상을 수정하도록 구성된다.
제22 예시적인 실시예는 제21 예시적인 실시예의 특징을 포함하는 장치로서, SMICS는 습식 압출 처리 기계와 조합하여 제공된다.
제23 예시적인 실시예는 제22 예시적인 실시예의 특징을 포함하는 장치로서, 습식 압출 처리 기계는 복수의 재료를 수용하고, 혼합하며 압출 다이로 이송하도록 구성되며, 복수의 재료는 단백질 분말, 오일, 및 물을 포함한다.
제24 예시적인 실시예는 제21 내지 제22 예시적인 실시예 중 어느 하나의 특징을 포함하는 장치로서, SMICS는 전자 프로세스 제어 시스템(EPCS)과 조합하여 제공된다.
제25 예시적인 실시예는 제24 예시적인 실시예의 특징을 포함하는 장치로서, EPCS는 압출 다이로 강제되고, 압출 다이를 통과하며, 압출 다이로부터 출력되는 압출 다이 혼합물을 생성하는 데 효과적인 복수의 프로세스 설정을 사용하여 습식 압출 기계를 제어하도록 구성된다.
제26 예시적인 실시예는 제21 내지 제25 예시적인 실시예 중 어느 하나의 장치를 작동시키는 것을 포함하는 방법으로서, 육류 대체 제품을 생산하는 것, 육류 대체 제품 레시피를 결정하는 것, 및 육류 대체 제품의 미적 및 물리적 특성을 제어하는 것 중 적어도 하나를 포함한다.
본 개시내용의 예시적인 실시예가 도면 및 전술한 설명에서 상세히 예시되고 설명되었지만, 동 실시예는 예시적인 것으로 고려되어야 하며 특성이 제한적이지 않으며, 특정 예시적인 실시예만이 도시되고 설명되었으며 청구된 발명의 사상 내에서 이루어지는 모든 변경 및 수정은 보호되어야 한다는 것을 이해하여야 한다. 위의 설명에서 이용된 바람직할 수 있는, 바람직하게는, 바람직한 또는 더 바람직한과 같은 단어의 사용은 그렇게 설명된 특징이 더 바람직할 수 있음을 나타내지만, 그럼에도 불구하고 이는 필수적이지 않을 수 있으며 동 특징이 없는 실시예가 본 발명의 범위 내에 있는 것으로 고려될 수 있음을 이해하여야 하고, 그 범위는 다음 청구범위에 의해 한정된다. 청구범위를 읽을 때, "a", "an", "적어도 하나" 또는 "적어도 일 부분"과 같은 단어가 사용될 때, 청구범위에서 특별히 달리 언급하지 않는 한 청구범위를 단 하나의 물품으로 제한하려는 의도는 없다. "적어도 일부" 및/또는 "일부"라는 언어가 사용되는 경우, 물품은 달리 구체적으로 언급되지 않는 한 부분 및/또는 전체 물품을 포함할 수 있다.

Claims (15)

  1. 시스템이며,
    복수의 재료를 수용하고, 혼합하며 압출 다이로 이송하도록 구성된 습식 압출 처리 기계 - 복수의 재료는 단백질 분말, 오일, 및 물을 포함함 -; 및
    압출 다이로 강제되고, 압출 다이를 통과하며, 압출 다이로부터 출력되는 압출 다이 혼합물을 생성하는 데 효과적인 복수의 프로세스 설정을 사용하여 습식 압출 기계를 제어하도록 구성된 전자 프로세스 제어 시스템(EPCS)을 포함하는 시스템에 있어서,
    시스템은 압출 다이 혼합물의 하나 이상의 물리적 섬유성 파라미터를 직접 측정하도록 구성된 직접 섬유성 측정(DFM) 서브시스템, 및 압출 다이 혼합물과 관련된 하나 이상의 압출 프로세스 파라미터를 측정하도록 구성된 간접 섬유성 측정(IFM) 서브시스템 중 적어도 하나와 작동식으로 결합된 감시 기계 지능 제어 시스템(SMICS)을 포함하며;
    SMICS는 하나 이상의 물리적 섬유성 파라미터 및 하나 이상의 압출 프로세스 파라미터 중 적어도 하나에 응답하여 복수의 프로세스 설정 중 하나 이상을 수정하도록 구성되는 것을 특징으로 하는 시스템.
  2. 제1항에 있어서, DFM 서브시스템은 광학 센서 시스템, 기계적 힘 센서 시스템, 및 음파 센서 시스템 중 하나 이상을 포함하는, 시스템.
  3. 제2항에 있어서, DFM 서브시스템은 적어도 광학 센서 시스템을 포함하고, 광학 센서 시스템은 압출 다이 혼합물의 디지털 이미지를 생성하고 디지털 이미지를 SMICS에 제공하도록 구성되는, 시스템.
  4. 제2항에 있어서, DFM 서브시스템은 적어도 음파 센서 시스템을 포함하고, 음파 센서 시스템은 압출 다이 혼합물의 디지털 이미지를 생성하고 디지털 이미지를 SMICS에 제공하도록 구성되는, 시스템.
  5. 제3항 또는 제4항에 있어서, SMICS는 디지털 이미지를 추가로 처리하여 압출 다이 혼합물의 이미지로부터 물리적 섬유성 파라미터를 결정하도록 구성되는, 시스템.
  6. 제5항에 있어서, 물리적 섬유성 파라미터는, 압출 다이 혼합물의 이미지의 처리로부터 결정된, 섬유 크기 메트릭, 섬유 배향 메트릭, 섬유 정렬 메트릭, 섬유 얽힘 메트릭, 섬유간 거리 메트릭, 비틀림 힘 메트릭, 및 밀도 중 하나 이상을 포함하는, 시스템.
  7. 제3항 또는 제4항에 있어서, SMICS는 디지털 이미지를 물리적 섬유성 파라미터 중 적어도 하나로서 이용하도록 구성되는, 시스템.
  8. 제2항에 있어서, DFM 서브시스템은 적어도 기계적 힘 센서 시스템을 포함하고, 기계적 힘 센서 시스템은 압출 다이 혼합물의 인장력 메트릭, 압축력 메트릭, 비틀림 힘 메트릭, 및 밀도 메트릭 중 하나 이상을 측정하도록 구성되는, 시스템.
  9. 제2항에 있어서, DFM 서브시스템은 광학 센서 시스템, 기계적 힘 센서 시스템, 및 음파 센서 시스템 중 둘 이상을 포함하는, 시스템.
  10. 제1항 내지 제9항 중 어느 한 항에 있어서, IFM 서브시스템은 하나 이상의 압출 프로세스 파라미터를 측정하도록 구성된 하나 이상의 센서를 포함하는, 시스템.
  11. 제10항에 있어서, 하나 이상의 압출 프로세스 파라미터는 압출 다이 혼합물의 유량, 압출 다이 혼합물의 유동 압력, 압출 다이 혼합물의 온도, 및 압출 다이 혼합물의 습기 함량 또는 특성 중 하나 이상을 포함하는, 시스템.
  12. 제1항 내지 제11항 중 어느 한 항에 있어서, SMICS는 기계 학습 프로세스를 수행하도록 구성되고, 상기 기계 학습 프로세스는:
    조작자로부터 원하는 제품 데이터 입력을 수신하는 것,
    DFM 서브시스템 및 IFM 서브시스템 중 적어도 하나로부터 피드백 입력을 수신하는 것,
    기계 학습 알고리즘을 실행하여 복수의 프로세스 설정 중 하나 이상과 원하는 제품 데이터 입력 사이의 하나 이상의 제어 관계를 식별하는 것, 및
    하나 이상의 제어 관계를 이용하여 복수의 프로세스 설정 중 하나 이상을 수정하는 것을 포함하는, 시스템.
  13. 제12항에 있어서, 기계 학습 알고리즘은 딥 러닝 알고리즘, 감시 학습 알고리즘, 및 보강 학습 알고리즘 중 적어도 하나를 포함하는, 시스템.
  14. 제1항 내지 제13항 중 어느 한 항에 있어서, 습식 압출 기계는:
    길이를 따라 연장되는 압출 통로에 회전 가능하게 배치된 적어도 하나의 모터 구동 스크류;
    단백질 분말을 압출 통로에 도입하도록 구성된 분말 공급기;
    압출 통로에 물을 추가하도록 구성된 물 공급기;
    압출 통로에 오일을 추가하도록 구성된 오일 공급기; 및
    스크류 압출기와 결합되고 압출 통로의 길이를 따라 하나 이상의 위치를 선택 가능하게 가열하도록 구성된 가열 시스템을 포함하는, 시스템.
  15. 제1항 내지 제14항 중 어느 한 항의 시스템을 작동하는 것을 포함하는 방법이며, 육류 대체 제품을 생산하는 것, 육류 대체 제품 레시피를 결정하는 것, 및 육류 대체 제품의 미적 및 물리적 특성을 제어하는 것 중 적어도 하나를 포함하는, 방법.
KR1020237005088A 2020-07-17 2021-06-22 육류 대체물을 생산하기 위한 감시 기계 지능 제어부 KR102640708B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP20186396.6 2020-07-17
EP20186396.6A EP3939436A1 (en) 2020-07-17 2020-07-17 Supervisory machine intelligence controls for production of meat substitutes
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
KR20230028809A true KR20230028809A (ko) 2023-03-02
KR102640708B1 KR102640708B1 (ko) 2024-02-27

Family

ID=71943916

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020237005088A KR102640708B1 (ko) 2020-07-17 2021-06-22 육류 대체물을 생산하기 위한 감시 기계 지능 제어부

Country Status (10)

Country Link
US (1) US11812765B2 (ko)
EP (1) EP3939436A1 (ko)
JP (1) JP7421185B2 (ko)
KR (1) KR102640708B1 (ko)
CN (1) CN115955921A (ko)
AU (1) AU2021308389B2 (ko)
BR (1) BR112023000843B1 (ko)
CA (1) CA3186340C (ko)
WO (1) WO2022012879A1 (ko)
ZA (1) ZA202301142B (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
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
WO2023214058A1 (en) 2022-05-06 2023-11-09 Planted Foods Ag Apparatus for processing plant-based proteinaceous food items, set of food items and method of processing
WO2023244262A1 (en) * 2022-06-14 2023-12-21 Frito-Lay North America, Inc. Devices, systems, and methods for virtual bulk density sensing

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050214419A1 (en) * 2004-03-29 2005-09-29 Aberle Rick A Method and apparatus for providing instantaneous, real-time data for extrusion process control
WO2009143840A2 (en) * 2008-05-26 2009-12-03 Gumlink A/S Continuous formation of center-filled chewing gum
KR20160068733A (ko) * 2013-08-08 2016-06-15 제네랄밀즈인코포레이팃드 압출된 단백질 제품 제조 시스템 및 방법
WO2016142788A2 (en) * 2015-03-12 2016-09-15 Rodríguez González Aniceto Vegetable protein products and methods for making the same
KR20190091256A (ko) * 2016-08-26 2019-08-05 멜츠, 엘엘씨 제어된 액체 식품 또는 음료 제품 생산을 위한 시스템

Family Cites Families (10)

* Cited by examiner, † Cited by third party
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
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
AU5770396A (en) * 1995-05-19 1996-11-29 United Biscuits (Uk) Limited Improvements in and relating to textured wheat gluten protei n products
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
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
WO2009005828A1 (en) * 2007-07-03 2009-01-08 Tenera Technology, Llc Imaging method for determining meat tenderness
US20090155444A1 (en) * 2007-12-12 2009-06-18 Solae, Llc Protein Extrudates Comprising Whole Grains
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050214419A1 (en) * 2004-03-29 2005-09-29 Aberle Rick A Method and apparatus for providing instantaneous, real-time data for extrusion process control
WO2009143840A2 (en) * 2008-05-26 2009-12-03 Gumlink A/S Continuous formation of center-filled chewing gum
KR20160068733A (ko) * 2013-08-08 2016-06-15 제네랄밀즈인코포레이팃드 압출된 단백질 제품 제조 시스템 및 방법
WO2016142788A2 (en) * 2015-03-12 2016-09-15 Rodríguez González Aniceto Vegetable protein products and methods for making the same
KR20190091256A (ko) * 2016-08-26 2019-08-05 멜츠, 엘엘씨 제어된 액체 식품 또는 음료 제품 생산을 위한 시스템

Also Published As

Publication number Publication date
BR112023000843A2 (pt) 2023-02-07
CA3186340A1 (en) 2022-01-20
WO2022012879A1 (en) 2022-01-20
CA3186340C (en) 2023-06-27
AU2021308389B2 (en) 2023-12-07
JP2023533086A (ja) 2023-08-01
AU2021308389A1 (en) 2023-03-16
KR102640708B1 (ko) 2024-02-27
EP3939436A1 (en) 2022-01-19
US20230225363A1 (en) 2023-07-20
ZA202301142B (en) 2024-04-24
JP7421185B2 (ja) 2024-01-24
CN115955921A (zh) 2023-04-11
US11812765B2 (en) 2023-11-14
BR112023000843B1 (pt) 2024-01-16

Similar Documents

Publication Publication Date Title
KR102640708B1 (ko) 육류 대체물을 생산하기 위한 감시 기계 지능 제어부
US7882049B2 (en) Process control system using spatially dependent data for controlling a web-based process
Abeykoon Single screw extrusion control: A comprehensive review and directions for improvements
EP2810131B1 (en) Method of controlling a production process
Cheng et al. Modelling extrudate expansion in a twin-screw food extrusion cooking process through dimensional analysis methodology
EP4065336B1 (en) Method and controlling system for controlling polymer viscosity quality
EA004529B1 (ru) Способ и устройство для оптимизации управления процессом, а также контроля за процессом в установке для изготовления макаронных изделий
Popescu et al. A new approach to modeling and control of a food extrusion process using artificial neural network and an expert system
JP2022161005A (ja) 食品の品質を管理するための方法および装置並びに当該装置を備える、食品を処理するためのシステム
CN116568141A (zh) 用于基于多变量预测模型的烘焙过程控制的设备和方法
JP2022070134A (ja) 機械学習方法、機械学習装置、機械学習プログラム、通信方法、及び樹脂処理装置
Koc et al. Optimization of whole milk powder processing variables with neural networks and genetic algorithms
Shankar et al. Prediction of extrudate properties using artificial neural networks
Kulshreshtha et al. Automatic control of food extrusion: problems and perspectives
Kristiawan et al. Extrusion cooking modeling, control, and optimization
Kupongsak et al. Application of fuzzy set and neural network techniques in determining food process control set points
CN103064287A (zh) 一种应用于锥型双螺杆挤出机温度控制的卡尔曼滤波方法
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
Gilmour et al. Detection of process abnormality in food extruder using principle component analysis
Gangadharappa et al. Spreadsheet aided fuzzy model for prediction of chapati making quality
Sturm et al. Towards a System View on Intelligent Drying
Ryde Effective process control
Nasuha et al. Optimizing Fused Deposition Modeling with ANN: Material Consumption and Tensile Strength Predictions
Cárdenas et al. Modeling and process simulation of a single screw food extruder
Martynenko 2 Computer-AidedControlin

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant