Pe piata mondiala contemporana industria alimentara se confrunta cu tot mai multe provocari. Produsele au nevoie, de exemplu, sa fie procesate in mai multe locuri din intreaga lume.
In cazul unor formulari complexe, cum ar fi formula de nutritie pentru sugari, este dificil sa se asigure proprietatile functionale dorite, cum ar fi stabilitatea fizica si chimica necesara a produsului, atunci cand fabricarea sa are loc in diferite locatii din intreaga lume. Diversi factori, precum aprovizionarea cu ingrediente de la furnizori diferiti, diferente intre liniile de productie si de circumstantele locale diferite, cum ar fi clima pot juca un rol in acest sens. Problemele care apar legate de cresterea productiei, de fabricatie, de manufacturare si de calitate a produselor sunt rezolvate de la caz la caz folosind metode consumatoare de timp si bani mai ales prin incercare si eroare, mai degraba decat o abordare structurata. Modelarea predictiva, prin intermediul unor sisteme expert bazate pe modele, va poate ajuta sa rezolvati aceste probleme prin utilizarea optima a cunostintelor disponibile.
Chiar si in cazul in care cunostintele despre efectul ingredientelor, proiectarea procesului, setarile de proces si conditiile de pastrare privind functionalitatea produsului sunt adesea disponibile, acesta nu sunt de obicei disponibile in locul potrivit si in formatul pentru a asigura o utilizare eficienta.
In primul rand, informatiile sunt adesea disponibile numai intr-un format calitativ, ceea ce este cu siguranta util, dar insuficient atunci cand vine vorba de prevenirea aparitiei problemelor in procesul de productie si in ceea ce priveste lucrul cu tipul de metoda incercare-eroare. Informatiile cantitative, sub forma unor date experimentale obtinute in studiile de laborator sau la scara pilot sunt adesea dificil de extrapolat la scara marita fara instrumente de modelare. Chiar daca disponibilitatea datelor cu privire la procesul de productie pe scara larga a crescut exponential, datorita utilizarii sporite a senzorilor on-line si a sistemelor de achizitie de date, instrumentele adecvate pentru a interpreta aceste date, de multe ori, nu sunt disponibile. Acest din urma caz este, de asemenea, legat de faptul ca sunt in joc multi factori, care afecteaza functionalitatea produsului. Un set complet de cunostinte cerute nu poate fi gasit cu o singura persoana sau chiar intr-o zona de expertiza: cunostintele necesare sunt imprastiate in toate departamentele si la toti angajatii si nu pot fi cuplate cu usurinta.
Pentru a face fata provocarilor de productie mentionate mai sus, aveti nevoie de un sistem care incorporeaza cunostinte integrate, cantitative, extrapolabile. Modelele predictive pot fi o solutie, cu conditia ca aceste modele sa fie puse in aplicare printr-o arhitectura software adecvata: un model bazat pe un sistem expert.
Un sistem expert bazat pe un model este mai mult decat o colectie de modele predictive. In primul rand, arhitectura sistemului trebuie sa permita cuplarea modelelor, de preferinta sub forma de schema tehnologica dinamica. Sistemul trebuie, de asemenea, sa fie accesibil non-expertilor si potrivit pentru diferite scopuri, cum ar fi dezvoltarea de produse, marirea productiei si controlul procesului. In afara de cerintele de arhitectura software acest lucru inseamna, de asemenea, interfete de utilizator adecvate. Nu in ultimul rand, arhitectura software-ului ar trebui sa fie de asa natura incat sistemul expert sa poata fi extins cu usurinta cu modele noi sau imbunatatite sau cu date suplimentare (prin cuplarea sistemului cu baze de date externe, sisteme de achizitie de date sau LIMS).
Dezvoltarea unui sistem expert implica mai multe etape. Primul pas este acela al cartografierii cunostintelor: pe baza cunostintelor existente, toti factorii care joaca un rol in determinarea proprietatilor functionale relevante ale produsului final sunt identificati si este descrisa interrelatia dintre acesti factori, de preferinta, in ceea ce priveste intelegerea mecanicista a sistemului. Al doilea pas este cel de colectare a datelor: bazata pe harta cunostintelor realizata la pasul 1 se face o lista de date necesare pentru a fi compilate. Aceste date sunt apoi colectate din documentatia tehnica si din datele experimentale sau de productie. Urmatorul pas este cel al dezvoltarii de sub-modele care sunt integrate intr-un sistem expert, asa cum este descris mai sus, in etapa finala.
Pentru a dezvolta o platforma cu o arhitectura adecvata Nizo si-a unit fortele cu Process Systems Enterprise, dezvoltator si furnizor al software-ului gPROMS. In special, abordarea orientata pe flux, in care fluxul tehnologic este tratat ca un set de ecuatii care urmeaza sa fie rezolvate in acelasi timp, face din gPROMS o baza adecvata pentru sistemele expert bazate pe modele.
Prin integrarea modelelor noastre Premia in mediul gPROMS cu o arhitectura de baza adecvata pentru procesele de productie alimentara, va fi dezvoltata o platforma, care este potrivita pentru dezvoltarea de sisteme expert bazate pe modele care vor satisface toate cerintele.
Platforma existenta a Nizo, numita Premia, include modele predictive pentru diverse procese, cum ar fi tratamentul termic, separarea prin membrana, evaporarea, uscarea si fabricarea branzei. Chiar daca Premia foloseste o abordare modulara secventiala in locul unei abordari orientate pe ecuatia ce descrie fluxul, modelele au fost implementate in asa fel incat sa poata fi cuplate intr-un sistem expert. Un bun exemplu este sistemul expert pe baza modelului de fabricatie a branzei Gouda. Acest sistem expert cuprinde un set de modele statistice fizico-chimice si pentru diferite parti ale procesului de fabricatie si maturare a branzei Gouda. Pe langa parametrii produsului, cum ar fi umiditatea, continutul de sare si randamentul utilizarii materiilor prime, sistemul expert poate prognoza, de asemenea parametri, precum reducerea continutului de proteina (proteoliza), riscurile de aparitie a unor defecte, cum ar fi aparitia gustului amar in functie de conditiile de maturare si de procesare. O abordare similara poate fi de exemplu utilizata pentru a prognoza izotermele de absorbtie si adsorptie si lipiciozitatea in formulele de nutritie pentru sugari sau pentru alte pulberi alimentare, in functie de compozitia produsului. Un astfel de sistem poate fi utilizat, de exemplu, pentru a prognoza comportamentul si limitarile de capacitate ale uscatoarelor prin pulverizare si modificarile functionalitatii pulberii in timpul depozitarii, luand in considerare circumstantele locale, cum ar fi climatul local. Acest lucru permite, de asemenea producatorilor sa prevada potentialele blocaje in extrapolare si parametrii economici relevanti, cum ar fi limitarile de capacitate pentru anumite locatii de productie in primele stadii de dezvoltare a produsului.
