Beim Projekt Alimente21 kamen KI-gestützte Bildverarbeitung und vorausschauende Analysen in sechs verschiedenen Anwendungsbereichen zum Einsatz. Mithilfe des Vision-Systems der FH-Serie von Omron zeigt das Projekt, wie eine einzige integrierte Plattform verschiedene Inspektionsherausforderungen innerhalb einer einheitlichen Architektur bewältigen kann. (Quelle: Omron)
Top-3 AI Values
- 4,8 % weniger Energieverbrauch pro kg Wurstwaren: KI-gestützte Reifegradbestimmung verkürzt die Reifezeit einer Charge von 42 auf 40 Tage und steigert die Gesamtanlageneffektivität (OEE) des Trockners um 6,4 %.
- Rund 80 % kürzere Inspektionszeiten: KI-Bildverarbeitung reduziert die durchschnittliche Prüfzeit bei der Nachbearbeitung von 9,94 auf 2 Sekunden.
- 41,75 % höhere OEE: Durch die KI-gestützte Erkennung von Produktverunreinigungen erhöht sich nach Projektangaben die Gesamtanlageneffektivität der Nachbearbeitungslinie.
Kundenzitat
Sergio Vega, Director of R&D, Innovation and Sustainability bei Prolongo-Faccsa: „Den optimalen Reifezeitpunkt einer Charge mithilfe von Bildverarbeitung zu überwachen und vorherzusagen, die korrekte Reinigung und Desinfektion von Oberflächen zu überprüfen und Scheibe für Scheibe auf kleinste Knochen- oder Knorpelfragmente zu kontrollieren – das sind nicht nur schrittweise Verbesserungen. Sie verändern grundlegend, was Lebensmittelsicherheit und Prozesseffizienz in der Praxis bedeuten.“
___________________________________________________________________________________
Wann hat eine Wurst-Charge den optimalen Reifegrad erreicht? Lassen sich Verunreinigungen zuverlässig automatisiert erkennen? Und wie können Anlagenstillstände vermieden werden, bevor sie entstehen? Mit diesen und weiteren Fragestellungen beschäftigte sich der spanische Fleischwarenhersteller Prolongo-Faccsa im Rahmen des Forschungsprojekts Alimente21.
Das Unternehmen mit mehr als 200-jähriger Tradition produziert an seinem Standort in Cártama bei Málaga unter anderem Rohwurst- und Schinkenprodukte. Die Produktionskette umfasst unterschiedliche Prozessschritte, die von der Trocknung und Reifung über die Fleischverarbeitung bis zum Schneiden und Verpacken reichen. Jeder dieser Schritte stellt eigene Anforderungen an die Prozessüberwachung und Qualitätssicherung.
Bislang wurden viele Kontrollaufgaben durch die Erfahrung und Expertise von Mitarbeitern unterstützt. Andere, etwa das Erkennen kleiner Knochenfragmente zwischen Schinkenscheiben oder die Identifikation von Biofilmen auf Produktionsoberflächen, ließen sich mit konventioneller Bildverarbeitung nur schwer zuverlässig automatisieren.
Im 2021 gestarteten, vierjährigen Forschungs- und Entwicklungsprojekt Alimente21 entwickelte Prolongo-Faccsa deshalb gemeinsam mit Omron KI-gestützte Lösungen für sechs unterschiedliche Anwendungen. Das Projekt wurde unter anderem vom spanischen Zentrum für industrielle Technologieentwicklung CDTI öffentlich gefördert.
Zwei Tage kürzere Reifezeit durch KI
Ein besonders wirtschaftlich interessanter Anwendungsfall betrifft die Reifung von Wurstwaren. Dabei ist der richtige Zeitpunkt entscheidend: Werden die Produkte zu früh aus dem Trocknungsprozess genommen, ist die erforderliche Reifung möglicherweise noch nicht erreicht. Eine unnötig lange Verweildauer beansprucht dagegen Produktionskapazitäten und verursacht zusätzliche Energiekosten.
Das im Projekt entwickelte KI-Bildverarbeitungsmodell überwacht den Reifeprozess von Wurstwaren in Kunstdarm. Kameras erfassen die Veränderungen der Produkte während der Trocknung. Anhand dieser Informationen und trainierter Modelle wird der Reifezustand beurteilt beziehungsweise der Zeitpunkt prognostiziert, an dem der erforderliche Gewichtsverlust erreicht ist.
Bei einer Charge mit ursprünglich 42 Tagen vorgesehener Reifezeit erkannte das System den erforderlichen spezifischen Gewichtsverlust bereits am 40. Prozesstag. Die zwei eingesparten Trocknungstage führten zu einer Energieeinsparung von 4,8 % pro Kilogramm Produkt.
Gleichzeitig konnte die gewonnene Zeit für die nächste Charge genutzt werden. Daraus ergab sich eine Steigerung der Gesamtanlageneffektivität des Trockners um 6,4 %. Der KI-Einsatz verbindet damit zwei wirtschaftliche Vorteile: einen geringeren Energiebedarf und eine höhere Nutzung der vorhandenen Produktionskapazität.