artikel

Kaasbereiding optimaliseren

Technologie & Techniek

Kaasbereiding optimaliseren

Wat kunnen foodbedrijven met big data – grote hoeveelheden data? Van Hall Larenstein en NIZO food research analyseerden de data van DOC Kaas in Hoogeveen.

Het resultaat was een belangrijke relatie tussen het vochtgehalte van de kaas en de watertemperatuur.

(klik voor de in de tekst genoemde afbeeldingen/figuren op de foto boven dit artikel en blader naar de juiste figuur)

Door de steeds verdergaande mate van automatisering van productiebedrijven worden ook in de levensmiddelenindustrie steeds meer data verzameld. Data over de procescondities, maar ook meetdata van de productkwaliteit. Deze data worden opgeslagen en doorgaans alleen geraadpleegd in geval van calamiteiten. Dat is jammer, want er ligt een schat aan kennis in verborgen. Kennis die, mits juist gehanteerd, veel voordelen kan opleveren voor de bedrijfsvoering en de productkwaliteit. Bij NIZO food research worden computersimulatiemodellen gebruikt om wereldwijd bij productiebedrijven de kosten en de spreiding in de kwaliteit te verminderen. Om deze computer modellen te ontwikkelen, zijn experimentele data nodig. De grote uitdaging is om data uit de procesautomatisering te gebruiken voor de ontwikkeling van deze computermodellen en daarmee de productkwaliteit en de procesefficiëntie te verbeteren. Hierdoor kan het gebruik van computermodellen in bijvoorbeeld het aansturen van processen een grote vlucht gaan nemen.

Voorbeeldstudie bij DOC Kaas

Bij NIZO food research en Van Hall Larenstein University of Applied Sciences (VHL) is een methode (zie kader) ontwikkeld om op basis van data uit procesautomatisering, bijvoorbeeld Scada-systemen, in de fabriek extra winst te genereren. Deze methode bestaat uit een aantal stappen en is toegepast bij DOC Kaas. Dit bedrijf in Hoogeveen heeft zich gespecialiseerd in de productie van grote hoeveelheden kaas met een constante kwaliteit. Het kaasproces is verregaand geautomatiseerd en er worden van iedere kaasbatch veel data verzameld. Dit maakt DOC uitermate geschikt om deze methode toe te passen.

Spreiding vochtgehalte

Gezien de ambities van DOC is gekozen om de relatie tussen de procesvoering en de spreiding in vochtgehalte te bepalen en welke procesonderdelen het meest bepalend zijn. Figuur 1 laat zien dat de spreiding in het vochtgehalte een grote impact heeft op de inkomsten van een kaasbedrijf. Wanneer een zuivelbedrijf met een jaarproductie van 100.000 ton kaas de spreiding weet terug te dringen van 0,2 tot 0,4 procent, levert dit een half miljoen euro op. De achterliggende reden is dat een grote spreiding betekent dat je het proces moet instellen op een lager vochtgehalte in de kaas om het gestelde maximum niet te overschrijden. Een lager vochtgehalte resulteert in een hogere kostprijs, maar ook in andere kaaseigenschappen. Voldoende reden om de spreiding in het vochtgehalte te minimaliseren.

Gerelateerde parameters

Volgens de eerste vijf stappen uit de beschreven methode is er bij DOC een grote tabel geconstrueerd met de gegevens uit het Scada-systeem en de metingen door inline sensoren, bijvoorbeeld vochtgehalte. In figuur 2 staat het resultaat van de eerste analyse van de data. Zo is te zien welke parameters gerelateerd lijken aan het vochtgehalte.

Watertemperaturen, maar ook de productiedatum, laten een correlatie met het vochtgehalte zien. Dit lijkt vreemd, maar kan betekenen dat er bepaalde dagen iets bijzonders is gebeurd – menselijk handelen bijvoorbeeld –, dat van invloed is op het vochtgehalte. Wat ook blijkt uit de figuur is dat er correlaties tussen procescondities zelf bestaan. Temperaturen lijken afhankelijk van elkaar (zie linksboven in figuur 2). Het is inderdaad voorstelbaar de temperatuur van een processtap effect heeft op de temperatuur tijdens de eerstvolgende processtap. Dit is belangrijke informatie voor de verdere data-analyse en de ontwikkeling van het simulatiemodel met slechts de procesparameters die het vochtgehalte het meest beïnvloeden.

Waarden vergelijken

In figuur 3 staan de resultaten van het simulatiemodel dat is ontwikkeld voor de situatie bij DOC Kaas. De voorspelde vochtgehaltes worden vergeleken met de werkelijk gemeten waarden in de wrongel. In het model is alleen een specifieke watertemperatuur tijdens het wassen van de wrongel als parameter meegenomen. Opvallend is dat deze temperatuur al voor meer dan 70 procent de spreiding in het vochtgehalte verklaart. De conclusie is dan ook dat een verbeterde beheersing van deze temperatuur de spreiding in het vochtgehalte substantieel zal verminderen. In figuur 4 is dit verder uitgewerkt.

Voordelen

Ervaren kaastechnologen van DOC kunnen diverse proces – con dities opnoemen die een effect hebben op het vochtgehalte. Uiteindelijk laat de bigdata-analyse zien dat de temperatuur van een specifieke processtap tijdens het wassen van de kaaswrongel bij DOC Kaas verreweg het grootste effect heeft op het vochtgehalte. Het is een uitdaging om de temperatuur op tienden graden nauwkeurig te regelen. Er is nu bij DOC beleid ontwikkeld om de temperatuur zeer nauwkeurig te beheersen. Dit kan een groot financieel voordeel opleveren. Het succes stimuleert het kaasbedrijf om de rationalisatie van het kaasproces met behulp van big data verder te implementeren. Dit project met Van Hall Larenstein en NIZO laat zien wat de werkelijke voordelen van analyse van beschikbare data kunnen zijn.

Stappen in de methode om extra winst te genereren

  1. Analyse van de procesvoering: hoe ziet het proces eruit vanaf de grondstoffenontvangst tot en met de opslag van het product.
  2. Identificeren van alle relevante procesparameters: dit kunnen temperaturen en drukken zijn, maar ook verblijftijden en vultijden van tanks bijvoorbeeld.
  3. Verzamelen en samenvoegen van de data uit bijvoorbeeld Scadasystemen en kwaliteitssystemen –metingen aan het product: hierdoor ontstaat een grote tabel waarmee statistische analyse en modelontwikkeling kan worden uitgevoerd.
  4. Controleren van de juistheid van de data, bijvoorbeeld gemeten waarden door sensoren, in de fabriek: wereldwijde ervaring van NIZO leert dat dit absoluut noodzakelijk is.
  5. Statistische data-analyse waarbij gebruik wordt gemaakt van geavanceerde regressieanalyse en parameterselectie: VHL en NIZO maken daarbij gebruik van software R.
  6. Selecteer de parameters die de grootste impact hebben op de – spreiding in – productkwaliteit: hier wordt een simulatiemodel ontwikkeld dat een tot vijf procesparameters koppelt aan de productkwaliteit.
  7. Formuleer en selecteer maatregelen op basis van ROI en eventuele risico’s: dit varieert van eenvoudige maatregelen zoals het aanpassen van een temperatuur tot en met wijzigingen in het procesontwerp.
  8. Implementatie: samen met de experts van het bedrijf worden de maatregelen gerealiseerd.

Foto's

Reageer op dit artikel