Grain process optimization by data-driven modeling

Wheat milling is a complex process, in terms of plant layout, interactions between processing units and high variability of feed materials. Despite the rapidly increasing diffusion of analytical instruments to characterize important wheat and flour properties (e.g., near-infrared spectrometers and image analysis sensors), current wheat milling processes are still poorly instrumented. Therefore, process operation is mostly based on the operators’ experience, and in most cases even the design of the process is based on experience only. On the other hand, severe quality requirements are usually set on the final product. The development of science-driven (as opposed to experience-driven) tools to support process understanding, design and operation can be very beneficial for those industries that require wheat milling as a part of their manufacturing process. Intelligent manufacturing through digitalization is a trend in current manufacturing systems. This Dissertation moves along this trend by proposing an integrated, model-based approach to the optimization of wheat milling processes. In particular, two complementary approaches are investigated: development of data-driven models for single processing units, and simulation of entire milling processes. The models of single units are used to tackle different issues that arise in the wheat milling operation: i) wheat classification, ii) process understanding, iii) prediction of product quality and iv) process design and scale-up. Regarding wheat classification, a methodology based on the analysis of near-infrared (NIR) spectra in combination with latent variable modeling is developed. The objective is checking the ability of NIR spectra to discriminate different wheat varieties, an important aspect of the wheat milling operation, given the high intrinsic variability showed by natural products as wheat. Wheat milling is a complex process which needs profound understanding to be operated in a satisfactory way. The analysis of the model parameters allows for a better comprehension of the breakage mechanism occurring in wheat milling, thus improving process understanding. The effect of the most influential process parameters and of the wheat properties onto the milled product characteristics is studied for different “passages” (i.e., combinations of processing units) of the process. Expensive and time-consuming experiments can be partly avoided exploiting the predictive ability of data-driven models, which can be used to predict the product quality (i.e., the particle size distribution or the mass fraction of the milled or sieved material), thus supporting the operators in process operation. In this Dissertation, data-driven models are used to predict the product quality both for roller mills and for plansifters. The problem of process design is related to the estimation of the process parameters to be used to obtain a product with a desired characteristic. Data-driven models provide a useful tool to this purpose, through the implementation of appropriate model inversion techniques. In this Dissertation, a latent variable model inversion methodology, that relies on an optimization framework and on data coming from different plant scales, is developed. The framework aims at suggesting the optimal process parameters to be used to obtain a product with desired properties, with the ultimate scope of accelerating the scale-up from the laboratory to the commercial plant. The development of a platform for the simulation of the whole milling process is started in this Dissertation. Due to the complexity of the wheat milling operation, the process is still open to optimization, in terms of both layout and power consumption. The objective is developing a simulator of the whole milling process, that aims at modeling the pneumatic transport, pressure drops and power consumption. This tool can be used to get a better comprehension of the energy consumed throughout the mill and to optimize the process layout, minimizing the overall power consumption.

La macinazione del grano è un’operazione complessa, sia a causa delle complicate interazioni tra le unità, che risultano in una complessa struttura del processo stesso, che a causa dell’alta variabilità intrinseca di un prodotto naturale come il grano. Per queste ragioni, la macinazione è un processo difficile da esercire. Nonostante la grande diffusione di strumenti analitici per caratterizzare importanti qualità del grano e della farina (come ad esempio spettrometri al vicino infrarosso o analizzatori di immagini), l’attuale processo di macinazione di grano è tutt’ora poco equipaggiato con tali strumenti. Perciò il controllo di processo è principalmente basato sull’esperienza degli operatori e nella maggior parte dei casi persino la progettazione del processo è empirica. Tuttavia, al prodotto finale è richiesto un alto livello di qualità. Le industrie che coinvolgono il processo di macinazione di grano possono beneficiare enormemente dello sviluppo di strumenti scientifici e sistematici (opposti a quelli empirici basati sull’esperienza) per assistere la comprensione, progettazione e l’operazione del processo. La produzione intelligente attraverso la digitalizzazione è la tendenza seguita dai moderni processi manifatturieri. Questa Tesi, assecondando la direzione indicata da questa tendenza, propone un approccio basato su modelli per ottimizzare il processo di macinazione di grano. A tal proposito, vengono esposti diversi approcci basati sulla modellazione matematica per assistere la macinazione di grano. In particolare, vengono considerati due approcci: modelli basati su dati delle singole unità di processo e simulazione dell’intero processo. I modelli delle singole unità di processo sono stati utilizzati per risolvere diversi problemi che caratterizzano l’operazione di macinazione: i) classificazione delle diverse varietà di grano, ii) comprensione del processo, iii) predizione della qualità di prodotto e iv) progettazione di processo e scale-up. La classificazione delle diverse varietà di grano è un aspetto cruciale del processo di macinazione di grano. A tal proposito è stata sviluppata una metodologia basata sull’analisi di spettri al vicino infrarosso combinata a modelli a variabili latenti, con l’obiettivo di testare le capacità discriminanti degli spettri. L’effettivo meccanismo di rottura del grano è ancora relativamente poco conosciuto, soprattutto a causa della complessità del processo stesso: acquisire una migliore comprensione del processo può essere di grande aiuto nell’esercire l’operazione di macinazione. L’analisi dei parametri del modello permette da un lato di acquisire una migliore comprensione del meccanismo di rottura del grano e dall’altro di studiare e quantificare l’effetto dei parametri di processo più influenti e delle proprietà del grano sulle caratteristiche del materiale macinato, per diversi passaggi del processo. Le capacità predittive dei modelli basati su dati possono essere sfruttate per predire la qualità del prodotto (ad esempio, la granulometria o la frazione massiva del prodotto setacciato), in modo da evitare costosi, sia in termini di risorse che di tempo, esperimenti. In questa Tesi, modelli basati su dati sono utilizzati per predire la qualità di prodotto sia per mulini a rulli che per i setacci piani. La progettazione di processo è la relativa al problema di stimare la migliore combinazione di parametri di processo che devono essere usati per ottenere un prodotto con la qualità desiderata. Una soluzione a questo problema è offerta dai modelli basati su dati, nel caso in cui vengano utilizzate appropriate tecniche di inversione di modello. In questa Tesi, è stata sviluppata una metodologia di inversione di modelli a variabili latenti che si basa su un problema di ottimizzazione che include dati provenienti da differenti scale del processo. L’obiettivo ultimo è suggerire i parametri di processo ottimali per ottenere un prodotto con una caratteristica desiderata, in modo da accelerare lo scale-up dalla scala di laboratorio a quella industriale. In questa Tesi, si è cominciato a sviluppare una simulazione dell’intero processo. A causa della sua complessità, l’attuale processo di macinazione di grano è ancora aperto ad interventi di modernizzazione e ottimizzazione, sia riguardo la struttura del processo che i consumi di energia. L’obiettivo è sviluppare un simulatore dell’intero processo di macinazione, con lo scopo di modellare il trasporto pneumatico, le perdite di carico e i consumi di energia del processo. Questo strumento può essere utilizzato per comprendere meglio le fonti principali di consumo di energia nel mulino e per ottimizzare la struttura del processo minimizzando, ad esempio, il consumo di energia.