Back to search

FFL-JA-Forskningsmidlene for jordbruk og matindustri

Optimal matproduksjon basert på Big Data

Alternative title: Optimal Food Production based on Big Data

Awarded: NOK 2.3 mill.

Food companies need better control over their production processes in order to improve raw material utilization and obtain stable and good product quality. In the OPTIMAT project, we have used advanced data analysis to identify important relationships between raw material quality, processing and end-product quality. This provides new knowledge about the process, and based on data and models methods, we can design a control system that adjusts the process towards the desired quality. The Norwegian research institute Nofima and SINTEF have expertise in data analysis, food chemistry, measurement systems and process control. In OPTIMAT, the scientist have worked together with experts from the food-producing companies Nortura, TINE, HOFF and Orkla, to analyse and optimise selected processing lines. At the same time, we demonstrate for the rest of the industry the great potential of analysing production data. The main objective was to improve quality and reduce waste in the selected processing lines, by developing data-driven solutions for process optimization and control. The subgoals were 1) map the quality and variation of existing data sources, 2) identify key sampling points and need for improved measurement technology, 3) develop statistical/mathematical models describing the relationship between process data and product quality, 4) develop systems for real-time process control based on data and models. All the industry partners achieved process improvements because of the project. In Nortura, the frequency of some quality deviations was reduced by fifty percent. In Orkla, stabilisation of the heat treatment of sausages led to substantial increase in productivity. Combining data from several sources in the process proved to be more challenging than expected. This was mainly due to the fact that data was stored in detached databases, and that it was difficult to export data from some of the production equipment. All companies have therefore invested in new or improved digital platforms for data storage during the project period. The first activity in the project was to evaluate data quality and identify needs for better measurement systems. It turned out that several of the companies lacked precise and objective sesnors for important quality parameters. In addition, many quality measurements are based on grab sampling, and samples were not always taken from all production bathes. All the industrial partners have therefore introduced new measuring points and new or improved sensor technology during the project. Statistical/mathematical models that describe the relationships between measured data and product quality were developed for all companies. Different strategies for data modelling were compared, with the aim of explaining as much as possible of the quality variations and at the same time identify critical factors or process steps. In general, we succeeded in developing models that explained 30-60% of the variation in the product. These models could be used to identify important factors and form hypotheses as a starting points for further work, but were generally not suited for real-time optimization or control due to low precision and/or missing data on controllable factors. The reason why the models did not explain more of the variation is probably uncertainty in existing data, little variation in some explanatory variables, and that important variables are missing. Nevertheless, the modelling work resulted in new insight into quality variations on raw materials and products, as well as new knowledge about important factors in the process. Opportunities for process control were evaluated for all companies. Based on causal relationships identified through the modelling work, Nortura has started to develop tools that can be used to improve chicken fillet quality. I pilot version of this system was tested in the project.

For industripartnerne har prosjektet ført til økt kunnskap om kvalitetsmålinger, variasjon i kvalitet, samt mulige årsaker og risikofaktorer. Alle bedriftene har innført nye eller forbedrede digitale plattformer for datalagring, samt nye målepunkter og/eller ny måleteknologi. Alt dette er varige endringer som legger til rette for videre forbedringsarbeid. Erfaringer fra prosjektet har blitt åpent kommunisert til bransjen og resten av samfunnet, noe som kan være til stor hjelp for andre som ønsker å gjøre lignende forbedringsarbeid. Erfaringer fra dette prosjektet kan også tas videre til andre områder, for eksempel metallindustrien og også olje & gass. Forskningspartnerne har oppnådd ny kunnskap og erfaring med modellering av store industridatasett. Forskningspartnerne i prosjektet kom fra to ulike fagområder, statistikk og kybernetikk, som ikke kjente hverandre fra før. Samarbeidet har vært fruktbart og muliggjør videre tverrfaglig samarbeid mellom disse miljøene i framtida.

Næringsmiddelbedrifter ønsker bedre kontroll på prosessene sine for å oppnå god utnyttelse av råvarer og en jevn og riktig produktkvalitet. Industrien er fremdeles i stor grad basert på tradisjon og håndverk. Råvarekvalitet vurderes ofte av erfarne nøkkelpersoner, og prosessene styres av fingerspissfølelsen til operatørene. Dette er verdifull kompetanse, men for en moderne industri med krav til effektivitet og kvalitet skaper det avhengighet av enkeltpersoner og lite objektivitet. Det er derfor et behov for økt digitalisering, gjennom kombinasjonen av måleteknologi, automatisering og systemer for dataanalyse og prosesstyring. De fleste næringsmiddelbedrifter logger og lagrer svært mye data gjennom produksjonen, men disse blir i liten grad brukt til å optimalisere og styre prosessen slik det gjøres i for eksempel kjemisk industri. OPTIMAT vil bruke Big Data Analytics til å avdekke hittil ukjente sammenhenger mellom råvarekvalitet, prosessering og kvalitet på sluttproduktet. Det gir økt kunnskap om prosessen, og vi kan flytte fokus fra ferdigvarekontroll til kontinuerlig måling av råvarer og prosess. På grunnlag av dette kan man utforme et styringssystem som automatisk justerer prosessen mot riktig kvalitet på sluttproduktet. Dette er imidlertid ikke en triviell oppgave for næringsmiddelindustrien. Råvarenes kvalitet er som regel ikke entydig definert, og det er ofte usikkert hvilke parametere som er viktige og hvordan de skal måles. Analyse av så komplekse systemer krever skreddersydd og robust metodikk, og det trengs en betydelig tverrfaglig kompetanse for å forstå hvordan data og modeller best kan brukes til å styre prosessene. De tre norske forskningsinstitutteten Nofima, Tel Tek og Sintef har til sammen høy kompetanse på dataanalyse, matkjemi, målesystemer og prosesstyring. OPTIMAT vil modernisere bedriftenes produksjon og samtidig demonstrere for resten av bransjen det store potensialet som ligger i Big Data Analytics.

Publications from Cristin

No publications found

No publications found

Funding scheme:

FFL-JA-Forskningsmidlene for jordbruk og matindustri