Die Entwicklung nachhaltiger und effizienter Technologien für die Lebensmittelverarbeitung ist von entscheidender Bedeutung für die Reduzierung von Treibhausgasemissionen und Abfällen. Autonome Technologien für die Lebensmittelverarbeitung, die durch künstliche Intelligenz vorangetrieben werden, bieten eine vielversprechende Lösung, um diese Ziele zu erreichen und gleichzeitig hohe Qualitätsstandards zu wahren. In diesem Zusammenhang haben sich digitale Zwillinge als leistungsstarkes Werkzeug zur Modellierung und Optimierung komplexer Systeme erwiesen. Digitale Zwillinge können das zukünftige Systemverhalten genau vorhersagen, um so die Optimierung der Prozessvariablen während des Betriebs zu ermöglichen. In dieser Arbeit wird ein Software-Framework vorgeschlagen, das multiphysikalische, konjugierte Simulationen und datengesteuerte Modellierung reduzierter Ordnung kombiniert, um physikbasierte, datengesteuerte digitale Zwillinge für die autonome thermische Lebensmittelverarbeitung zu entwickeln. Das Framework ist unabhängig vom Modellierungsansatz und der Simulationssoftware und zielt auf unmittelbare Anwendbarkeit in der Industrie ab.

Physikalisch basierte, datengesteuerte digitale Zwillinge sind hochpräzise und schnell lösende virtuelle Replikationen eines physischen Produkts oder Prozesses, die Informationen über die aktuellen Prozessvariablen liefern, welche während des Betriebs nicht einfach oder praktikabel gemessen werden können. Generell steht das Konzept der digitalen Zwillinge für einen Paradigmenwechsel in der Simulationstechnik. In den vergangenen Jahrzehnten blieben die aus Simulationen gewonnenen Erkenntnisse in den Händen von hoch qualifizierten Experten im Bereich der Produkt- und Prozessentwicklung. Digitale Zwillinge versuchen, dieses Wissen auch während des laufenden Betriebs zugänglich zu machen, um Prozessautonomie potenziell zu ermöglichen. Diese Arbeit zeigt, wie multiphysikalische Simulationsmodelle von realistischer Größe und Dimension die Grundlage für physikbasierte, digitale Zwillinge bilden. Um die thermische Verarbeitung von Lebensmitteln in einem Konvektionsofen zu modellieren, werden erzwungene Konvektion und Wärmestrahlung mit mechanistischen Modellen der Lebensmittelverarbeitung in einem Setup gekoppelt. Dieser Ansatz erfasst die Kopplungen zwischen den Prozessvariablen der Lebensmittel und den Mechanismen der Wärmeübertragung viel besser als die auf Wärme- und Stoffübergangskoeffizienten basierenden Modellierungsansätze, die immer noch die Lebensmittelwissenschaft dominieren.

Eine Herausforderung für moderne Computertechnik besteht darin, dass die Rechenleistung nicht mit der zunehmenden Komplexität und dem Rechenaufwand von multiphysikalischen Simulationsmodellen Schritt hält. Bislang sind Echtzeitsimulationen solcher Modelle nicht möglich, insbesondere wenn die Modelle auf Low-End-Prozessoren ausgeführt werden sollen. In dieser Arbeit wird eine neuartige datengetriebene Modellierungstechnik reduzierter Ordnung vom Typ der neuronalen ODE angewandt, um ein genaues und schnelles Ersatzmodell von Simulationsmodellen zu generieren, das zudem einen geringen Rechenaufwand aufweist. Die resultierenden Modelle reduzierter Ordnung werden in einem verschlüsselten Containerformat gespeichert, um das geistige Eigentum des Entwicklers zu schützen, wenn sie auf den Endgeräten ausgeliefert werden. Diese können auf der Geräteebene ohne Cluster-, Edge- oder Cloud-Computing ausgeführt werden. Bei der vorgestellten Entwicklung eines digitalen Zwillings für einen Umluftofen sind die zusätzlichen Fehler, die durch die Modelle reduzierter Ordnung verursacht werden, geringer als die Fehler der zugrunde liegenden Modelle für die Lebensmittelverarbeitung. Da gekoppelte, multiphysikalische Modelle realistischer Dimensionen immer noch beträchtliche Berechnungszeiten auf modernen Cluster-PCs erfordern, ist die Erzeugung vieler Datensätze für die datengesteuerte Modellierung reduzierter Ordnung wirtschaftlich nicht machbar.  In dieser Arbeit wird ein effizientes Design von Experimenten vorgeschlagen, das eine datengetriebene Modellierung reduzierter Ordnung mit nur ein bis zwei Trainingsdatensätzen ermöglicht. Abschließend wird die Leistungsfähigkeit schnell lösender und hochpräziser digitaler Zwillinge in Verbindung mit einem modellprädiktiven Kontrollalgorithmus demonstriert. Letzterer bewältigt autonom zwei Szenarien während der thermischen Lebensmittelverarbeitung in einem Umluftofen.