Sensoren in de voedings­in­du­strie: de kracht van PAT

Om aan de strenge eisen rondom traceerbaarheid, veiligheid en kwaliteit in de voedingsindustrie te voldoen, is niet alleen een vracht aan data nodig, maar zeker ook analyse en duiding daarvan. PAT (Process Analytical Technologies) voorziet daarin. 

PAT is een verzamelnaam voor sensoren die inline een productieproces volgen. In plaats van testen op het eindproduct wordt er al tijdens het proces gecontroleerd en bijgestuurd. PAT is ontwikkeld voor de medicijnindustrie, waar het productieproces al jarenlang op grote schaal real-time wordt gevolgd op kritische parameters voor de productkwaliteit. Zowel de controles als de optimalisatie van productielijnen verlopen daardoor veel sneller (1). In Amerika is PAT als optimalisatiemethode geformaliseerd door de FDA (Food and Drug Administration)(2). Met haar brede implementatie is de farmaceutische industrie het boegbeeld van PAT geworden. Dit is echter niet de enige industrie die van deze technieken en manier van denken kan profiteren. Ook de voedingsindustrie, met haar grote natuurlijke variatie in ingrediënten en focus op een hoge en constante kwaliteit, heeft veel baat bij een real-time analyse en controle van processen met behulp van deze technologie (3). 

PAT in de voedingsindustrie

Van oudsher is kwaliteitscontrole in de voedingsindustrie gebaseerd op laboratoriumtests. Het uitvoeren daarvan kost tijd, waardoor direct ingrijpen in het proces op basis van de lab-resultaten onmogelijk is. Met inline PAT-technologie meet je real-time kritische parameters. Dan is het wél mogelijk om onmiddellijk processen te optimaliseren. Het grote voordeel: je kunt meerdere sensoren in een productielijn in één monitoringsysteem combineren. Daardoor verloopt de kwaliteitscontrole sneller, nemen zowel de efficiëntie van complexe productieprocessen als de productkwaliteit toe en wordt ook het grondstofgebruik efficiënter. Productieprocessen versnellen, en de hoeveelheid af- en uitval vermindert doordat er dankzij een snelle correctie minder producten buiten de specs vallen. Zo vermindert de inzet van PAT de kosten, terwijl de algehele kwaliteit toeneemt. En met de toenemende beschikbaarheid van geavanceerde sensoren en bijbehorende kwaliteitsmodellen wordt steeds meer mogelijk.

Sensoren 

NIR (near infra red) spectroscopie meet specifieke moleculaire vibraties, die elk molecuul haar eigen unieke spectrum geeft. NIR wordt vaak gebruikt voor het real-time volgen van bijvoorbeeld vocht-, vet-, eiwit- of suikergehaltes. Door modellen in te zetten is het mogelijk om parameters van het eindproduct en variaties in samenstelling te voorspellen. Onderzoekers van Wageningen Food & Biobased Research (onderdeel van Wageningen University & Research (WUR)) hebben een goede correlatie laten zien tussen druppelgrootte van olie in mayonaise (een belangrijke kwaliteitsparameter) en NIR spectra (4).

MIR (mid infrared, midden infrarood) verschilt met NIR in de golflengtes die gebruikt worden, maar qua techniek lijken ze op elkaar. MIR volgt specifieke chemische groepen door het proces heen. Dat is handig bij het monitoren van bijvoorbeeld fermentatieprocessen. Er bestaan ook MIR-sensoren die gassen analyseren. Hiermee zijn vluchtige componenten te volgen die tijdens het productieproces ontstaan.

Raman spectroscopie is complementair aan NIR: waar NIR absorptie meet, meet Raman spectroscopie inelastische lichtverstrooiing. Net als NIR geeft het een chemische vingerafdruk van een product. Het belicht echter andere aspecten. Een belangrijk verschil is dat NIR sterk geabsorbeerd wordt door water, terwijl in Raman spectroscopie water vrijwel onzichtbaar is. Het spectrum wordt dus niet overheerst door een enorme waterpiek. Voor waterige stromen heeft Raman dan ook een belangrijk voordeel. Raman kan bijvoorbeeld worden ingezet om vetoxidatie te volgen, of veranderingen in eiwitstructuur zichtbaar te maken. WUR onderzoekers hebben aangetoond dat Raman in combinatie met NIR de lactaatniveaus in bloed kan meten in een slachtlijn (5). Raman wordt al beperkt gebruikt in de zuivel- en olie-industrie, onder andere om het fermentatieproces van yoghurt te volgen.

Hyperspectrale camera’s meten spectra (net zoals NIR) op elke pixel van het plaatje dat gemaakt wordt. Daarmee kunnen oppervlaktedefecten snel worden opgespoord. Ze worden bijvoorbeeld gebruikt in sorteermechanismes van groente, fruit en planten. Daarnaast meten de camera’s de chemische compositie, en misschien nog wel belangrijker: de variatie in chemische compositie, over een oppervlak. Zo zijn defecte producten of contaminatie snel op te sporen. Hyperspectrale NIR camera’s kunnen ook gebruikt worden om proces-contaminanten op te sporen. Proces-contaminanten zijn de ongezonde componenten die ontstaan tijdens verhitten. Een voorbeeld daarvan is acrylamide. Onderzoekers van WUR hebben laten zien dat met hyperspectral imaging acrylamide snel gemeten kan worden op chips (6). Dit versnelt de kwaliteitscontroles, waarmee het ontstaan van acrylamide makkelijker beperkt kan worden. Als ondersteuning bij de kwaliteitscontrole zijn fotocamera’s eveneens inzetbaar, met kleur als parameter. Denk aan het monitoren van visuele aspecten zoals bruinkleuring, of aan de homogeniteit van de kleur over het gehele product. Fotocamera’s zijn relatief goedkoop en heel snel. 

VIS (zichtbaar licht spectroscopie) is een andere, minder toegankelijke, manier om kleur te monitoren. Hierbij meet je in het zichtbare deel van het lichtspectrum, tussen ongeveer 400 en 700 nm. Met VIS-sensoren kun je kleur en kleurveranderingen kwantificeren. Daarmee is bijvoorbeeld bruinkleuring tijdens bakken of frituren of pigmentdegradatie tijdens het productieproces te monitoren. Het meten van de kleur kan ook kwantitatieve informatie geven over bijvoorbeeld carotenoïden- of chlorofylconcentratie.

3D camera’s geven gedetailleerde informatie over de vorm, oppervlakte geometrie en volume van producten. Het real-time meten van deze parameters is van onschatbare waarde bij bijvoorbeeld bakkerijproducten en snacks. Voor een gedetailleerder beeld is er inline microscopie. Dat geeft een beeld in een veel hogere resolutie. Je kunt er bijvoorbeeld een deeltjesgrootteverdeling mee bepalen of zaden mee detecteren. Een toepassing in de zuivelindustrie kan zijn om de grootteverdeling en dispersie van vetdruppeltjes te volgen. De vetdruppelverdeling hangt direct samen met textuur en stabiliteit van het product en is dus belangrijk om onder controle te hebben.

Optical coherence tomography (OCT) gebruikt interferentie van licht tot een diepte van maximaal een paar centimeter. Deze diepte is afhankelijk van de toepassing. Bij zaden kan je bijvoorbeeld onder de zaadhuid analyseren tot een diepte van een paar millimeter. Meer in het algemeen analyseert OCT gelaagde structuren, en kan het daar snel defecten in ontdekken. Daarmee kan ook de zogenaamde ‘skin formation’ in materialen gevolgd worden. Hiermee geeft OCT de mogelijkheid om de kwaliteit van de microstructuur te bepalen zonder fysieke monstername.

Akoestische- en utrasoonsensoren worden gebruikt om defecten, gaten, of verschillen in dichtheid op te sporen. De techniek maakt gebruik van de voortplanting van geluidsgolven door materiaal en reflectie van geluid. In vloeistof, zoals in vergistingsprocessen, meten de sensoren veranderingen in viscositeit. Akoestische resonantie- en vibratiesensoren meten veranderingen van de resonantiefrequentie. Daarmee geven ze inzicht in (veranderingen van) materiaaleigenschappen. Mogelijke toepassingen zijn in ontbijtgranen of bakkerijproducten, in het monitoren van deegontwikkeling, of in kaasproductie om de sterkte van de wrongel te bepalen. 

Capaciteitsmeters en dielectrische sensoren meten veranderingen in polariteit. Daarmee volg je veranderingen in vocht- en vetgehalte, maar ook fase-overgangen zoals gelering. Een groot voordeel ten opzichte van visuele technieken is dat capaciteits- en dielectrische sensoren ook werken op ondoorzichtige materialen. Het zijn robuuste probes, uitermate geschikt voor industriële toepassingen. 

Guided wave radar en radar level sensoren maken gebruik van elektromagnetische straling om de hoogte van vloeistoffen, slurries en poeders te meten. Ze detecteren ook grensvlakken zoals olie-water of water-schuim. Zonder contact met de materialen geven ze hoge resolutie metingen op kritische kwaliteitsparameters.

Impedantie- en geleidbaarheidssensoren meten veranderingen in elektrische eigenschappen zoals ion-concentratie, dichtheid en viscositeit. Heel nuttig voor bijvoorbeeld fermentatieprocessen. 

Laag-veld NMR (nucleaire magnetische resonantie) ten slotte, kan de samenstelling van een sample (bijv. vet, water en suiker) meten. Ook fase-overgangen zoals kristallisatie zijn ermee te volgen.

Raamwerk van puzzelstukjes

Elke hierboven genoemde sensor geeft een stukje informatie: chemisch, fysisch, dynamisch of structureel. De kracht van een PAT-raamwerk is dat het al deze puzzelstukjes samenvoegt tot een volledig beeld. Met behulp van chemometrie, multivariantanalyse en modellering, al dan niet met behulp van AI, kunnen zo realtime modellen van het proces gegenereerd worden. Het biedt de mogelijkheid om processen proactief (bij) te sturen, in plaats van reactieve aanpassingen te doen op basis van uiteindelijke productkwaliteit. Een voorbeeld van geïntegreerde sensoren in de industrie is een zuivel productielijn. Deze gebruikt NIR om de samenstelling te monitoren. Microwave sensoren meten het vochtgehalte, en een radarsysteem houdt het vloeistofniveau in de tank in de gaten. Samen vormen ze een robuuste kwaliteitscontrole. Een bakkerij kan de volume-uniformiteit waarborgen met behulp van 3D image analyse. De kleur van de producten wordt gemonitord met een visuele camera, de textuurvorming geborgd met akoestische sensoren. Zo geeft de combinatie van een aantal slim gekozen sensoren gecombineerd met modellen een volledig beeld van het proces. Met real-time inzicht wordt het proces waar nodig gelijk bijgestuurd.

Trage implementatie

Hoewel de voordelen van PAT in de voedingsindustrie overtuigend zijn, wordt het nog weinig gebruikt; zeker vergeleken met toepassingen in de farmaceutische industrie. Een reden voor deze trage implementatie is dat veel van het onderzoek op fundamenteel niveau plaatsvindt, meestal in een lab-omgeving en slechts een enkele keer op pilotschaal. Genoemde voorbeelden laten vooralsnog alleen zien wat er ‘in principe’ mogelijk is. De toepassing van PAT in de voedingsindustrie is een uitdaging. Grondstoffen hebben een natuurlijke variatie, processen zijn vaak continu in plaats van batchgebaseerd, en de productie-omgeving kent hoge temperaturen, hoge vochtigheid, en schoonmaakmiddelen met hele hoge of juist hele lage pH. Bovendien is de farmaceutische industrie vele malen lucratiever en winstgevender dan de voedingsindustrie. Dat maakt het een stuk lastiger om resultaten van de lab-omgeving te vertalen naar de voedselverwerkende productie-omgeving. Er moet goed nagedacht worden over de selectie van sensoren, de integratie in het proces en de stabiliteit op de langere termijn onder productiecondities. 

Goede data-infrastructuur vereist

Data op zichzelf zijn waardeloos. Het is essentieel dat de verzamelde gegevens worden gecombineerd tot een model op basis waarvan beslissingen genomen kunnen worden door het management, de operators of de geautomatiseerde systemen. Daar is een goede data-infrastructuur voor nodig. Real-time analyses moeten die modellen combineren tot een volledig verhaal. Dit vereist modellen van een hoge kwaliteit die kunnen omgaan met variaties in de processen en mogelijke drift van sensorsignalen in de tijd. 

Een deel van de uitdagingen voor succesvolle implementatie ligt op organisatorische en kennisvlak, niet zozeer in de technologie. Er is expertise over een brede range disciplines nodig. Implementatie van PAT vraagt om de combinatie van kennis van voedselprocessing, sensortechnologie, datamodellering en engineering, en die combinatie is vooralsnog moeilijk te vinden. Het nieuwe initiatief BioSPEC, gecombineerd met de Food-Tech facility in Wageningen biedt perspectief. Het geeft bedrijven de kans om PAT-oplossingen te testen, om zo kwaliteit, efficiëntie en duurzaamheid in de voedingsindustrie te verhogen.

www.wur.eu/wfbr 

Bronnen
(1) https://pubs.acs.org/doi/10.1021/op500261y
(2) www.fda.gov/media/71012/download
(3) www.sciencedirect.com/science/article/abs/pii/S0924224412000933?via%3Dihub
(4) At-line and inline prediction of droplet size in mayonnaise with near-infrared spectroscopy - ScienceDirect
(5) NIR and Raman as a PAT tool for meat industries: An attempt towards inline lactate content prediction - Puneet Mishra, Theo Verkleij, Esra Kurt, Jelmer Nibbelink, Sjaak Wisse, Ronald Klont, 2025
(6) Portable and handheld hyperspectral imaging for non-destructive acrylamide prediction in ground potato crisps – ScienceDirect
(7) www.sciencedirect.com/science/article/pii/S0165993621000285