In een ideale situatie wordt een automatisch genomen monster gekoppeld aan het NIR-spectrum van hetzelfde moment.
Meetapparatuur heeft de afgelopen decennia opmars gemaakt in de diervoederindustrie. De laatste jaren nemen sensoren daarbij een grotere plaats in. Product- en omgevingsvariabelen als vocht, temperatuur en producteigenschappen zijn met sensoren steeds sneller en vaker te bepalen. Automatische monstername maakt vaker bemonsteren mogelijk, zonder dat een operator langs de productielijn hoeft. De basis is er in veel voerfabrieken al. Productiehoeveelheden, recepturen, temperaturen, stoomdruk, machine-instellingen en energieverbruik worden geregistreerd. Ook worden grondstoffen en eindproducten bemonsterd en geanalyseerd. “Meten is weten”, zegt Bob Bles, marketingmanager en expert meettechniek bij Wemo-techniek. “Maar elk meetresultaat is ook een momentopname.”
Tegelijkertijd wordt de behoefte aan data groter. Operators hebben minder tijd, fabrieken willen hogere capaciteiten draaien en grondstoffen zijn niet constant van kwaliteit. Bij wisselende grondstoffen, recepturen en procesinstellingen is een constant product moeilijk te maken. Automatische monstername kan daarin een eerste belangrijke stap zijn. “Als je 50 tot 60 procent van de batches kunt bemonsteren met de hand, dan doe je het goed”, aldus Bles.
“Wil je meer weten, dan moet je automatiseren.” Overigens ziet Bles ziet nog altijd operators die liever zelf aan een pellet voelen, ruiken of horen hoe het proces draait. De vraag is wat nog haalbaar is als de capaciteit omhoog moet en ervaren operators schaarser worden.
Balans vinden
Typerend voor de diervoederindustrie is dat veel verschillende grondstoffen over dezelfde productielijnen worden verwerkt. De ene grondstof stroomt snel, de andere bestaat uit vlokken of meel. Herkomst, oogst, seizoen en beschikbaarheid veranderen voortdurend. En het eindproduct kan veel of weinig vet bevatten, gecoat zijn en wel of niet als pellet de fabriek verlaten. “Maar op nutritie- en pelletniveau wil je constant blijven. Dat maakt het lastig.” Bij food ligt dat volgens hem anders. Daar zijn de eisen aan grondstoffen vaak veel strakker en is de variatie binnen een productieproces beperkter. In feed is juist de flexibiliteit een belangrijk onderdeel van het bedrijfsmodel.
De fabriek moet dus steeds opnieuw een goede balans vinden. Constantheid in samenstelling en fysieke kwaliteit. Maalinstellingen, menging, conditionering, stoom, vocht, vettoevoeging, persen en koelen beïnvloeden elkaar. Daarom zijn metingen op meerdere plaatsen in de fabriek belangrijk, zoals bij binnenkomende grondstoffen, na mengen of conditioneren en na het pelletiseren. “Door die meetpunten te combineren wordt zichtbaar dat de kwaliteit verandert, en waar in het proces de verandering ontstaat.”
Afwijkingen signaleren
NIR-technologie kan daarbij een goede rol spelen (zie kader Korte uitleg NIR en PDI). NIR kan onder meer informatie leveren over parameters als vocht, eiwit, vet en zetmeel. Daarmee levert het veel vaker informatie dan een laboratoriumanalyse op basis van een steekproef. Vanuit onderzoek is bekend dat de techniek voor verschillende belangrijke parameters goede voorspellingen kan opleveren.
Inline meten met NIR is daarbij de volgende stap. Volgens Michael Huber, product- en applicatiemanager van het process analytics department bij de Duitse sensorontwikkelaar Polytec, ligt daar ook de grootste toegevoegde waarde: continue procesmonitoring en procescontrole. “Metingen van grondstoffen blijven belangrijk. Maar vooral na het mengen, tijdens conditioneren, rond het pelletiseren en na de pelletpers of koeler kan continue informatie waardevol zijn.”
Volgens hem wordt inline NIR vooral interessant wanneer afwijkingen tijdens het proces kunnen worden gesignaleerd en er tijd is om te reageren. Hij benadrukt dat het laboratorium nodig blijft wanneer een hoge analytische nauwkeurigheid vereist is. “De kracht van inline NIR zit vooral in snelle, frequente screening.”
Goede kalibratie
Maar een sensor die technisch nauwkeurig meet, is nog geen garantie voor een betrouwbare inline-meting. “De sensoren die er zijn, meten allemaal prima”, zegt Bles. “De uitdaging is: wat wordt er gemeten?” Het product moet namelijk op een reproduceerbare manier voor de sensor komen liggen. Denk aan de laagdikte, de hoeveelheid materiaal, de productstroom, deeltjesgrootte en stof en heterogeniteit. Bles werkt daarom ook aan mechanische oplossingen die een gecontroleerd volume product met een vaste snelheid en laagdikte langs de sensor voeren.
Huber bevestigt dat. “Een goede kalibratie kan een slechte of niet-representatieve monsterpresentatie niet compenseren.” Volgens hem zijn een stabiele productdekking, een vaste meetafstand of contactgeometrie, voldoende materiaaldiepte en een representatieve productstroom belangrijke voorwaarden.
IJklijn is uitdaging
Een tweede uitdaging is de ijklijn. NIR meet geen vocht- of eiwitpercentage rechtstreeks, maar vertaalt het spectrum met een kalibratiemodel naar een producteigenschap. Dat model is gebaseerd op referentiemonsters. Juist de grote variatie in feed maakt het onderhouden van zo’n model lastig.
Bles ziet in de praktijk hoe ingewikkeld dat kan worden. Dat hoeft volgens hem niet te betekenen dat voor iedere nieuwe situatie een nieuw model nodig is. Belangrijker is om nieuwe grondstoffen en afwijkende omstandigheden met referentieanalyses te blijven controleren en kalibraties waar nodig uit te breiden.
‘Een goede kalibratie compenseert een slechte monsterpresentatie niet’
De marketingmanager bij Wemo-techniek ziet een oplossing in een combinatie van automatische monstername en analyse in een laboratorium. “Inline NIR levert continue data, terwijl laboratoriumanalyse de onafhankelijke data levert die nodig zijn om de kalibratie te valideren en te onderhouden.” In een ideale situatie wordt een automatisch genomen monster gekoppeld aan het NIR-spectrum van hetzelfde moment. Afwijkingen kunnen zo worden opgespoord en nieuwe grondstoffen of omstandigheden aan het kalibratiemodel worden toegevoegd.
Maar, zo benadrukt hij, de technologie is daarmee nog niet plug-and-play. “Het opbouwen en onderhouden van een goede kalibratie vraagt veel tijd en referentiemetingen.” Huber ziet daarbij potentie in AI-tools die helpen bij het ontwikkelen en onderhouden van kalibratiemodellen. “Het bevindt zich nog in de experimentele fase, maar wordt de komende jaren belangrijker.”
Typerend voor de diervoederindustrie is dat veel verschillende grondstoffen over dezelfde productielijnen worden verwerkt.
Fabriek leren begrijpen
Volgens Bles ligt hier de belangrijkste hiaat: een NIR-sensor vertelt wat hij meet, maar niet wat de fabriek met die waarde moet doen. Een vochtmeting van bijvoorbeeld 9 procent zegt op zich weinig. Is dat goed? Is het te hoog? En wat moet de operator doen? Meer stoom geven, langer conditioneren, de koeler anders instellen of ergens anders in het proces ingrijpen? Daar komt bij dat iedere fabriek anders reageert.
Daar ligt volgens hem de volgende stap in de ontwikkeling: niet alleen data verzamelen, maar de fabriek leren begrijpen. Om dat handen en voeten te geven, werkt Wemo met de Inline Kempink Tester Ctrl. Het is een machine-learning toepassing die proces- en kwaliteitsdata uit de voerfabriek combineert en moet leren hoe die specifieke fabriek reageert op verschillende instellingen en omstandigheden.
Niet gokken
Bij de ontwikkeling ervan worden NIR-, PDI- en andere kwaliteitsmetingen gekoppeld aan recepturen, temperaturen, machine-instellingen, energieverbruik en machinebelasting. Het systeem moet leren hoe juist deze fabriek reageert op verschillende grondstoffen en instellingen; een generiek model is daarvoor niet betrouwbaar genoeg. Op termijn moet het systeem kunnen voorspellen wat er met de productkwaliteit gebeurt en de operator concreet adviseren welke procesinstelling hij kan aanpassen. Maar zover is het nog niet. Het systeem mag volgens hem niet gokken: processen en recepturen moeten vaak genoeg zijn voorgekomen voordat betrouwbaar advies mogelijk is. Daarom moeten pilots maanden draaien om voldoende gegevens op te bouwen.
PDI voorspellen
Daarmee verschuift kwaliteitscontrole van achteraf beoordelen naar voorspellen en bijsturen. Dat idee wordt ook buiten de technologiebedrijven onderzocht. In 2025 bekeken onderzoekers in een voerfabriek of de PDI kon worden voorspeld op basis van proces- en productvariabelen. De resultaten laten zien dat zulke gegevens inderdaad bruikbaar zijn om verschillen in pelletduurzaamheid te verklaren en te voorspellen. Daarmee komt de stap van meten naar voorspellende procescontrole dichterbij. Wanneer de PDI bijvoorbeeld begint te dalen, kan NIR tegelijkertijd laten zien of het vocht- of vetgehalte is veranderd. In combinatie met conditioner-temperatuur, stoomtoevoer, persbelasting en koelcondities kan vervolgens worden gezocht naar de oorzaak.
Technisch zijn volgens Bles veel problemen oplosbaar. Sensoren en meetinstallaties zijn echter kostbaar, terwijl de waarde van verbetering niet altijd direct zichtbaar is. Ook moeten de fabrieken tijd en kennis investeren om de data daadwerkelijk te benutten.
Daarom moet een systeem volgens Bles uiteindelijk iets concreets opleveren: een constantere productkwaliteit, een betere grondstofbenutting, minder verspilling, lager energiegebruik, minder uitval of een hogere productie-efficiëntie. Bles koppelt kwaliteit bovendien aan de efficiëntie van de fabriek. Een fabriek kan onder gunstige omstandigheden een zeer hoge productkwaliteit realiseren, maar als daarvoor structureel veel extra energie of capaciteit nodig is, is die instelling niet per definitie optimaal. De beste instelling is die waarbij kwaliteit, energiegebruik en productiecapaciteit in balans zijn.
Sterke businesscase
Huber komt vanuit de NIR-technologie tot dezelfde conclusie. De businesscase wordt volgens hem interessant als de metingen bijdragen aan aspecten als minder grondstofverbruik, minder afwijkende batches of betere vochtbeheersing. “We zien in die situaties dat een terugverdientijd van één tot twee jaar mogelijk is.”
Daar ligt volgens Bles de toekomst van automatische monstername en inline meten. De sensor is dan onderdeel van een systeem met automatische monstername, NIR, PDI, laboratorium- en procesdata. Zo ontstaat een systeem dat steeds beter leert begrijpen hoe de fabriek reageert.
Inline Kempink Tester Ctrl is een machine-learningtoepassing die proces- en kwaliteitsdata uit de fabriek combineert.
Korte uitleg NIR en PDI
Near Infrared Spectroscopy (NIR) analyseert een product door het met nabij-infrarood licht te belichten. Verschillende bestanddelen van het product absorberen bepaalde golflengten van dat licht op een karakteristieke manier. De sensor registreert het resulterende spectrum. Dat spectrum wordt vervolgens met een statistisch of chemometrisch kalibratiemodel vertaald naar eigenschappen zoals vocht, eiwit of vet. Bij inline NIR gebeurt dat rechtstreeks in de productstroom, zonder dat voor iedere meting een monster naar het laboratorium hoeft.
De Pellet Durability Index (PDI) is een maat voor de fysieke duurzaamheid van pellets. De test geeft aan hoe goed een pellet bestand is tegen mechanische belasting en hoeveel fijne fractie daarbij ontstaat. Een hoge PDI betekent dat de pellets tijdens transport en handling relatief goed intact blijven; een lagere waarde wijst op een grotere neiging tot breken en verpulveren.
Van sensordata naar automatische bijsturing
Een bedrijf dat data uit sensoren toepast is KSE. Het bedrijf koppelt de informatie aan besturingssystemen voor voerfabrieken. Volgens processpecialist Lukas Bruijnel wordt die informatie steeds vaker gebruikt om processen automatisch bij te sturen.
Een voorbeeld is het mengen van grondstoffen uit verschillende silo’s met een closed loop-systeem. Wanneer van verschillende partijen graan het vochtgehalte bekend is, kan een systeem berekenen welke hoeveelheden nodig zijn om een gewenst gemiddeld vochtgehalte te krijgen. De meetwaarde wordt teruggekoppeld naar de besturing, waardoor het systeem zichzelf kan bijregelen.
Ook bij de productie van diervoeders wordt sensordata gebruikt. Een NIR-meting in de menger kan bijvoorbeeld het vocht- of eiwitgehalte van een batch bepalen. Op basis daarvan kan het systeem berekenen welke grondstof nog moet worden toegevoegd om de batch op specificatie te brengen. Het aantal praktijktoepassingen van deze technieken is nog beperkt en zitten ook niet in West-Europa. “Technisch kan er veel, maar de rentabiliteit is wel een uitdaging. Bij die laatste toepassing wordt de batch-tijd verdubbeld.”
Hij noemt ook onzekerheid van metingen als remmend op de toepassingen. Bij vochtmetingen kan een variatie van bijvoorbeeld een half procentpunt al normaal zijn. Als de gewenste correctie kleiner is dan de meetonzekerheid, wordt automatisch bijsturen lastig. “Maar als je met de onnauwkeurigheid tevreden bent en het toch voordeel biedt, is het goed.” Volgens Bruijnel moet daarom niet alleen worden gekeken naar de technische nauwkeurigheid van een sensor, maar vooral naar de vraag of de meting voldoende betrouwbaar is voor de beslissing die erop volgt.
Belangrijk is volgens de processpecialist dat de ontwikkeling dat de rol van de operator verschuift. Historische productiedata kan bijvoorbeeld worden gebruikt om te bepalen welke instellingen in het verleden bij een bepaald product tot een goed resultaat leidden. Het systeem kan vervolgens een operator adviseren of die instellingen automatisch aanpassen.
Overigens verbaasd de processpecialist zich erover dat nieuwe slimme cameratechnieken met AI, dus zonder sensoren, nauwelijks van de grond komen. Hij verwacht dat het in de toekomst wel die kant op beweegt.










