Meten en regelen: van contactloos tot AI

Thema’s als hygiëne, snelheid en flexibiliteit spelen een belangrijke rol wanneer het gaat om efficiënt en betrouwbaar produceren in de voedingsmiddelenindustrie. Meet- en regeltechniek ondersteunt daarbij de bijbehorende processen in de diverse fasen van de productie. Contactloos, veilig en soms met behulp van de mogelijkheden die de huidige generatie AI-technologie biedt.

Meet- en regeltechniek is een vakgebied dat al jaar en dag een onderscheidende rol speelt wanneer het gaat om betrouwbaar, efficiënt en bovenal veilig produceren. Ook in de voedingsmiddelenindustrie. De meetinstrumentatie verzamelt daarbij de diverse relevante procesgegevens die door de regeltechniek worden gebruikt om deze processen in goede banen te leiden. In de voedingsmiddelenindustrie betekent het op de juiste manier meten en regelen het verschil tussen een perfect en mislukt product. Zowel de juiste (hoeveelheden) ingrediënten als bijvoorbeeld procesdrukken en -temperaturen bepalen immers de kwaliteit van het eindproduct.

Binnen de voedingsmiddelenindustrie worden tijdens de productie parameters als druk, temperatuur, niveau, flow, tijd en gewicht gemeten. Bij de kwaliteitscontrole komen daar onder meer kleurherkenning en afmetingen bij terwijl in de verpakkingsfase vooral locatie, snelheid en aanwezigheid een rol spelen.

Al deze gegevens worden ingelezen door een besturing en verwerkt om vervolgens te sturen of bij te sturen. In het laatste geval wordt gebruik gemaakt van een terugkoppeling die ervoor zorgt dat processen ondanks kleine variaties in bijvoorbeeld ingrediënten toch goed blijven verlopen.

Op basis van de meetgegevens en regelalgoritmes worden onder meer afsluiters en kleppen aangestuurd om de juiste hoeveelheid van een bepaald medium of ingrediënt door te laten. Tevens stuurt de PLC elementen als mengers, transportbanden, warmte-elementen van de oven of pick & place inrichtingen aan. Gaat het om kwaliteitscontrole, dan is vision een steeds vaker toegepaste technologie omdat hiermee contactloos uiteenlopende kenmerken zijn op te nemen variërend van afmetingen en aantallen tot aan kleur, glansgraad of de locatie van details.

Een van de belangrijkste verschillen tussen de voedingsmiddelen- en ‘gewone’ industrie zijn de hoge eisen die aan hygiëne worden gesteld. Dit heeft ook impact op de meetinstrumentatie voor de voedingsmiddelenindustrie. Deze moet enerzijds bestand zijn tegen soms extremen zoals hoge temperaturen, zure media of agressieve reinigingsmiddelen. Anderzijds mogen ze bij metingen in of aan het proces op geen enkele manier voor contaminatie zorgen.

Een van de oplossingen om contaminatie tegen te gaan, is om gebruik te maken van contactloze meettechnieken zoals radar of licht. Dit type meetinstrumenten wordt vooral ingezet voor het meten van niveaus, afstanden of aanwezigheid. Ook zijn contactloze metingen uit te voeren om te controleren of er bijvoorbeeld ijzerdeeltjes in het voedsel zitten – om vervolgens maatregelen te nemen. De data van de meetinstrumenten wordt, afhankelijk van de applicatie, contactloos verstuurd of via de bekende industriële bussystemen zoals IO-Link.

Gaat het om ontwikkelingen op het vlak van regeltechniek, dan valt vooral de snelheid van dataverwerking op. Besturingen zijn in staat om gelijktijdig steeds meer data steeds sneller te verwerken. Dit kan bijdragen aan een hogere nauwkeurigheid, een hogere flexibiliteit maar ook een hogere snelheid van productieprocessen. Hetzelfde geldt voor de pre-procesfase waarin voedingsmiddelen worden voorbereid en voor de verpakkingsfase.

Relatief nieuw is de toepassing van AI in vooral inspectieprocessen. Een belangrijk voordeel is dat handmatige inspectie hiermee voor een deel kan komen te vervallen, wat goedkoper is. Daarnaast is AI vaak ook nauwkeuriger én heeft het geen last van moeheid of concentratieverlies waardoor inspecties foutloos en in een razend tempo zijn uit te voeren. De data die hiermee wordt gegenereerd, is eventueel ook te gebruiken voor het optimaliseren van processen. Zo kan deze data bijvoorbeeld aangeven dat er meer afkeur is wanneer een bepaalde bediener bij de machine staat of wanneer er van leverancier is gewisseld. Of andersom: juist minder afkeur na het uitvoeren van onderhoud, het verlagen van de snelheid van de inpakmachine, enzovoorts. Wat dat betreft zijn de mogelijkheden van het verzamelen en analyseren van data nog niet uitontwikkeld.