artikel

Expertsystemen bij productontwikkeling

Technologie & Techniek

Expertsystemen bij productontwikkeling

Expertsystemen geven informatie over het effect van grondstofeigenschappen, procesontwerp en proces- en opslagcondities op de kwaliteit en functionaliteit van eindproducten.

Als ze al tijdens de productontwikkeling worden ingezet, kan dat enorme voordelen opleveren. Zo kunnen bottlenecks worden geïdentificeerd die bijvoorbeeld opschalingsproblemen veroorzaken op specifieke productielocaties.

De hedendaagse mondiale levensmiddelenmarkt biedt de nodige uitdagingen voor producenten. Producten worden wereldwijd op verschillende locaties geproduceerd. Het gaat vaak om levensmiddelen met complexe formuleringen en productieprocessen zoals zuigelingenvoeding. De productie van dergelijke levensmiddelen met specifieke functionele eigenschappen, zoals de vereiste fysische en chemische stabiliteit, op verschillende locaties wereldwijd, is niet eenvoudig. Verschillende factoren kunnen hierbij een rol spelen:

  • Gebruikte grondstoffen komen om logistieke of economische redenen meestal van verschillende leveranciers. Aangezien niet alleen de samenstelling effect kan hebben op de functionele eigenschappen van het eindproduct, maar ook de manier waarop de grondstoffen zijn geproduceerd, kan dit leiden tot onverwachte afwijkingen in functionaliteit.

  • Productielijnen op verschillende productielocaties zijn meestal niet identiek. Dit kan resulteren in locatiespecifieke opschalingsproblemen en verschillen in productfunctionaliteit.

  • Verder kunnen andere lokale omstandigheden effect hebben op de procesvoering en producteigenschappen. Bijvoorbeeld het lokale klimaat kan van invloed zijn op productie en opslag van poeders.

Problemen met opschaling, procesvoering en productkwaliteit worden in dit soort situaties meestal ad hoc opgelost, met tijden geldverslindende trial-and-errormethodes waarbij het wiel opnieuw wordt uitgevonden. Door optimaal gebruik te maken van beschikbare kennis in de vorm van voorspellende modellen, kunnen expertmodellen uitkomst bieden.

Kennis effectief inzetten

Kennis van de effecten van grondstof, procesontwerp, procesvoering en opslagcondities op productfunctionaliteit is er vaak wel. Maar meestal zijn ze niet op de juiste plaats en in de juiste vorm aanwezig om effectief te kunnen worden ingezet bij de genoemde problemen. Dit kan verschillende oorzaken hebben:

  • Soms is de benodigde kennis alleen in kwalitatieve vorm beschikbaar. Deze vorm van kennis kan zeker bruikbaar zijn bij het richting geven aan oplossingen bij eerder ge-noemde problemen, maar voorkomen van problemen en onnodig trialand- errorwerk is lastig op basis van dergelijke kennis.

  • Als er wel kwantitatieve gegevens, data, zijn, gaat het vaak om resultaten van expe rimenten op lab- of pilotschaal. Op basis van de experimentele resultaten alleen is extrapolatie naar grotere schaal vaak nog steeds lastig.

  • Data van groteschaalproducties zijn in principe het meest geschikt. Doordat het gebruik van inline sensoren en data-aquisitiesystemen toeneemt, komen dit soort data steeds vaker in grotere hoeveelheden beschikbaar. Maar vaak ontbreekt de interpretatieslag die nodig is om de juiste kennis uit deze data te destilleren.

  • Relevante kennis over effecten van grondstofeigenschappen, procesontwerp, procesvoering en opslagcondities op de functionaliteit van het eindproduct is niet op één plaats of bij één persoon te vinden. Deze kennis is versnipperd en niet gekoppeld. Om deze problemen daadwerkelijk het hoofd te kunnen bieden, is geïntegreerde kennis over alle relevante factoren in kwantitatieve en, bij voorkeur, extrapoleerbare vorm noodzakelijk. Voorspellende modellen kunnen hier uitkomst bieden, mits geïmplementeerd in een geschikte soft- ware-architectuur: een expertsysteem.

Softwareplatform

NIZO heeft het softwareplatform Premia ontwikkeld, met daarin voorspellende modellen voor onder meer warmtebehandeling, membraanscheiding, indampen, drogen en kaasbereiding. Om het platform verder te ontwikkelen, zodat het geschikt wordt voor de ontwikkeling van expertsystemen die voldoen aan de criteria, heeft NIZO de samenwerking gezocht met Process Systems Enterprise (www.psenterprise.com), ontwikkelaar en leverancier van het platform gPROMS. Met name de zogenaamde equation oriented (EO)-aanpak1, waarbij het complete systeem van vergelijkingen voor een flowsheet simultaan wordt opgelost, maakt gPROMS geschikt als platform. Dit in tegenstelling tot de traditionele sequentiële aanpak. Door de Premia-modellen te integreren in de gPROMS-omgeving, met een geschikte onderliggende architectuur voor levensmiddelenprocessen, ontstaat een platform dat geschikt is voor de ontwikkeling van expertsystemen die aan de criteria (zie kader) voldoen.

Vier stappen

De ontwikkeling van een expertsysteem volgt een aantal stappen.

  1. Opstellen kennisdiagrammen.
    De eerste, en meteen meest cruciale stap is de opstelling van de zogenaamde kennisdiagrammen. Op basis van reeds bestaande kennis en inzichten wordt in kaart gebracht welke factoren effect hebben op elkaar en op de relevante functionele eigenschappen van het eindproduct. Die factoren zijn grondstofeigenschappen, procesontwerp, procescondities en opslagcondities. Tevens worden de onderlinge verbanden tussen deze factoren beschreven, bij voorkeur in de vorm van mechanistisch begrip van de chemie en fysica van het systeem.

  2. Verzamelen van data.
    De tweede stap is het verzamelen van data. Uit de onderlinge verbanden tussen de verschillende factoren in het kennisdiagram volgt welke submodellen en daarmee ook welke data nodig zijn om het expertsysteem te kunnen maken. Voor data kunnen verschillende bronnen worden gebruikt, zoals openbare literatuur, resultaten van experimenten en productiegegevens. De verzamelde data worden vervolgens statistisch geanalyseerd om te kijken of ze geschikt zijn voor de ontwikkeling van de submodellen. Indien nodig kunnen aanvullende experimenten worden gedaan om de dataset aan te vullen.

  3. Ontwikkelen van submodellen.
    Nadat de data verzameld en geëvalueerd zijn, worden de submodellen ontwikkeld. Dit gebeurt bij voorkeur op basis van mechanistisch begrip van fysische en chemische processen die plaatsvinden. Voordeel van modellen die op deze basis worden ontwikkeld is dat ze extrapoleerbaar zijn. Alternatief is het gebruik van statis tische modellen. Nadeel van dit type modellen is dat ze over het algemeen niet te extrapoleren zijn.

  4. Integratie in een expertsysteem.
    Als laatste stap worden de submodellen geïntegreerd in een expertsysteem zoals eerder beschreven door het koppelen van de submodellen, bij voorkeur in de vorm van een dynamische flowsheet.

Daarnaast wordt het systeem voorzien van gebruikersinterfaces zodat het voor verschillende doeleinden geschikt wordt en ook gebruikt kan worden door medewerkers die geen expert zijn in modelleren. Verder wordt het expertsysteem, indien nodig, gekoppeld met relevante databases. Zoals eerder vermeld, is de architectuur van een expertsysteem dusdanig dat toekomstige uitbreidingen, bijvoorbeeld met nieuwe modellen of databases, eenvoudig kan worden gerealiseerd.

Productontwikkelstadium

Expertsystemen die aan alle criteria voldoen, zijn op dit moment nog geen realiteit. Wel zijn er voorbeelden uit het verleden die een stap hebben gezet in deze richting. Eén ervan is het expertsysteem voor Goudse kaas2, dat NIZO heeft ontwikkeld binnen het Premia-platform. Voor de ontwikkeling van dit expertsysteem zijn de beschreven stappen gevolgd, beginnend met het opstellen van het kennisdiagram. Het uiteindelijke systeem bestaat uit een ver zameling gekoppelde fysisch-chemische en statistische modellen voor verschillende onderdelen van het kaasbereidings- en rijpingsproces: standaardiseren, thermiseren, pasteuriseren, stremmen, verzuring, wrongelbereiding, pekelen, opslag, eiwitafbraak en smaakontwikkeling. Naast productparameters zoals het vocht- en zoutgehalte van de kaas en de kaasopbrengst worden ook parameters voorspeld zoals eiwitafbraak – proteolyse – en risico op defecten, waaronder bitter als functie van proces- en rijpingscondities. Een ander voorbeeld is een expertsysteem voor poeder. In het geval van zuigelingenvoeding wordt bijvoorbeeld in het productontwikkelstadium met name gekeken naar nutritionele aspecten en niet expliciet met de uiteindelijke productie en eventuele problemen die daarbij kunnen ontstaan. Bij veel formuleringen kan plakkerigheid bijvoorbeeld leiden tot opschalingsproblemen en productiebeperkingen. Met een expertsysteem kunnen de sorptie-isothermen en plakkerigheid van een product op basis van samenstelling worden voorspeld. Vervolgens kan ook het vervuilingsgedrag, de capaciteitsgrenzen voor specifieke drogers en de veranderingen in poederfunctionaliteit tijdens opslag worden voorspeld. Bij de laatste moet men rekening houden met de lokale omstandigheden, zoals het klimaat. Dit stelt producenten in staat om in het productontwikkelstadium al te kijken naar potentiële bottlenecks in opschaling die nieuwe formuleringen met zich mee kunnen brengen en relevante economische parameters, zoals capaciteitsgrenzen op specifieke productielocaties.

Criteria expertsystemen

Een expertsysteem is meer dan een verzameling voorspellende modellen. Allereerst moet de architectuur dusdanig zijn dat de modellen gekoppeld kunnen worden, bij voorkeur in de vorm van een dynamische flowsheet. Het systeem moet beschikken over gebruikersinterfaces die ervoor zorgen dat de geïmplementeerde modellen ook door niet-experts in verschillende stadia en voor verschillende doeleinden kunnen worden gebruikt, bijvoorbeeld tijdens productontwikkeling, voor opschaling of voor procesregeling. Verder moet het een ‘levend’ systeem zijn dat eenvoudig uit te breiden is met nieuwe of verbeterde submodellen of aanvullende data, bijvoorbeeld door koppeling met externe databases, data-acquisitiesystemen of LIMS.

Reageer op dit artikel