Niveau : Intermédiaire
【Présentateur】
PATRICK GIULIANO, Ingénieur Qualité Senior, Abbott
Charles Chen, Expert en amélioration continue, Ingénierie assistée par les statistiques (SAE), Matériaux appliqués
Mason Chen, lycéen, lycée en ligne de Stanford
[Résumé de la présentation] (en utilisant la traduction automatique)
Les aliments cuits tels que les boulettes sont généralement cuits sans contrôle précis du processus des paramètres de cuisson. Le but de ce travail est de personnaliser le processus de cuisson des boulettes en fonction de différents types de produits de boulettes. Dans le processus de cuisson des boulettes, la température de l'eau et le temps de cuisson sont les facteurs les plus importants qui déterminent le degré de cuisson des boulettes. Le poids de la boulette, le type de boulette et la taille du lot sont également des variables qui affectent le processus de cuisson. Pour construire un modèle de prédiction du temps de cuisson, nous avons construit une plate-forme JMPDSD structurée avec des propriétés spéciales. Le schéma internationalement reconnu ISO22000 de contrôle de la sécurité alimentaire et d'analyse des risques et maîtrise des points critiques (HACCP) a été adopté. Nous avons comparé la méthode d'ajustement neuronal JMP avec les derniers algorithmes d'exploration de données à RSM. Les résultats ont montré une plus grande prévalence des effets principaux de facteurs tels que la température d'ébullition, le type de produit, la taille/le lot de la boulette et les effets d'interaction limités par le mélange utilisé dans la composition de la boulette. Dans cette approche de conception/analyse, l'optimisation de conception robuste de JMP, les simulations de Monte Carlo et les limites de contrôle HACCP ont été utilisées pour comprendre et caractériser la sensibilité des éléments de cuisson des boulettes au temps de cuisson résultant. Une approche holistique a montré un effet synergique de la combinaison de modèles avec différentes propriétés projectives. Les modèles d'IA basés sur des partitions récursives utilisent des schémas de classification pour estimer les effets d'interaction, et la modélisation de régression classique (pas à pas) offre la possibilité d'interpréter les interactions de deux ordres ou plus, y compris la possibilité Courbure dans le premier terme quadratique. Dans ce livre blanc, nous avons décrit un nouveau processus de cuisson automatisé des boulettes et un cadre analytique (utilisant le schéma d'IA) qui peuvent améliorer le processus global, réduire les coûts énergétiques et réduire les coûts de main-d'œuvre. Cette nouvelle méthodologie a le potentiel de changer notre façon de penser à l'estimation des coûts commerciaux et à la modélisation des bénéfices dans l'industrie de la restauration.
Pour visionner cette présentation, ici Veuillez cliquer sur le.
Accédez à la page des sessions sous Discovery Summit Americas.
(Veuillez noter qu'il vous sera demandé de vous connecter à votre profil SAS.)
