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 (750–2.500 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 0–11 % 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.
