Quality 4.0 # A cloud based IoT Approach for food safety and quality prediction

• Unité de recherche: INNOSUISSE
• Numéro de projet: 27217.1 PFES-ES
• Titre du projet anglais: Quality 4.0 # A cloud based IoT Approach for food safety and quality prediction

Description succincte (Allemand)

Qualität 4.0 # IoT System für Qualitätsmanagement und Lebensmittelsicherheit

Description succincte (Anglais)

Quality 4.0 # A cloud based IoT Approach for food safety and quality prediction

Résumé des résultats (Abstract) (Allemand)

Wir entwickeln ein LPN-LoRa basiertes Internet of Things (IoT) - Gesamtsystem zum Einsatz präventiver QM-Methoden (Quality 4.0) in der Lebensmittel-Kühlsicherheit. Es werden eine neuartige, autarke Sensoren entwickelt und Analysekomponenten in einem cloudbasierten Backend. Die intelligenten Sensoren erfassen und verarbeiten Temperaturdaten im Kühler und übertragen diese adaptiv, komprimiert und lückenlos in Echtzeit. Im Backend errechnet ein Referenzmodell die Lebensmitteltemperatur (Kern- und Oberflächentemperatur) differenziert nach Warenkategorien und Kühlertyp. Dieses System parametrisiert sich fortwährend mit einem differentiellen Verfahren und mit manuellen Referenzmessungen. Neue Kühlertypen werden mit einer Kalibrierroutine in das System integriert. Das Backend beinhaltet ein Steuerungssystem mit Task Management und Protokollfunktion. Das System wird im Detailhandel implementiert und die notwendigen QM Prozesse werden entwickelt und erprobt. IoT ist eine Enabling Technology für datengetriebene Geschäftsprozesse. Durch diesen Digitalisierungsschritt lassen sich präventive QM-Verfahren teilweise automatisieren und sicherer gestalten. Diese Umstellung bedeutet einen Paradigmenwechsel für etablierte QM Prozesse im Handel und bei der staatlichen Lebensmittelüberwachung. Die Kerntechnologien wurden bereits als proof-of-concept entwickelt und müssen im Projekt auf die Messanforderungen angepasst werden. Wissenschaftlicher Ausgangspunkt sind die Erkenntnisse der ZHAW, die bereits prototypisch ein adaptives Simulationsmodell zur Lebensmitteltemperatur entwickelt hat, das systematisch auf Warengruppen übertragbar ist. Die Forscher haben ein effizientes stochastisches Verfahren zur Parameterschätzung (Kalibrierung) entwickelt, mit dem ebenfalls die erwartete Messunsicherheit quantifiziert wird. Mit Hilfe von Machine Learning Verfahren werden Anomalien in den Temperaturprofilen erlernt, womit die Technologie generell einsetzbar wird und falsche Alarme vermieden werden.

Résumé des résultats (Abstract) (Anglais)