Ainia y Vicky Foods aplican IA para mejorar la calidad del pan

Ainia ha colaborado con la empresa Vicky Foods en la aplicación de Inteligencia Artificial (IA) al proceso de elaboración de diferentes variedades de pan. El objetivo es lograr mayor calidad en dichos productos de manera continuada en el tiempo, así como mejorar la competitividad de la empresa, a través de análisis temporales de la producción.

Para ello, Ainia ha aplicado tecnologías 4.0, como la IA y Machine Learning, que permiten desarrollar sistemas predictivos para una mejor supervisión y control de los recursos y procesos de producción de panadería y bollería, como puede ser un mejor uso de materias primas o la reducción de las pérdidas de producto.

"Vicky Foods y Ainia han hecho posible el avance hacia una tecnología con capacidad predictiva que ayude a los operarios y técnicos de calidad a tener producciones más homogéneas, a minimizar el coste asociado a rechazos de calidad o a entender los efectos de las acciones sobre la línea productiva en el propio producto; todo ello contribuyendo a la mejora de la competitividad de la compañía", explica el responsable de tecnologías de información y comunicación de Ainia, David Martínez-Simarro.

PROYECTO SMARTBAKE

Según apuntan desde este centro tecnológico, entre los principales problemas a los que se enfrenta la industria alimentaria está conseguir mantener una "calidad de producto homogénea" y de acuerdo con las exigencias y requisitos de calidad del cliente. "Es un reto importante, puesto que se trata de procesos complejos con gran cantidad de variables cuyas interacciones no son siempre sencillas de predecir ya que se trata de un proceso vivo".

En el proyecto Smartbake, respaldado por el CDTI, las técnicas de Inteligencia Artificial, aplicadas a los modelos predictivos en líneas de producción de pan han sido incorporadas a una aplicación informática de control que está conectada, en tiempo real, al proceso productivo.

De este modo, los profesionales pueden realizar simulaciones para conocer cómo se comportarían la calidad del producto, si se variasen determinados parámetros de la línea de producción. También pueden conocer los factores que más influyen en los procesos productivos y cuáles son los límites seguros de operación para fabricar un producto de la manera más homogénea posible.

"En todas las fases del proceso de fabricación (obrador, fermentación, horneado…) es posible recoger parámetros de proceso como temperaturas, nivel de humedad, tiempos de estancia del producto en cada fase, entre otros. Pero para poder trabajar con estos datos, necesitamos conocer su impacto. Por ello, medimos también variables de calidad de los productos alimentarios. Parámetros como el volumen del producto ganado durante la fermentación, el nivel de cocción o la existencia de descartes al final de línea, se utilizan como un reflejo de lo que verdaderamente ha ocurrido al producto", señala Juan Pablo Lázaro, del departamento de tecnologías de la información y comunicaciones de Ainia.

MAYOR COMPETITIVIDAD

Además, esta aplicación permite realizar análisis acerca del comportamiento de la propia línea en términos de eficiencia, por ejemplo, posibles cortes y microcortes en las líneas de producción. Así, los responsables de cada línea pueden visualizar esta información a través de informes estadísticos de históricos que les permitan mejorar de manera continua la planificación de la producción y maximizar la capacidad productiva y, por tanto, la competitividad de la empresa.

Durante dos años, en el marco del citado proyecto, se han recogido cientos de miles de muestras de producto de hasta 15 parámetros diferentes. Con toda esta información ha sido posible generar una serie de modelos predictivos, capaces de relacionar la influencia de las variables de proceso en los parámetros de calidad del producto.

Además, se han tenido en cuenta otros datos clave como son la receta, el proveedor de la harina y la levadura, o incluso la época del año en la que se estaba fabricando. Este conjunto de modelos se ha ido refinando hasta lograr un nivel de precisión sobre cuál será el comportamiento del producto durante su elaboración, superior al 90%, lo que resulta una mejora sustancial en comparación con la capacidad predictiva de los métodos tradicionales.