Niveau : Intermédiaire
【Présentateur】
PATRICK GIULIANO, ingénieur qualité principal, Abbott
Charles Chen, expert en amélioration continue, ingénierie assistée par les statistiques (SAE), matériaux appliqués
Mason Chen, lycéen, Stanford Online High School
[Résumé de la présentation] (en utilisant la traduction automatique)
Les aliments prêts à manger, tels que les raviolis, sont généralement préparés sans contrôle précis 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 du gyoza, la température de l'eau et le temps de cuisson sont les facteurs les plus importants qui déterminent le degré de cuisson (cuisson) du gyoza. Le poids des boulettes, le type de boulettes et la taille du lot sont également des variables qui affectent le processus de cuisson. Nous avons construit une plateforme JMPDSD structurée avec des propriétés spéciales pour construire un modèle de prédiction du temps de cuisson. Le schéma ISO22000 de gestion de la sécurité alimentaire et d'analyse des risques et de maîtrise des points critiques (HACCP), reconnu au niveau international, a été adopté. Nous avons comparé la méthode d'ajustement neuronal JMP utilisant des algorithmes modernes d'exploration de données avec RSM. Les résultats ont montré une plus grande prévalence des effets principaux liés à des facteurs tels que la température d'ébullition, le type de produit, la taille/le lot des boulettes et les effets d'interaction limités par le mélange utilisé dans la composition des boulettes. Cette approche de conception/analyse a utilisé l'optimisation de conception robuste de JMP, la simulation Monte Carlo et les limites de contrôle HACCP pour comprendre et caractériser la sensibilité des éléments de cuisson des boulettes aux temps de cuisson résultants. L'approche holistique a montré la synergie de la combinaison de modèles avec différentes propriétés projectives. Les modèles d'IA récursifs basés sur des partitions utilisent des schémas de classification pour estimer les effets d'interaction, et la modélisation de régression classique (par étapes) offre la possibilité d'interpréter des interactions de deux degrés ou plus, y compris la probabilité de courbure en termes quadratiques. Dans ce livre blanc, nous avons décrit un nouveau processus de cuisson automatisé des boulettes et un cadre d'analyse (utilisant le schéma d'IA) qui peuvent améliorer l'ensemble du processus, réduire les coûts énergétiques et les coûts de main-d'œuvre. Cette nouvelle méthodologie a le potentiel de changer notre façon de penser en matière d’estimation des coûts commerciaux et de modélisation des bénéfices dans le secteur de la restauration.
Cliquez ici pour regarder cette annonce.
Accédez à la page de la session sous Discovery Summit Americas.
(Veuillez noter qu'il vous sera demandé de vous connecter à votre profil SAS.)
