> SIG
Neuer Komfort-
Verschluss
Die neue Verschlusslösung
combiMaxx von SIG bietet Verbrauchern
hohen Komfort; auf
sie kann ohne größere Investitionen
und unter weiterer Verwendung
von vorrätigen Kartonmänteln
umgestellt werden.
Mit einem Ausgieß-Durchmesser
von 25 mm ermöglicht
combiMaxx einen optimalen
Produktfluss. Die große Verschlusskappe
ermöglicht, die
Verpackung mit einer Drehbewegung
zu öffnen und zu verschließen.
Ein gut sichtbarer Ring
dient als Erstöffnungsgarantie.
combiMaxx ist wiederverschließbar
und auslaufsicher. sig.biz
20 11 2019 | moproweb.de
teils nur auf und führt somit zu
einer Steigerung der UV-Intensität
innerhalb des Tanks (Quellphase).
Nach ihrem Maximum
stellt sich der zu erwartende
abklingende Verlauf dar (Reinigungsphase).
Ein Aspekt der untersucht
werden sollte, war der globale
Verbrauch an Reinigungsflüssigkeit
für eine Reinigung
(Abb. 5). Der Referenzversuch
ohne Eingriff des Q-Learnings
stellt dazu den Vergleich her.
Bei den ersten Versuchen
schwankt der Wasserverbrauch
zwischen zwei Extrema. Für
jeden weiteren Versuch verringert
sich die Oszillation um einen
konstanten Mittelwert. Dieser
liegt für eine vorgegebene
Reinigungszeit von 20 Minuten
bei 875 Liter Reinigungsmittel.
Einen vergleichbaren Verlauf
zeigt der Energiebedarf der
Pumpe. Der sich einstellende
Mittelwert nach 2 Lernvorgängen
liegt bereits bei weniger
als 50 % des Referenzversuchs.
Als dritter Einflussfaktor sind
der Wasser- und Energiebedarf
mit der Zeit gegenübergestellt.
Ein ausreichendes Kriterium
für einen Abbruch ist das konvergierende
Verhalten des Verlaufs
der Schmutzdetektion.
Bei einem Minimum der UV-Intensität,
welches sich über
einen Zeitraum nicht mehr wesentlich
ändert, wird bei allen
Versuchen einer Intensität von
1 % in Bezug auf den Anfangswert
beobachtet. Erreicht wird
dieser im Schnitt bereits nach
6 Minuten.
Zusammen-
fassung
Die Reinigung eines 10.000 Liter
Lebensmitteltanks wurde mit
neuen Methoden aus dem Bereich
des maschinellen Lernens
automatisiert. Der Algorithmus
benutzt die Fluoreszenzeigenschaften
der Lebensmittelrückstände
im Tankinneren und
wertet diese mit einem Kamerasystem
aus. Die Auswertung
liefert die für die Regelung relevanten
Inputs, die zum einen für
die aktuelle Reinigung herangezogen
werden, aber auch für
kommende Reinigungen gespeichert
werden. Die gespeicherten
Verschmutzungszustände
und Prozessparameter werden
durch ein Belohnungssystem
die Einstellungen der Prozessparameter
der Automatisierung
bestärken oder entsprechend
dämpfen. Es hat sich gezeigt,
dass sich bereits nach zwei Lernversuchen
der Algorithmus zu
einem Optimum stabilisiert und
nur noch geringfügig eingreift.
Für eine vorgegebene Reinigungszeit
von 20 Minuten kann
der Wasserverbrauch zwischen
16–23 % verringert werden.
Ebenso lässt sich die Energieaufnahme
der Pumpe zwischen
43–56 % reduzieren. Aufbauend
auf den ersten Ergebnissen wird
in einem Folgeprojekt das Parameterspektrum
erweitert und
der Aktionsradius der selbstlernenden
Steuerung auf weitere
Anlagenteile ausgeweitet.
Literatur-
verzeichnis
1 T. Hillenbrand, C. Sartorius
und R. Walz, „Technische Trends
der industriellen Wassernutzung,“
in Fraunhofer-Institut
für System- und Innovationsforschung
– Arbeitspapier,
Karlsruhe, 2008, pp. 1-50.
2 Enfit, „Enfit Expertenkreis
Workshop zur Reinigung von
Transporttanks auf LKWs,“ Enfit,
Holdorf, 2014.
3 M. Mauermann, Methode zur
Analyse von Reinigungsprozessen
in nicht immergierten Systemen
der Lebensmittelindstrie,
Dresden, 2012.
4 G. Wildbrett, Reinigung und
Desinfektion in der Lebensmittelindustrie,
Hamburg: Behr's
Verlag, 2006.
5 C. Gillham, P. Fryer, A. Hasting
und D. Wilson, „Cleaning-in-place
of whey protein fouling demi
| Technik/IT
posits: mechanism controlling
cleaning,“ Food and Bioproducts
Processing, pp. 127-136, 1999.
6 M. Mauermann, J. Majschak,
T. Bley, C. Bellmann, A. Calvimontes
und A. Caspari, „Cleanability
of Food Contact Surfaces
with Water Jets,“ Chemie
Ingenieur Technik 84, pp. 1568-
1574, 2012.
7 M. Schöler, H. Föste, M. Helbig,
A. Gottwald, J. Friedrichs,
C. Werner, W. Augustin, S. Scholl
und J. Majschak, „Local analysis
of cleaning mechanisms in CIP
processes,“ Food and Bioproducts
Processing Vol 90, pp.
858-866, 2012.
8 D. M. Dutton und G. V. Conroy,
„A review of machine learning,“
The Knowledge Engineering
Review VOl 12:4, pp.
341-367, 1996.
9 V. K. K. Mnih, D. Silver, A.
Rusu, J. Veness, M. Bellemare,
A. Graves und M. Riedmiller,
„Human-level control through
deep reinforcement,“ Nature
518, pp. 529-533, 2015.
10 L. Pettigrew und A. Delgado,
„Neural Network Based Reinforcement
Learning Control
for Increased Methane Prduction
in an Anearobic Digestion
System,“ in 3rd IWA Specialized
International Conference „Ecotechnologies
for Wastewater
Treatment“ (ecoSTP16), 2016.
11 Y. Wang, K. Velswarmy und
B. Huang, „A Long-Short Term
Memory Reccurent Neural Network
Based Reinforcement
Learning Controller for Office
Heating Ventilation and Air
Conditioning Systems,“ Process
5, pp. 46-64, 2017.
12 C. Watkins und P. Dayan,
„Q-learning,“ Machine Learning
8, pp. 279-292, 1992.
13 L. Pettigrew, R. Zech und A.
Delgado, „Cost effective and
simple control and automation
(Original: Kostengünstige und
einfache Automatisierungssteuerung),“
SPS Magazin, pp.
38-40, 08 2016.
NACHRICHTEN
> Research and
Markets Bericht
Der Weltmarkt
für Bio-Milchprodukte
und -drinks
Der globale Markt für Bio-Molkereiprodukte
und -drinks hatte
2017 ein Volumen von 16,2
Mrd. US $ und wird bis 2026
voraussichtlich 34,9 Mrd.
US $ erreichen, was einer
durchschnittlichen jährlichen
Wachstumsrate von 8,9 % im
Prognosezeitraum entspricht.
Die Einführung innovativer
Produkte wie proteinbasierte
Milchgetränke, aromatisierte
Getränke und staatliche Initiativen
sowie Niedrigzinsen
sind einige der Faktoren, die
das Marktwachstum antreiben.
Die hohen Kosten für biologische
Milchprodukte und
Produktfälschungen bremsen
jedoch das Marktwachstum,
so eine neue Studie von Research
And Markets. researchandmarkets.
com