← Volver a Todos los Blogs y Publicaciones Optimización de la estandarización de grasas y proteínas en la leche líquida

Optimización de la estandarización de grasas y proteínas en la leche líquida

Qué exigen las clases de composición de la leche de consumo, cómo controla la reincorporación de nata una unidad de normalización en línea basada en una desnatadora, dónde alcanza sus límites el control basado en la densidad y qué muestra la literatura sobre cerrar el lazo con una medición infrarroja directa de grasa y proteína.

Lo que debe lograr la normalización

La leche cruda llega a una central lechera con un contenido de grasa que varía según la raza, la alimentación y la estación; la leche que sale de ella debe corresponder a una clase fija. En la Unión Europea, el Reglamento (UE) n.º 1308/2013 define la leche entera normalizada con al menos 3,50 % (m/m) de grasa, la leche semidesnatada con 1,50–1,80 % y la leche desnatada con no más de 0,50 %, solo permite ajustar el contenido de grasa retirando o añadiendo nata o leche de otra clase, y exige al menos 2,9 % (m/m) de proteína en la leche con 3,5 % de grasa [1]. La norma de identidad estadounidense para la leche exige no menos de 3,25 % de grasa láctea y 8,25 % de sólidos lácteos no grasos [2].

Estos objetivos se definen mediante la química de referencia, no mediante un sensor de proceso: la grasa, por el método gravimétrico de ISO 23318 | IDF 249:2022, que sustituyó a ISO 1211 | IDF 1 para la leche líquida [3], y la proteína, a partir del nitrógeno Kjeldahl según ISO 8968-1 | IDF 20-1 [4]. Ninguno devuelve un resultado mientras la leche circula, por lo que la planta necesita una señal más rápida para gobernar el proceso y los métodos de referencia para confirmar el resultado.

Cómo funciona una unidad de normalización en línea

El Tetra Pak Dairy Processing Handbook expone el principio: la leche entera precalentada se separa en leche desnatada y nata, el contenido de grasa de la nata se fija a la salida de la desnatadora, una porción calculada de esa nata se reincorpora a la corriente de leche desnatada para alcanzar el objetivo y la nata sobrante pasa al tratamiento de nata [5]. Las proporciones se derivan de un balance de masa de la grasa — el cálculo del cuadrado de mezclas ilustrado en el manual —, de modo que el resultado solo es tan bueno como los valores de grasa introducidos [5].

Una unidad directa en línea cierra este lazo con transmisores de caudal, de caudal másico y de temperatura, válvulas de control y un controlador informatizado [5]. La grasa de la línea de nata no se mide químicamente: un transmisor de caudal másico mide la densidad de la nata, que el controlador convierte en contenido de grasa mediante la relación fija entre ambas [5]. El manual es claro sobre los límites. El control solo por el caudal de nata es rápido, pero da un contenido de grasa erróneo en cuanto cambian la temperatura o el contenido de grasa de la leche de entrada; el control solo por la densidad vuelve a la consigna, pero reacciona con lentitud; el control en cascada combina ambos, y la propia lectura de densidad se ve afectada por la temperatura y por el gas arrastrado, gran parte del cual sigue a la fase de nata [5]. Para una unidad bien ajustada, el manual indica que la desviación estándar de repetibilidad de la leche normalizada debe ser inferior a 0,015 % de grasa [5].

Medir la composición en la línea: infrarrojo medio y cercano

Como el lazo convencional deduce la grasa de la densidad y nunca mide la proteína, hay motivos para un sensor espectroscópico que mida ambas directamente sobre la corriente normalizada. Los analizadores de infrarrojo medio (MIR) son los instrumentos de rutina para grasa, proteína y lactosa en la leche líquida, con directrices de aplicación en ISO 9622 | IDF 141 [6]. Su exactitud la determina el conjunto de calibración: Kaylegian et al. demostraron que leches modificadas que abarcan un intervalo de componentes más amplio, con grasa y proteína menos correlacionadas que en las leches de productor, daban un intervalo de confianza en torno a la recta de regresión MIR varias veces menor [7]. Una calibración en línea para leche normalizada debe igualmente cubrir todas las clases de grasa que produce la línea, con grasa y proteína variadas de forma independiente.

La espectroscopía de infrarrojo cercano (NIR) se presta mejor a la instalación en tubería, e ISO 21543 | IDF 201 regula su aplicación a la leche [8]. La geometría importa. Tsenkova et al. observaron en leche sin homogeneizar que la mejor exactitud para grasa y proteína se obtenía en transmitancia a 1.100–2.400 nm con un espesor de muestra de 1 mm, mientras que a 700–1.100 nm un paso óptico de 10 mm daba una exactitud comparable para la grasa [9]. Aernouts et al. obtuvieron R² superiores a 0,95 para grasa y proteína bruta en leche cruda por reflectancia y superiores a 0,90 por transmitancia, y señalaron que el paso óptico de 1 mm necesario para la transmitancia complica considerablemente el uso on-line [10]. Kawasaki et al. hicieron funcionar un sistema NIR on-line a 600–1.050 nm dentro de un robot de ordeño y obtuvieron para la grasa un r² de validación de 0,95 con un error estándar de predicción de 0,25 %, pero para la proteína solo 0,72 y 0,15 % [11].

El estudio más cercano al problema de la normalización es el de Castro-Reigía et al., que utilizaron predicciones NIR en línea de la grasa y la proteína de la leche que entraba en un proceso de yogur para reajustar la nata y la leche en polvo añadidas; sus modelos PLS alcanzaron un R² de predicción de 0,99 para la grasa y de 0,80 para la proteína con RMSEP de 0,26 y 0,16, y la estrategia redujo la variabilidad de los valores nutricionales del producto final en más de un 70 % respecto a la receta fija [12]. Allí, como en los estudios de ordeño, la proteína es el parámetro más difícil, por lo que una planta debe esperar que su lazo de proteína sea menos ajustado que el de grasa.

Cerrar el lazo en la práctica

Un sensor espectroscópico en la línea de leche normalizada no sustituye al control de la grasa de la nata propio de la desnatadora; añade un lazo externo que mide el producto terminado y corrige la consigna de reincorporación de nata, con la misma lógica en cascada que el manual recomienda para combinar las señales de caudal y densidad [5]. Tres prácticas deciden si se puede confiar en ese lazo:

  • Calibrar en todo el intervalo de productos, frente a los métodos de referencia. Los valores de referencia deben proceder de ISO 23318 e ISO 8968-1 [3][4], y el conjunto de calibración debe cubrir todas las clases de grasa que produce la línea, con grasa y proteína descorrelacionadas [7].
  • Fijar las condiciones de medida. El paso óptico y el intervalo de longitudes de onda cambian lo que puede lograr una calibración NIR de leche [9][10]; la celda debe situarse aguas abajo del punto de reincorporación, donde la corriente está completamente mezclada, y debe comprobarse si la línea arrastra aire, que según el manual sigue a la fase de nata [5].
  • Verificar periódicamente frente al método de referencia. El valor en línea gobierna el proceso, pero la clase que figura en la etiqueta la definen el reglamento y la química de referencia [1][2][3][4], por lo que los análisis de referencia periódicos de la leche terminada siguen siendo la prueba de que el lazo está en el objetivo.

Cómo lo aborda USTECH

USTECH instala el analizador FT-NIR de proceso ProLine2550 en tuberías que transportan líquidos y suspensiones, donde se encuentra la línea de leche normalizada; el software quimiométrico caliX construye y mantiene calibraciones PLS del tipo utilizado en los estudios citados [10][11][12]; y ProChem conecta el analizador con el PLC o el SCADA de la planta para que las lecturas de grasa y proteína puedan corregir la consigna de reincorporación de nata. Si un lazo así alcanza la exactitud que exigen las tolerancias de una planta se establece en un estudio de viabilidad con sus propias muestras de leche y análisis de referencia.

Referencias

  • [1] Regulation (EU) No 1308/2013 of the European Parliament and of the Council of 17 December 2013 establishing a common organisation of the markets in agricultural products, Annex VII, Part IV (Milk and milk products intended for human consumption), point III. Official Journal of the European Union, L 347, 20.12.2013 (as amended). eur-lex.europa.eu/eli/reg/2013/1308/oj
  • [2] U.S. Code of Federal Regulations, Title 21, § 131.110 — Milk. Electronic Code of Federal Regulations (eCFR), U.S. Government Publishing Office. ecfr.gov/current/title-21/section-131.110
  • [3] ISO 23318 | IDF 249:2022. Milk, dried milk products and cream — Determination of fat content — Gravimetric method. ISO, Geneva. iso.org/standard/75226.html
  • [4] ISO 8968-1 | IDF 20-1:2014. Milk and milk products — Determination of nitrogen content — Part 1: Kjeldahl principle and crude protein calculation. ISO, Geneva. iso.org/standard/61020.html
  • [5] Tetra Pak Processing Systems AB. Dairy Processing Handbook, Chapter 7.2: Centrifugal separators and milk standardization. Tetra Pak, Lund. dairyprocessinghandbook.tetrapak.com/chapter/centrifugal-separators-and-milk-standardization
  • [6] ISO 9622 | IDF 141:2013. Milk and liquid milk products — Guidelines for the application of mid-infrared spectrometry. ISO, Geneva. iso.org/standard/56874.html
  • [7] Kaylegian, K.E., Houghton, G.E., Lynch, J.M., Fleming, J.R., Barbano, D.M. (2006). Calibration of infrared milk analyzers: Modified milk versus producer milk. Journal of Dairy Science, 89(8), 2817–2832. doi:10.3168/jds.S0022-0302(06)72555-3
  • [8] ISO 21543 | IDF 201:2020. Milk and milk products — Guidelines for the application of near infrared spectrometry. ISO, Geneva. iso.org/standard/77606.html
  • [9] Tsenkova, R., Atanassova, S., Toyoda, K., Ozaki, Y., Itoh, K., Fearn, T. (1999). Near-infrared spectroscopy for dairy management: Measurement of unhomogenized milk composition. Journal of Dairy Science, 82(11), 2344–2351. doi:10.3168/jds.S0022-0302(99)75484-6
  • [10] Aernouts, B., Polshin, E., Lammertyn, J., Saeys, W. (2011). Visible and near-infrared spectroscopic analysis of raw milk for cow health monitoring: Reflectance or transmittance? Journal of Dairy Science, 94(11), 5315–5329. doi:10.3168/jds.2011-4354
  • [11] Kawasaki, M., Kawamura, S., Tsukahara, M., Morita, S., Komiya, M., Natsuga, M. (2008). Near-infrared spectroscopic sensing system for on-line milk quality assessment in a milking robot. Computers and Electronics in Agriculture, 63(1), 22–27. doi:10.1016/j.compag.2008.01.006
  • [12] Castro-Reigía, D., Ezenarro, J., Azkune, M., Ayesta, I., Ostra, M., Amigo, J.M., García, I., Ortiz, M.C. (2024). Yoghurt standardization using real-time NIR prediction of milk fat and protein content. Journal of Food Composition and Analysis, 128, 106015. doi:10.1016/j.jfca.2024.106015
USTECH Innovations Logo

Evalúe esta aplicación para su proceso

Nuestro equipo de aplicaciones puede explicar el método, compartir la bibliografía de referencia y analizar con usted cómo se aplica a su proceso.

Contáctenos

Leer siguiente