Espectroscopía NIR para control en línea en golosinas
En AINIA hemos colaborado con
TROLLI para demostrar que es posible medir y predecir en tiempo real el
contenido de proteína en masas de
golosinas mediante
espectroscopía de infrarrojo cercano (NIR). El propósito ha sido claro: sustituir controles analíticos puntuales,
destructivos y
lentos por una metodología
no invasiva,
precisa y
conectada al proceso, capaz de
reducir mermas,
acortar tiempos de decisión y reforzar la
consistencia del producto final.
Formulación de golosinas y calidad: proteína, agua e hidratos
El contexto del proyecto parte de una realidad conocida por el sector: la
formulación de
golosinas se diferencia cada vez más por el papel que desempeñan los
ingredientes. Conocer con precisión el contenido de
proteínas,
hidratos y
agua resulta crítico tanto para el
valor nutricional como para la
reología del proceso y, en última instancia, para sus
propiedades organolépticas. Sin embargo, las
técnicas convencionales al requerir
preparación de muestra,
personal especializado y
tiempos de respuesta elevados dificultan el
control en línea, la
reducción de desviaciones y la
automatización. De ahí que nos planteáramos una alternativa basada en
espectroscopía NIR (7502.500 nm), que, apoyada en la
ley de Lambert-Beer, permite
correlacionar huellas espectrales con
parámetros de interés medidos por
métodos de referencia.
Metodología NIR en condiciones reales de planta
Para garantizar
representatividad, trabajamos con
TROLLI en condiciones equivalentes a
planta. Partimos de
tres recetas y variamos la proporción de
gelatina (colágeno) desde el
doble hasta su
eliminación total, cubriendo así un
rango amplio de formulaciones reales. Realizamos las medidas con un
espectrofotómetro NIR equipado con
sonda de inmersión y
lámpara halógena. En paralelo, determinamos el
valor real de la proteína mediante
técnica volumétrica en el
laboratorio de Análisis Químico de AINIA. Con ambos conjuntos de datos
espectros y
valores de referencia construimos y ajustamos un
modelo de predicción mediante
proyección en estructuras latentes (PLS).
Modelización PLS: precisión en la predicción de proteína
Los resultados avalan la viabilidad de la solución. Obtuvimos un
modelo predictivo NIR del
contenido proteico con un
error medio en
validación cruzada del
0,49 % sobre una horquilla de
011 % de proteína y un
coeficiente de determinación (R²) de
0,975. Estos indicadores muestran una
precisión elevada para estimar, de forma
rápida y
no destructiva, un
parámetro fundamental de calidad como es el
porcentaje de proteína en la
masa de golosina. Más allá de las métricas, lo relevante es lo que habilitan:
control continuo del proceso,
detección temprana de desviaciones y
capacidad de corrección inmediata, lo que se traduce en
menos mermas,
mayor estabilidad del producto y
decisiones más ágiles.
Monitorización en tiempo real e integración con SCADA/MES
El siguiente paso natural es la
integración en línea del
sistema NIR en puntos críticos como
amasado,
moldeado o
secado, conectándolo a los
sistemas de supervisión y control para cerrar el
ciclo de decisión. La experiencia nos dice que el
mantenimiento del modelo con
recalibraciones puntuales ante
cambios de receta o
materias primas asegura su
robustez a largo plazo y maximiza el
retorno de la inversión. La colaboración con
TROLLI ha sido determinante para
validar la tecnología en condiciones reales: su
conocimiento del proceso, combinado con nuestra
capacidad analítica y de modelización, ha permitido convertir una
hipótesis tecnológica en una
herramienta operativa con
impacto directo en planta.
De la analítica off-line al control de proceso basado en datos
Si fabricas
confitería u otros
alimentos en los que la
composición condiciona el
proceso, desde AINIA podemos ayudarte a
medir lo que importa en
tiempo real. Diseñamos
estudios de viabilidad, desarrollamos
modelos NIR a medida y acompañamos la
implantación en línea para que el
dato se convierta en
acción y el
control de calidad en una
ventaja competitiva.
Este desarrollo forma parte del proyecto CANDYSPECT, centrado en la investigación de tecnologías espectrales capaces de determinar propiedades de caramelos de goma. CANDYSPECT se enmarca dentro del proyecto tractor ECOFOOD Adaptación científico-tecnológica de las cadenas de valor del sector agroalimentario para una transición sostenible, ecológica y digital (código PAG-010000-2023-15), que impulsa la innovación tecnológica en la industria alimentaria hacia procesos más digitales, eficientes y sostenibles.
El proyecto ECOFOOD está promovido por el Ministerio de Industria y Turismo, en el marco del Plan de Recuperación, Transformación y Resiliencia, y financiado por la Unión Europea NextGenerationEU.
