Integrasjonen av optisk spektroskopi med flervariabel modellering representerer en teknologi som er mye brukt til å overvåke kjemiske prosesser. I dette delvis BIA-finansierte prosjektet, støttet av Norges forskningsråd, har prosjektpartnerne fokusert på å utvikle prediktive modeller for on-line konsentrasjoner av EPA og DHA under destillasjonen av fiskeoljer.
Prosjektet innebærer installasjon og validering av in-line optiske sensorer (NIR og Raman) i ett destillasjonsanlegg. Databaser med referanseprøver og korresponderende spektra er etablert for modellering, prediksjon og kontroll for å oppnå ønsket produktkvalitet. Prosjektpartnerne inkluderer Pattern Recognition Systems, Kjemisk institutt ved Universitetet i Bergen og Raman-leverandøren Marqmetrix Ltd. med base i Seattle.
Prosjektet følger prinsippene i Industri 4.0, og vektlegger digitalisering og automatisering som sentrale drivere for neste fase av industriell utvikling. Industri 4.0 omfatter en rekke teknologier, inkludert Big Data, analyser, tingenes internett (IoT), skytjenester, robotikk og sensorer. Realiseringen av Industri 4.0 sitt potensiale avhenger imidlertid av å håndtere utfordringer som kompetansegap og problemer knyttet til datatilgjengelighet, sporbarhet og kvalitet.
GC Rieber VivoMega, lokalisert i Kristiansund, spiller en sentral rolle i prosjektet, med fokus på destillasjonsprosessen for produksjon av høykonsentrat omega-3 produkter. Destillasjonsprosessen innebærer flere trinn for å oppnå ønsket sammensetning av EPA og DHA. Optisk spektroskopi, spesielt NIR og Raman spektroskopi, er benyttet i prosjektet for on-line målinger under destillasjonsprosessen.
En betydelig del av prosjektet er utviklingen av adaptiv modelleringsprogramvare med sikte på å redusere avhengigheten av intern ekspertise innen multivariat modellering. Programvaren inneholder elementer fra «localy weighted linear regression», der viktigheten av prøvene tilordnes basert på deres likhet med prøver i en referansedatabase Erfaringsmessig vil slike lokale multivariate prediksjonsmodeller i gjennomsnitt prestere ca. 30% bedre enn globale statiske modeller. Med et slikt modelleringsverktøy blir hovedfokus til bedriften å utvikle og vedlikeholde referansedatabaser og man kan klare seg uten behov for lokal avansert modelleringskompetanse.
Informasjonen om konsentrasjon i spektra er avgjørende for on-line prediksjoner. Prosjektet bygger databaser av spektra og referanseverdier for komponenter som EPA og DHA, som dekker føde, mellomprodukter og destillasjonsprodukter. Prediktive modeller for konsentrasjoner bygges fra spektre uten temperaturkorreksjon, og hele modelleringsprosessen, inkludert validering og prediksjon, er automatisert.
Temperaturinformasjon hentes også fra spektra. Både NIR- og Raman-spektra viser endringer i båndbredde og intensitet med temperaturvariasjoner. Den utviklede programvaren utnytter denne temperaturinformasjonen for å predikere optimal temperaturinnstilling for destillasjon, med tanke på målkonsentrasjoner for EPA og DHA.
Effektiviteten til temperaturmodellene er demonstrert gjennom tester på ulike produksjoner, med lovende resultater. De predikerte temperaturene følger nøye de innstilte temperaturene. Korrelasjonen mellom predikerte og innstilte temperaturer er sterk, noe som indikerer modellens pålitelighet.
Avslutningsvis tilbyr kombinasjonen av optisk spektroskopi og multivariat modellering et kraftig verktøy for rask optimalisering av temperaturinnstillinger i destillasjonsprosesser. Den adaptive modellutviklingen og on-line overvåking bidrar til effektiv styring av destillasjonsprosessen for fiskeolje, og gjør det mulig for produksjonsoperatører å oppnå og opprettholde ønsket produktkvalitet effektivt.
The developed software solution will be further tested and validated at GC Rieber VivoMega. As is the case for all machine learning algorithms, the amount and quality of data is crucial for success and more data will improve the prediction quality.
The project has developed a software suite (off-line and real time prediction, optimization and calibration transfer) for a consistent handling of spectroscopic data. This may be complementary to other machine learning solutions in various chemical/food industries. The adaptive modelling approach will be particularly important in areas with little spectroscopic modeling competence. The solution is expected to give increased efficiency, product quality and reduced cost. This in a time where we have seen historical high levels of raw material and energy cost. Making the proposed solution highly relevant for economical productivity and resource efficiency.
The underlying idea is to enhance the competitiveness of processing industries relying on biological raw materials by creating a novel technology for automation of production processes based on a multi-disciplinary approach. This approach leans on key concepts from Industry 4.0 and includes flexible data management, advanced online process instrumentation, self-modelling data analysis, and multi-objective optimization. The complexity of this approach mirrors the complexity of the inherent and unique challenges that the processing industry depending on biological raw materials is currently facing. These challenges include large variations in the raw material, complex processing lines, and manual production set-ups with low level of digitisation. This way of processing affects both production capacity and production control negatively, leading to reduced earnings, lower long-term sustainability and poorer international competitiveness. Specific R&D challenges must be solved to automate process control. Modelling and optimizing several variables simultaneously is challenging when the variables are dependent on each other. It is also challenging to obtain a robust, informative signal from online sensors during production of complex raw materials. This project aims to solve these issues by developing a novel, generic, and digitised solution for process control and automation, starting off with one of the key processes in production of omega-3 concentrates from fish oil. Developing this technology in a representative company for the marine processing industry in Norway will pave the way for similar industries in the future to digitise and automate their production. This will increase their competitiveness by taking them into the fourth industrial revolution.