Dr. Adrian Tica
ETH Zürich
Bei der Extrusion – vor allem der High-Moisture-Extrusion (HME) – handelt es sich um eine attraktive Technik, die es Nahrungsmittelherstellern auf vielfältige Weise ermöglicht, Alternativen zu Fleisch- und Milchprodukten bzw. Hybridprodukte zu kreieren. Im Rahmen dieses Projekts wird ein nicht-invasives (kontaktloses) In-Line-Ultraschall-System zur Messung von Produkteigenschaften ermittelt und entwickelt. Während die Empirie verringert werden soll, besteht das oberste Ziel zudem darin, verlässliche Echtzeit-Messungen zu erhalten, die die Integration von Kreislaufstrategien für eine automatische Kontrolle der HME erleichtern.
Übersetzt mithilfe eines automatischen Übersetzungsplugins.
Im Rahmen des Projekts wurde ein Ultraschallmesssystem erfolgreich in eine Extrusionsanlage im Pilot- bzw. Labormassstab integriert, um die Textureigenschaften pflanzlicher Fleischalternativen in Echtzeit zu überwachen. Das System erkannte verschiedene Rezeptur- und Prozessänderungen und bestätigte damit das Potenzial der Technologie für die Prozessüberwachung und -steuerung bei der Extrusion. Gleichzeitig wurde jedoch deutlich, dass weitere Optimierungen erforderlich sind, um die Reproduzierbarkeit, die Robustheit gegenüber Schwankungen und die allgemeine Zuverlässigkeit zu erhöhen – ein Bereich, auf den sich die laufende Forschung konzentriert.
Im Rahmen dieses Projekts wurde ein nicht-invasives Messsystem auf Basis der Ultraschall-Dämpfungstechnik (US) angepasst und erfolgreich am Ausgang der Kühlmatrize eines Extruders im Pilot- bzw. Labmassstab installiert, um die Textureigenschaften des Produkts inline zu messen. Die Machbarkeit der Ultraschall-Dämpfungstechnologie wurde im Zusammenhang mit der Extrusion mit hohem Feuchtigkeitsgehalt (HME) zur Herstellung pflanzlicher Fleischalternativen (aus Soja- und Erbsenprotein) untersucht. Während mehrerer Extrusionsläufe wurden systematische US-Dämpfungsmessungen durchgeführt, wobei Variationen bei der Rezeptur (z. B. Zufuhrrate, Pulver-/Wassergehalt) und den Verarbeitungsparametern (z. B. Heiz-/Kühltemperatur, Schneckendrehzahl) berücksichtigt wurden.
Das Ultraschallmesssystem erfasste Veränderungen der Amplitude bzw. der Dämpfung des durchgelassenen Signals, die mit Schwankungen der Rezeptur und der Verarbeitungsparameter korreliert werden konnten. Insbesondere zeigte die Ultraschall-Dämpfungstechnik ihre Empfindlichkeit, indem sie bereits geringfügige Veränderungen von 1 % beim Feuchtigkeits- und Pulvergehalt (d. h. Sojaproteinkonzentrat oder Erbsenproteinisolat) sowie Schwankungen der Heiz- oder Kühltemperatur im Bereich von 5 °C erfasste. Diese Ergebnisse unterstreichen die Leistungsfähigkeit und das Potenzial des Systems für die Überwachung und Steuerung in Extrusionsprozessen. Es stellt einen entscheidenden Schritt bei der Erkennung und Verfolgung von Schwankungen dar, die sich direkt auf die Produkteigenschaften und -qualität auswirken. Dennoch erfordert das Erreichen einer höheren Konsistenz, Robustheit gegenüber Schwankungen der Betriebsbedingungen und der Zutatenzusammensetzung, Reproduzierbarkeit sowie allgemeiner Zuverlässigkeit weitere Verfeinerungen, die im Rahmen laufender Forschungsarbeiten angegangen werden.
Darüber hinaus konnten Modelle erfolgreich abgeleitet werden, die (a) Prozessvariablen und (b) US-Dämpfungsmerkmale mit (c) den mechanischen Produkteigenschaften in Beziehung setzen. Bemerkenswert ist, dass die Entwicklung der Modelle (d. h. Soft-Sensoren) unter Verwendung von Standardalgorithmen des maschinellen Lernens erfolgte, wobei die im Labor mit einem Texturanalysator gemessenen mechanischen Eigenschaften als Ausgangsvariablen dienten. Verschiedene Methoden des maschinellen Lernens, darunter (i) lineare Regression, (ii) Random Forest und (iii) eXtreme Gradient Boosting, wurden getestet und verglichen, um die mechanischen Eigenschaften vorherzusagen: (1) Härte, (2) Kaubarkeit und (3) Gummigkeit. Die Generalisierbarkeit und Leistungsfähigkeit der trainierten Modelle wurden mittels Kreuzvalidierung bewertet, was konsistente Ergebnisse mit relativen Fehlern unter 3 % ergab. Die Modelle passten sich den Testdaten präzise an und erfassten die Varianz in den Ausgangsvariablen mit einem Bestimmungskoeffizienten (R²-Wert) von über 97 %.
Das Rahmenkonzept zur Messung der Dämpfung von Ultraschallwellen während der HME-Verarbeitung sowie die Datenpipeline zur Integration als Merkmale in den Modellierungsansatz wurden erfolgreich etabliert. Dies bildet eine solide Grundlage für die Entwicklung eines effektiven Sensorsystems zur Inline-Charakterisierung strukturierter, proteinreicher Lebensmittel und ermöglicht zuverlässigere und verallgemeinerbare Darstellungen, da grössere Datensätze gesammelt und zur Verfügung gestellt werden können. Für die Zukunft werden die Erweiterung des Datenbestands und die Verbesserung der Robustheit der Modelle sowie die Optimierung des Ultraschallmesssystems erwartet, um Dämpfungs- und Ausbreitungsmuster, die spezifisch für die innere Struktur und Zusammensetzung des Produkts sind, umfassender zu erfassen.
Die entwickelten Modelle lassen sich in eine Rückkopplungsstruktur für die prädiktive Qualitätskontrolle auf Basis des HME-Steuerungssystems integrieren. Im Rahmen eines hierarchischen Ansatzes können sie automatisch Referenzwerte oder Einschränkungen für einen modellbasierten prädiktiven Regler festlegen, indem sie Eingabevariablen mit Qualitätsmerkmalen verknüpfen: (1) Härte, (2) Kaubarkeit und (3) Klebrigkeit, was optimierte, datengesteuerte Produktionsprozesse ermöglicht.
Im Programm Food 4.0 begleiten die Akademien der Wissenschaften Schweiz unter dem Lead der Schweizerischen Akademie der Technischen Wissenschaften SATW innovative Projektideen, die ganz am Anfang der Entwicklung stehen. Gefördert werden insbesondere Projekte, die neue Perspektiven für eine erfolgreiche Entwicklung des Schweizer Ernährungssystems aufzeigen. Die ausgewählten Projekte leisten einen wichtigen Beitrag zur Lösung der grössten Herausforderungen und adressieren die Themenbereiche Food Waste, Nachhaltigkeit und Gesundheit.
