Sun Oct 20 2019

10 20

Zelflerende reinigingssystemen

26/05/2016

Door Ad Spijkers

In een gemeenschappelijk onderzoeksproject brengen wetenschappers reinigingsinstallatie ‘denken’ en ‘leren’ bij. Op basis van een ervaringsbank uit verzamelde meetdata beslist een kunstmatig neuronaal netwerk later zelf welke reinigingsparameters het toepast.


     

Voedingsmiddelen bederven bijzonder snel bij hoge temperaturen. Daarom spelen hygiëneregels een beslissende rol – en niet alleen bij de consument. Reeds bij de productie van voedingsmiddelen moeten hoge hygiënenormen worden gehanteerd. Machines en productie-installaties worden continu gecontroleerd en automatisch gereinigd.

Daartoe dienen zogeheten Cleaning In Place (CIP) processen die zonder demontage van de installatie ter plaats worden ingezet. De reiniging gebeurt weliswaar grondig, maar duidelijk overgedimensioneerd omdat meestal het als ernstigste beschouwde geval van verontreiniging als norm wordt aangehouden. Hierdoor wordt te land met te veel water, energie en reinigingsmiddel gewerkt.

Gemeenschappelijk onderzoeksproject

Wetenschappers van de Friedrich-Alexander-Universität Erlangen-Nürnberg en het Fraunhofer-Institut für Verfahrenstechnik und Verpackung (IVV) in Dresden willen daar verandering in brengen. In het kader van een project voor Industrielle Gemeinschaftsforschung (IGF) ontwikkelen ze gezamenlijk een zelflerend automatiseringssysteem voor reiningsprocessen die efficiënt omgaan met bronnen.

Het gemeenschappelijke project biedt in het bijzonder middelgrote en kleine bedrijven (MKB) toegang tot actuele onderzoeksresultaten. Het onderzoek wordt georganiseerd in samenwerking met honderd branchegerichte onderzoeksverenigingen in het innovatienetwerk van de Arbeitsgemeinschaft industrieller Forschungsvereinigungen (AiF) en financieel ondersteund door het Bundesministerium für Wirtschaft und Energie (BMWi).

Kunstmatige neuronale netwerken

In het onderzoeksproject brengen de wetenschappers de reinigingsinstallaties in twee opeenvolgende stappen ‘denken’ en ‘leren’ bij. Uiteindelijk moeten de machines herkennen van welke verontreinigingstoestand sprake is en zelfstandig beslissen hoeveel water, reinigingsmiddel en tijd voor de reiniging nodig is.

In de eerste stap trainen de onderzoekers de neuronale netwerken in het herkennen van verschillende maten van verontreiniging. Bij dit ‘leren bewaken’ wordt in eerste instantie het meest passende reinigingsproces nog ingevuld door de wetenschappers. In de daarop volgende tweede fase vindt het zogeheten ‘bevestigend leren’ plaats. Op basis van een ervaringsbank uit verzamelde meetdata beschikt het kunstmatige neuronale netwerk nu zelf welke reinigingsparameters het toepast.

In de toekomst moeten de resultaten van het IGF-onderzoek een hygiënisch perfecte reiuniging van machines en installaties mogelijk maken waarbij gelijktijdig efficiënt met bronnen en het milieu wordt omgegaan. Bovendien worden door reiniging veroorzaakte productieonderbrekingen tot een minimum beperkt.

Van de te verwachten kostenbesparingen profiteren in Duitsland behalve meer dan 500 middelgrote voedingsmiddelenfabrikanten ook ondernemingen uit andere branches die aan hoge hygiënenormen in de productie moeten voldoen, bijvoorbeeld de farmaceutische en cosmetica-industrie.