《Journal of Food Engineering》：A computational study for batch-level diagnostics in industrial extrusion using interpretable machine learning and counterfactual analysis
编辑推荐：
本文针对工业饲料挤压过程中复杂参数交互影响产品质量的难题，开展了一项结合可解释机器学习与反事实分析的计算研究。通过集成XGBoost、随机森林和神经网络算法，成功预测了比机械能（SME）、模头压力及颗粒理化属性（如硬度、蛋白质含量等），并利用SHAP值解析关键工艺参数的作用机制。该研究为工业挤压过程的批量优化和反向工程提供了可扩展的数据驱动框架，显著提升了过程透明度和调控精准性。
在工业饲料和食品加工领域，挤压技术作为一种高效的热机械加工方法，广泛应用于水产饲料、早餐谷物和膨化零食的生产。然而，挤压过程涉及原料配方、工艺参数（如温度、水分、螺杆转速）和产品质量属性（如硬度、容重、营养成分）之间的复杂非线性相互作用，传统基于试错或局部实验的优化方法难以在规模化生产中实现精准调控。尤其在大规模工业生产中，配方多变、批次差异大、过程变量耦合性强，导致关键质量指标（如颗粒硬度、蛋白质保留率）的稳定控制面临巨大挑战。
为此，Mads Kj?rgaard Nielsen和Jacob Mikkelsen在《Journal of Food Engineering》上发表了一项研究，通过整合工业尺度的挤压生产数据（涵盖2100个批次、300余种配方），首次将可解释机器学习（Explainable Machine Learning）与反事实分析（Counterfactual Analysis）系统性地应用于批次水平的挤压过程诊断与优化。该研究不仅构建了高精度预测模型，还揭示了关键工艺参数对产品质量的驱动机制，为工业挤压的“透明化”调控提供了新范式。
研究团队采用了三种主流机器学习算法——随机森林（Random Forest）、极限梯度提升（XGBoost）和人工神经网络（Artificial Neural Network），对挤压过程中的多个关键指标进行建模，包括比机械能（Specific Mechanical Energy, SME）、模头压力（Die Pressure）、湿颗粒容重（Bulk Density）、颗粒硬度（Hardness）以及化学组成（蛋白质、脂肪和灰分含量）。通过五折交叉验证和独立测试集验证，模型表现优异，其中XGBoost在多数指标上预测R2超过0.90。为进一步解读模型决策逻辑，研究采用SHAP（Shapley Additive Explanations）值分析各特征对预测结果的贡献度，并通过反事实模拟（Counterfactual Simulation）推演工艺参数调整对产品质量的潜在影响。
主要研究结果
3.1. 预测分析与模型比较
研究发现，XGBoost在预测SME和化学成分（蛋白质、脂肪、灰分）时测试集R2均高于0.90，而对模头压力、容重和硬度的预测R2约为0.80。表明模型对能量相关和成分属性的预测能力更强，而物理质构属性因受多因素耦合影响，预测难度较大。
3.2. 基于SHAP和反事实模拟的工艺动态解析
- •
比机械能（SME）：SHAP分析显示，较低的进料流量、调质器蒸汽温度和流量会显著提高SME，而较高的螺杆转速和较小的模孔直径也会增加SME。反事实模拟表明，将调质器蒸汽添加量提升2.5%（从4.3%至6.8%），可使SME降低约5–8 kWh/ton，说明适度提高蒸汽添加有助于降低能耗。
- •
模头压力：调质器蒸汽添加量是最关键影响因素，其增加会显著提高模头压力。脂肪含量升高则因润滑作用降低压力，水分添加也有类似效果。
- •
颗粒容重与硬度：调质段蒸汽温度与流量对容重呈正相关，而对硬度影响较大的则是干燥机进气温度（Tdry.inlet）和干燥区温度（Tdry.zone）。反事实模拟显示，将干燥区温度提高10°C（从55°C至65°C），硬度可增加约1000 gf。
- •
蛋白质含量：调质器蒸汽温度升高会降低最终产品的蛋白质含量，而调质器加水则有助于蛋白质保留。反事实模拟中，水分添加量提升1%可使蛋白质含量从53.3%升至54.2%。
结论与意义
本研究通过可解释机器学习和反事实模拟，实现了对工业挤压过程的多目标批量级诊断与优化。研究表明，基于大数据驱动的建模方法能够有效捕捉挤压过程中的非线性关系，并通过SHAP解释和参数推演，为工艺调整提供明确指导。例如，通过调整调质段蒸汽和水分条件，可同步优化能耗与产品质量；通过控制干燥温度，可精准调控颗粒硬度。这一框架不仅适用于饲料挤压，还可推广至食品、高分子材料等领域的类似热机械加工过程，为工业4.0/5.0背景下的智能制造提供了重要技术支撑。
