Bewertung von Modellen zur Vorhersage der Käseausbeute

Warum die Käseausbeute zählt

Käse ist ein sehr wichtiges Handelsgut in der Milchindustrie; Fox et al. beziffern seinen Anteil auf etwa 35 % der gesamten Milchverwendung [1]. Die Ausbeute wird als Kilogramm Käse je 100 kg Milch bei standardisierten Fett- und Proteingehalten ausgedrückt, und Betriebe verfolgen die Ausbeuteeffizienz, die tatsächliche Ausbeute als Prozentsatz der aus der Milchzusammensetzung vorhergesagten Ausbeute [1]. Die Einflussfaktoren sind gut katalogisiert — Zusammensetzung und Qualität der Milch, Standardisierung, Wärmebehandlung, Gelfestigkeit beim Schneiden, Schneide- und Rührregime, Bruchkorngröße und Fertigerbauart — und sie wirken, indem sie die Zusammensetzung des Milchgels sowie die Menge der ausgetriebenen Feuchte und des aus den Bruchkörnern verlorenen Fetts beeinflussen [1].

Vorhersage der Ausbeute aus der Milchzusammensetzung

Die Vorhersageformeln für die Ausbeute stammen von einer 1895 veröffentlichten Formel ab, die allein auf Casein und Fett beruhte; die Van-Slyke-Formel ist die bekannteste dieser Reihe, und spätere Verfeinerungen fügten Käsefeuchte und Salz, Molkentrockenmasse und Paracasein anstelle von Casein hinzu [2]. Emmons und Modler prüften die General-, die Barbano- und die Van-Slyke-Formel an 22 Fertigern Cheddar und fanden, dass die nicht angepassten Formeln die Ausbeute nicht genau vorhersagten: Die mittlere vorhergesagte Ausbeute betrug 99,17 % der tatsächlichen, und die gemessenen Käsebestandteile summierten sich auf weniger als 100 % [2]. Eine Anpassung an die beobachtete Summe der Bestandteile brachte den Mittelwert auf 99,99 % der tatsächlichen Ausbeute, sodass angepasste Formeln für Zielausbeuten und Ausbeuteeffizienz empfohlen werden; bemerkenswert ist, dass das Gesamtmilchprotein dann dieselben vorhergesagten Ausbeuten lieferte wie Casein, sodass eine Caseinbestimmung nicht immer nötig sein muss [2].

Die Eingangsgrößen sind Fett und Protein der Kesselmilch, und diese Werte sind nur so gut wie die Referenzmethoden dahinter: Die gravimetrische Fettreferenz ist ISO 23318 | IDF 249, die ISO 1211 abgelöst hat [3], und ISO 8968-1 | IDF 20-1 bestimmt den Stickstoff nach dem Kjeldahl-Prinzip und berechnet daraus das Rohprotein [4].

Was die Infrarotspektroskopie bei der Milchannahme beisteuert

Die Referenzmethoden sind im Verhältnis zum Tempo der Käseherstellung langsam, daher liefern spektroskopische Kalibrierungen gegen sie die Tageswerte. Laporte und Paquin bestimmten Fett, Rohprotein, Reinprotein und Casein in Kuhmilch durch Nahinfrarot-Transmission mit PLS-Kalibrierungen an 96 Proben; die unabhängige Validierung ergab Standardfehler der Vorhersage von 0,07 % für Fett, 0,06 % für Rohprotein und Casein und 0,05 % für Reinprotein, und die Homogenisierung beeinflusste nachweislich die Fettbestimmung [5].

Ein direkterer Weg ist es, das Spektrum gegen die Ausbeute selbst zu kalibrieren. Ferragina et al. stellten 1.264 Modellkäse aus Einzeltiermilch nach einem festen Laborprotokoll her und setzten Mittelinfrarot-Spektren (FTIR) der unbehandelten Milch zu den gemessenen Ausbeutemerkmalen in Beziehung; die Kreuzvalidierung ergab Bestimmtheitsmaße von 0,95 für die Trockenmasse-Käseausbeute und 0,83 für die Frischausbeute, aber nur 0,65 für das im Bruch zurückgehaltene Wasser und 0,41 für die Fettwiederfindung [6]. Das Spektrum trägt die Zusammensetzungsinformation, die die Trockenmasseausbeute bestimmt; Wasserrückhalt und Fettverlust werden im Fertiger entschieden und sind im Milchspektrum nicht sichtbar. Das ist der Teil des Problems, den die Überwachung im Fertiger angeht.

Überwachung von Gerinnung und Synärese im Käsefertiger

O'Callaghan et al. gaben einen Überblick über die Online-Techniken zur Überwachung der Gallertbildung — Hitzdraht-, Schwing- und optische Sonden — und schlossen aus Betriebsversuchen über jahreszeitliche Milchschwankungen hinweg, dass die Online-Überwachung die Gleichmäßigkeit der Gallerte beim Schneiden verbessern kann [7]. Der optische Ansatz beruht auf der Zunahme der Lichtstreuung, wenn die Caseinmicellen aggregieren. Castillo et al. überwachten die Gerinnung von Ziegenmilch mit einem Sensor für diffuse Reflexion bei 880 nm; der Reflexionsparameter T_max korrelierte mit der Berridge-Gerinnungszeit (R² = 0,9913), und eine auf T_max beruhende Schneidezeitgleichung sagte die Schneidezeit über unterschiedliche pH-Werte, Temperaturen und Enzymkonzentrationen hinweg mit einem Standardfehler von 84,5 s voraus (R² = 0,9785) [8]. Lyndgaard et al. erweiterten dies auf vollständige, inline aufgenommene NIR-Spektren (1.000–2.500 nm), die durch Hauptkomponentenanalyse komprimiert und mit einem kinetischen Modell angepasst wurden, das κ-Casein-Proteolyse, Micellenaggregation und Netzwerkbildung trennt; es passte 12 Chargen mit R² über 0,99 an und erlaubte die Echtzeitschätzung zur automatischen Bestimmung der Schneidezeit [9].

Dasselbe Signal trägt auch nach dem Schneiden Information. Fagan et al. zeigten mittels Response-Surface-Methodik, dass der Fettrückhalt eine Funktion von Schneidezeit und Temperatur ist, dass die Bruchausbeute zusätzlich von der Calciumchloridzugabe abhängt und dass es eine optimale Gelfestigkeit beim Schneiden gibt, die zu maximieren ist, während eine rasche Vergröberung des Gels und Mikrosynärese zu vermeiden sind [10]. In einer Folgearbeit sagten Gleichungen, die die Milchzusammensetzung mit Rückstreuparametern kombinierten, die Fettverluste mit einem Standardfehler der Vorhersage von ±2,65 g/100 g (R² = 0,93), die Bruchausbeute mit ±0,95 % (R² = 0,90) und die Bruchfeuchte mit ±1,43 % (R² = 0,94) voraus [11]. Dies waren Pilotfertiger-Studien unter bewusst variierten Bedingungen; sie zeigen, dass das Signal die Information enthält, nicht, was ein Produktionsfertiger erreichen wird.

Aufbau eines belastbaren Ausbeutemodells

Ein Käseausbeutemodell besteht in Wirklichkeit aus zwei Modellen: einer zusammensetzungsbasierten Vorhersage der Ausbeute, die die Milch liefern sollte, und einem Fertigermodell dafür, wie viel dieses Potenzials realisiert wird. Drei Praktiken halten beide belastbar:

• Definieren Sie, welche Ausbeute Sie vorhersagen. Ferragina et al. unterscheiden Frischausbeute, Trockenmasseausbeute und im Bruch zurückgehaltenes Wasser sowie die Wiederfindung von Fett, Protein und Trockenmasse [6]; ein auf eine Größe kalibriertes Modell kann nicht als eine andere gelesen werden.
• Verankern Sie die Kalibrierung an den Referenzmethoden. Fett- und Proteinwerte sollten aus ISO 23318 und ISO 8968-1 stammen [3][4], und NIR-Kalibrierung und -Validierung an Milchprodukten folgen ISO 21543 | IDF 201 [12].
• Validieren Sie über die Jahreszeiten hinweg. Die Schneidezeit und das Synäreseverhalten hängen von pH-Wert, Temperatur, Calcium- und Enzymgehalt ab [8][10], und die Betriebsübersicht betont die jahreszeitliche Variation [7]; validieren Sie erneut, bevor Sie einem Modell mit der Milch der nächsten Saison vertrauen.

Wie USTECH an die Aufgabe herangeht

Der Prozessanalysator ProLine2550 ist für Flüssigkeiten und Suspensionen in Rohrleitungen und Behältern spezifiziert, was die Messung der Kesselmilch für eine zusammensetzungsbasierte Ausbeutevorhersage abdeckt, und die caliX-Suite stellt die PLS-Regressions- und PCA-Werkzeuge bereit, die in den oben zitierten Studien verwendet werden [5][6][9]. Über ProChem können die vorhergesagten Werte für Dashboards und Alarme an die PLC oder das SCADA-System des Betriebs übergeben werden. Ob die Ausbeutemerkmale, auf die es einem Betrieb ankommt, mit der benötigten Genauigkeit vorhergesagt werden können, wird in einer Machbarkeitsstudie mit Ihren eigenen Proben nach ISO 21543 [12] ermittelt und nicht aus veröffentlichten Zahlen abgeleitet.