We can't find the internet
Attempting to reconnect
27217.1 PFES-ES
Qualität 4.0 # IoT System für Qualitätsmanagement und Lebensmittelsicherheit
Zusammenfassung
Qualität 4.0 # IoT System für Qualitätsmanagement und Lebensmittelsicherheit
Weitere Texte
Abstract
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.
Beteiligte
Ihab Hourani
Wirtschaftspartner
ihab.hourani@axino-group.com
Axino Solutions AG Ihab Hourani Glutz-Blotzheim-Strasse 1 4500 Solothurn SO CH
Sven Hirsch
Kontaktperson
sven.hirsch@zhaw.ch
ZHAW Institut für Angewandte Simulation Sven Hirsch Postfach / Campus Grüental 8820 Wädenswil ZH CH
Projektdetails
- Forschungsstelle
- INNOSUISSE
- Projektstatus
- Abgeschlossen
- Projekttyp
- Forschungsprojekt
- Startdatum
- 2017-12-16
- Enddatum
- 2022-08-16
- Bewilligte Gesamtkosten
- CHF 366225.00
- Sektion
- 21 Förderbereich Enabling Sciences
- NABS Politikbereich
- Industrielle Produktivität und Technologie
Forschungsdisziplinen
- T130 Production technology 100.0%