蒲小春

(美庐生物科技股份有限公司，江西九江 332000)

摘 要：随着人们对食品质量要求的提高，以及食品制程质量控制的精细化、专业化发展，在人工智能快速发展的今天，需将两者有机结合起来，形成智能、系统、科学的质量控制技术，让人工智能更高效、专业地服务质量管理，将成为质量管理发展的一个方向。基于此，本文对人工智能技术在食品制程质量控制中的应用进行了探讨。

关键词：人工智能;智能制造;制程质量控制

随着食品工业技术的深入发展，食品制造的机械化、系统化、智能化程度越来越高，结合人工智能技术引领电控技术、光控技术、热敏技术、视频技术、大数据运算等技术的发展，将人工智能的深度感知、系统学习、综合计算、交互控制等能力应用到食品制程质量管理中，从而推动食品质量控制技术的发展与提升，为广大消费者提供更安全的食品。

1　人工智能技术与质量管理的概述

人工智能技术是一项新兴的技术学科[1]，具有较强的人工智能识别、分析、处理能力，其复杂的理论体系，包含了电气技术、计算机技术、通信技术等多学科、多领域。依托计算机设备、图像识别及处理技术、人工智能算法等，能达到一定的人类意识或行为，理论上可以辅助甚至替代人类完成某些工作，提高工作效率与质量[2]。随着信息技术的快速发展，人工智能也将不断进步，人们也将对人工智能技术越来越重视，对于人工智能的开发研究而言也有着相当重要的地位。

质量管理发展经历了质量检验阶段、统计质量阶段、全面质量管理阶段及现代质量管理[3]，如今质量管理正处于全面质量管理的高速发展时期，同时质量管理的发展也不是独立的，伴随着检测技术、工业技术、计算技术等的发展，也有了新的定义。其中，在全面质量管理阶段，其产品是“策划”出来的、产品是“生产”出来的理念与实践植根于质量管理中，而制程质量管理作为质量管理的重要环节也显得格外重要，制程质量控制(Producing Quality Control)PQC，简称制程控制，以人、机、料、法、环、测为基本要素，有机将各要素依据标准、规范、规程、流程形成最佳组合，最终实现产品质量预期目标的质量管理措施。制程管控是品质管制的核心，其包含的要素、参数、细节众多，如何监视、交互控制、预防性控制，对质量管理人员提出了更高的要求。本文探讨将人工智能强大的识别、运算、控制等技术能力应用于制程质量控制中。

2　设计思路

2.1　产品实现路径设计

制程质量控制是基于实现达到产品预期质量水平质量控制。内容包括产品的实现过程控制，与实现过程中的人、机、料、法、环、测等要素管理。①将产品的实现路径流程化或图表化，在流程的节点上标注控制点及属性，同时需标注控制点的输入、过程及输出，其中每个控制点的识别、判定、控制的数据点必须量化为数据，涉及数量判定时，其循环条件一并标注。②开展产品实现建模，将参数转化为计算机语言，选择语言时，需考虑识技术或设备可通用的语言，或预留接口，便于系统间的交互与控制。③路径预演，将节点的输入数据通过其对应的节点，确定节点识别、判定、执行的有效性。在完成路径预演后，基本确定产品建模的有效性、产品实现的操作规程有可操作性及产品质量监测与控制的有效性。

2.2　识别技术的选择与应用

当路径与参数明确后，针对识别的节点及参数，找到相适应的识别器，将对象转化为信号作为各控制节点数据的输入。①人员防护控制可通过视频技术、智能相机和支持AI的软件对人员的防护、状态、形为进行识别，并创建一个基于规则的系统，然后通过比对、运算对结果作出判定。②设备控制可通过电控技术、光控技术、热敏技术等，识别并控制设备步进动作、运行状态、偏离趋势、参数自纠的主动监控，以及将系统预设参数通过识别器传输给设备或设施，设备的执行将按照预定轨迹和参数进行，实现设备与系统间的交互控制，确保企业生产设备规范、有序地运行[4]。③物料控制可通过提前预设基础数据库，将物料的名称及属性数据化、物料的流转流程数据化、物料的质量趋势数据化等;基于数据的符合性判定是否满足质量原则可流转至下工序，是否符合物料的平衡规则以验证产品的质量属性，同时数据流可形成大数据，通过建立大数据的筛选、运算，提升物料的质控水平。④环境控制可通过光感设备、热敏设备、气体监控设备等对环境中的空气流、气体成分、空间颗粒物、水气饱和度等进行监控，验证环境的洁净水平与洁净发展趋势。作业规程在流程设计时，将动作流、动作标准嵌套至节点的设计中，最终将人、机、料、法、环、测等基本要素全部采集，并数据化。

2.3　数据运算设计与部署

节点及配套数据实现采集后，基于大系统、大数据的基础，运用系统思维，智能交互、监视与控制。设计中充分考虑节点的输入条件、运行条件、输出条件以及紧急处置条件、趋势分析、预判等的数据运算，在实现大数据计算的基础上，同时避免出现参数漏项，以及重复运算而偏离控制的冗余。

设计过程分阶段实施，以节点为模块基点，进行数据标注、测试和验证后，再系统验证、规模部署与正式部署。在整个项目的部署过程中，QA团队应执行各种检查、确认和评审，将数据模型指标、预定义值或阈值进行比较，监控验证数据质量，验证AI模型满足参数配置的能力、运行处置、推理能力，确保模块质量可靠，流程通畅安全。

2.4　数据运算验证

2.4.1　确定数据质量范围

(1)基于节点的控制限值、趋势限值，选择一些重要的表和数据项进行数据质量核查，验证节点的识别与判定能力是否符合预期。

(2)在制程质量控制中，工艺往往会设置CCP点，基于CCP点的OL\CL值，可优化验证逻辑运算效果、容差范围、偏离控制措施的有效性，以及趋势数据预判能力。

(3)在数据运算设计中，可能存在多重嵌套循环运算的条件，为提升运行效率，需充分考虑数据冗余、节点迂回现象。

2.4.2　数据质量检查规则

(1)针对少量核心检查规则，从大数据中选取训练数据样本，利用机器学习进行深度分析，提取公共特征和模型，可以用来定位数据质量原因，进行数据质量问题的预测，并进一步形成知识库，进而增强数据质量管理能力。

(2)基于正态分布，确定数据阈值，判断数据是否为异常数据，可做事前研判、事后监控。

2.4.3　数据问题发现

定位具体的数据环节，进行试错测试与验证，确认数据运算能力能满足正常或异常情况下的数据判定能力。

为确保训练数据适合模型，必须对数据本身的质量、完整性、可靠性和有效性进行反复测试。这包括识别和消除任何形式的人为偏见。在现实场景中，AI模型处理的数据可能与其训练数据有所出入。因此，在人工智能技术的实际运用上，可以通过专家系统、神经网络等控制系统，对电气设备关键部件进行控制，基于当时情况进行操作判断决策，尽可能模拟人为操作，提高效率[5]。

3 结语

食品安全事关广大人民群众的身体健康和生命安全，事关经济健康发展和社会稳定大局，事关政府和国家形象[6]。为进一步提升食品质量制程控制水平，充分运用人工智能技术背景下的大数据、大系统的数据运算能力与交互智控技术，实现更加安全、稳定、可靠的质量控制，在食品质量高要求的今天显得更加重要。作为质量管理人员，在人工智能高速发展的今天，需进一步将多学科、多领域融合发展，发挥多家之长，让技术服务于质量，让质量满足于人民。

参考文献

[1]林剑玮.基于人工智能的质量过程控制研究[J].天津美腾科技股份有限公,2019(41):168

[2]刘洋.电气工程自动化中人工智能的运用[J].湖北农机化,2019(24):91

[3]谌东荄.质量管理概论[M].北京：经济管理出版社,2001.

[4]吕颖利.基于人工智能技术分析电气自动化的发展前景[J].广西农业机械化,2019(6):10-11

[5]高峰.浅谈促进人工智能运用于电气工程自动化的方法[J].信息系统工程,2019(12):23-24

[6]李海金.食品安全存在的问题分析与对策思考[J].中国药事2006(20):643