Kohti ennakoivaa ja oppivaa panimoprosessia

Panimon käymisprosessia ohjataan edelleen pitkälti näytteenoton, laboratoriomittausten ja kokemuksen avulla. Turun ammattikorkeakoulun Älykäs panimo -kehitystyössä rakennetaan ratkaisua, jossa sensoriteknologia, neuroverkko ja prosessidata tuovat käymisen etenemisen näkyviin reaaliaikaisesti.  

Kehitystyön tavoitteena on parempi laatu, tehokkaampi prosessinohjaus ja poikkeamien aiempi tunnistaminen. Hanketta rahoittaa Varsinais-Suomen liitto Alueiden kestävän kasvun ja elinvoiman tukemisen (AKKE) rahoituksen kautta.  

Panimon käymisvaihe ratkaisee suuren osan lopputuotteen laadusta. Hiiva muuntaa vierteen sokereita etanoliksi ja hiilidioksidiksi, mutta samalla syntyy myös yhdisteitä, joilla on suuri vaikutus aromiin, makuun ja mahdollisiin virhemakuihin. 

Näistä yksi tärkeimmistä on diasetyyli, jonka liian korkea pitoisuus aiheuttaa voin tai toffeen kaltaisia aromeja. Käytännössä panimot seuraavatkin käymisen etenemistä usein juuri diasetyylin avulla.  

Nykyinen toimintamalli perustuu yleensä näytteenottoon ja laboratoriossa tehtävään analyysiin. Tuloksen saaminen vie aikaa, ja siinä vaiheessa prosessi on jo ehtinyt edetä. Käymisen hallinnan näkökulmasta tämä on haaste, sillä diasetyylin poistuminen perustuu hiivan omaan aineenvaihduntaan. Siksi panimoissa prosessin laatua varmistetaan usein pitämällä hiivaa riittävän pitkään mukana ennen separointia.  

Tämä on laadun kannalta turvallinen ratkaisu, mutta samalla prosessiin voi jäädä optimointivaraa. Tutkimuskirjallisuuden mukaan diasetyylin vähentäminen on panimolle aikaa vievä ja kustannusvaikutteinen vaihe, joten jo muutamien tuntien tarkempi optimointi voisi pitkällä aikavälillä tehostaa tuotantoa merkittävästi vuositasolla.  

Sensoriteknologia avuksi 

Turun ammattikorkeakoulun Älykäs panimo -kehitystyössä diasetyylin vähentämiseen haetaan ratkaisua reaaliaikaisesta sensoriteknologiasta. Kehitteillä on mittausjärjestelmä, joka seuraa käymisen aikana vapautuvia haihtuvia yhdisteitä jatkuvasti.  

Samalla kerätään myös lämpötila-, kosteus- ja ilmanpainetietoa prosessiympäristöstä. Näin yksittäisestä anturista ei rakenneta vain mittaria, vaan se on osa laajempaa tiedonkeruujärjestelmää, joka tuottaa jatkuvan tilannekuvan käymisestä.  

Kehitystyö on edennyt vaiheittain. Laboratorio-olosuhteissa on ensin tutkittu, pystyykö hajujälkeä aistimaan kykenevä VOC-sensori tunnistamaan panimoprosessin kannalta olennaisia merkkiaineita, kuten etanolia ja diasetyyliä. 

Tulokset ovat olleet lupaavia: kontrolloiduissa olosuhteissa sensori on kyennyt havaitsemaan yhdisteisiin liittyviä muutoksia luotettavasti. Tämä proof-of-concept-vaihe on antanut perustan seuraavalle askeleelle, jossa mittauksia siirretään todelliseen käymisprosessiin.  

Kehityksen ytimessä ei kuitenkaan ole pelkkä anturi, vaan neuroverkko. Kun VOC-sensorin data yhdistetään lämpötila-, kosteus- ja ilmanpainetietoon sekä myöhemmin muuhun prosessidataan, voidaan alkaa opettaa mallia tunnistamaan käymisen normaalia etenemistä ja poikkeamia. 

Tavoitteena on sekä mitata, mitä juuri nyt tapahtuu, että ennakoida, mihin suuntaan prosessi on kehittymässä. Tulevaisuudessa tällainen järjestelmä voi auttaa panimoa tunnistamaan epätavallisen käymisen aiemmin, vähentämään virhemakujen riskiä ja optimoimaan prosessia eräkohtaisesti.  

Prosessi tehostuu 

Mittaamisella on myös suora yhteys tehokkuuteen. Käymisen ja kypsytysvaiheen kesto vaikuttaa kapasiteetin käyttöön, energiankulutukseen ja tuotannon joustavuuteen. Jos prosessin eteneminen tunnetaan tarkemmin, voidaan välttää tarpeettoman pitkää käymistä ja tehdä siirtyminen seuraavaan vaiheeseen oikea-aikaisesti. Samalla paranee myös eräkohtainen laadunhallinta.  

Teknologian merkitys ei kuitenkaan rajoitu panimoprosessiin, vaan sama lähestymistapa on sovellettavissa laajasti erilaisiin teollisiin prosesseihin, joissa syntyy haihtuvia orgaanisia yhdisteitä ja joissa prosessin etenemisen reaaliaikainen seuranta tuo lisäarvoa.  

Sensoriteknologian, prosessidatan ja neuroverkkojen yhdistelmällä voidaan parantaa prosessien ohjausta, lisätä ennakoitavuutta ja mahdollistaa reaaliaikainen tilannekuva verrattain kustannustehokkaasti. Kyse ei siis ole vain panimoprosessin kehittämisestä, vaan laajemmin siitä, miten elintarviketeollisuuden ja muiden teollisuudenalojen prosesseja voidaan siirtää kohti reaaliaikaisempaa, ennakoivampaa ja dataohjattua toimintamallia.