Optimización del periodo de limpieza de un módulo UHT usando machine learning

Abstract

Los módulos de procesamiento de leche UHT (Ultra High Temperature) son esenciales en las plantas industriales que producen leche de larga duración, sometiendo la leche a altas temperaturas para extender su vida útil sin necesidad de refrigeración. Una fase crítica en este proceso es la limpieza química de las superficies internas de los intercambiadores de calor, que asegura el cumplimiento de las normativas de seguridad alimentaria. La eficiencia de este proceso de limpieza depende del monitoreo constante del estado de los módulos durante la producción. Esta tesis presenta un sistema de monitoreo no invasivo para la recolección, análisis y tratamiento de datos de un módulo UHT, con el objetivo de calcular un índice de ensuciamiento (IE) que indique el grado de suciedad acumulado en las tuberías del intercambiador de calor. Utilizando una computadora compacta Jetson Nano y una red ethernet conectada a un controlador ControlLogix L72, se recopilan datos de sensores que permiten estimar el IE a través de algoritmos supervisados de machine learning, como la regresión lineal (RL), random forest (RF), support vector (SVR) y Gaussian process (GPR). Se selecciona la regresión lineal debido a su menor costo computacional, mayor precisión (R2) y menor error cuadrático medio (MSE). El cálculo del IE permite predecir el momento ideal para realizar la limpieza del módulo UHT, optimizando así los tiempos de operación sin comprometer la calidad del producto. Este índice, que varía entre 0 (tuberías limpias) y 1 (suciedad acumulada), se integra al sistema de control del módulo UHT, proporcionando alertas precisas sobre cuándo se debe realizar la limpieza. En pruebas de producción, se validó la precisión del sistema, mostrando tiempos de operación ajustados y garantizando el cumplimiento de las normas sanitarias.

UHT (Ultra High Temperature) milk processing modules are essential in industrial plants that produce long-life milk, subjecting milk to high temperatures to extend its shelf life without the need for refrigeration. A critical phase in this process is the chemical cleaning of the internal surfaces of the heat exchangers, which ensures compliance with food safety regulations. The efficiency of this cleaning process depends on constant monitoring of the condition of the modules during production process control. This thesis presents a non-invasive monitoring system for the collection, analysis and processing of data from a UHT module, with the objective of calculating a fouling index (IE) that indicates the degree of fouling accumulated in the heat exchanger pipes. Using a compact Jetson Nano computer and an ethernet network connected to a ControlLogix L72 controller, sensor data are collected that allow estimating the IE through supervised machine learning algorithms, such as linear regression (LR), random forest (RF), support vector (SVR) and Gaussian process (GPR). Linear regression is selected due to its lower computational cost, higher accuracy (R2) and lower mean square error (MSE). The IE calculation allows predicting the ideal time to perform UHT module cleaning, thus optimizing operation times without compromising product quality. This index, which varies between 0 (clean pipes) and 1 (accumulated dirt), is integrated into the UHT module control system, providing precise alerts on when cleaning should be performed. In production tests, the system’s accuracy was validated, showing tight operating times and ensuring compliance with sanitary standards.