|
Bibiliografia
[1] M. Carugati, G. Vestrucci, P. Fava, Rassegna dell’Imballaggio 21 (2001), 30.
[2] M. Suman, C. Ricci, E. Dalcanale, U. Bersellini, Imballaggio 540 (2001), 70.
[3] R. Pinalli, F. Nachtigall, F. Ugozzoli, E. Dalcanale Angew. Chem. Int. Ed. Engl. 1999, 38, 2377.
[4] E. Schaller, J.O. Bosset, F. Escher, Lebensum. Wiss. u Technol., 1998, 31, 305.
[5] E. Dalcanale, M.S. Gardini, M. Allai, La Chimica e l’Industria 81 (1999), 465.
[6] Hubertz C. J., John Wiley e sons, Applied discriminant analysis, 1994, 96-97.
[7] K.L. Goodner , J.G. Dreher, R.L. Rouseft, Sensors and Actuators B 4068 (2001), 1-6.
Bibliography
[1] M. Carugati, G. Vestrucci, P. Fava, Rassegna dell’Imballaggio 21 (2001), 30.
[2] M. Suman, C. Ricci, E. Dalcanale, U. Bersellini, Imballaggio 540 (2001), 70.
[3] R. Pinalli, F. Nachtigall, F. Ugozzoli, E. Dalcanale Angew. Chem. Int. Ed. Engl. 1999, 38, 2377.
[4] E. Schaller, J.O. Bosset, F. Escher, Lebensum. Wiss. u Technol., 1998, 31, 305.
[5] E. Dalcanale, M.S. Gardini, M. Allai, La Chimica e l’Industria 81 (1999), 465.
[6] Hubertz C. J., John Wiley e sons, Applied discriminant analysis, 1994, 96-97.
[7] K.L. Goodner, J.G. Dreher, R.L. Rouseft, Sensors and Actuators B 4068 (2001), 1-6.
|
|
|
|
Impiego del naso elettronico (Sistema Olfattivo Artificiale – SOA) per il riconoscimento del residuo solvente su imballaggi alimentari. Obiettivo: determinarne la qualità, a tutto vantaggio della sicurezza. Ecco i risultati di una sperimentazione condotta nell'ambito di un reale laboratorio di Controllo Qualità: i ricercatori dell’Università di Parma hanno infatti operato in stretta collaborazione con Barilla Alimentare SpA, avvalendosi delle competenze della società di sviluppo ingegneristico elettronico ISE.
M. Suman, C. Ricci, E. Dalcanale, U. Bersellini, L. Sensi
Il problema dell’identificazione e del controllo delle componenti volatili che derivano da processi industriali, inerenti alla produzione e alla commercializzazione dei prodotti alimentari, rappresenta oggi una delle questioni di maggiore interesse per la determinazione della qualità del prodotto finito.
Tra i vari controlli che possono essere eseguiti su di un alimento, sicuramente quelli relativi agli imballi di copertura e di protezione del prodotto dall’ambiente esterno sono essenziali.
Gli imballi utilizzati per i prodotti alimentari sono, in larga parte, multistrati flessibili di frequente stampati e/o verniciati, all’interno dei quali è possibile ritrovare un gran numero di sostanze organiche potenzialmente capaci di sprigionare odori sgradevoli o comunque componenti volatili, come ad esempio residui di monomeri derivanti dai materiali plastici di base, solventi, additivi di inchiostri, vernici di sovrastampa, additivi delle materie plastiche di base (antiossidanti, stabilizzanti termici e radiativi, plastificanti, espandenti...), adesivi e primer di accoppiamento e loro solventi [1].
Un’alternativa alle analisi tradizionali
Le analisi tradizionali eseguite per valutare la qualità di questi imballi sono principalmente due: l’analisi gascromatografica in spazio di testa statico con rivelatore a ionizzazione di fiamma (metodo UNI U59.0B.162.0) e l’analisi sensoriale olfattiva (Normativa UNI 10192).
Entrambe le tecniche contribuiscono alla qualificazione del complesso organolettico di un imballo, ma sono soggette a forti limitazioni.
L’analisi gascromatografica, da un lato, richiede lunghi tempi di analisi, personale addetto con un’adeguata preparazione e la costruzione di una curva di calibrazione con l’inserimento di tutti i solventi che si presume possano essere presenti negli imballi. Dall’altro, l’analisi organolettica impedisce di eseguire controlli quotidiani elevati, poiché si basa sul giudizio di pochi assaggiatori che possono testare un ridotto numero di campioni per seduta (per evitare la saturazione dei recettori olfattivi); inoltre il personale addetto deve essere addestrato e mantenuto in costante allenamento per garantire risposte affidabili.
Attualmente l’analisi olfattiva è svolta con due differenti metodologie (analisi sensoriale in beute e i Test di Robinson).
In questo contesto, il ricorso all’utilizzo di sistemi olfattivi artificiali (SOA) detti anche nasi elettronici [2] è stato incentivato dal grande sviluppo che la tecnologia dei sensori e dei sistemi di elaborazione dati hanno vissuto negli ultimi anni. Il naso elettronico è uno strumento formato da un array di sensori con parziale specificità e un appropriato sistema di trattamento dati, in grado di caratterizzare e riconoscere odori semplici e complessi giungendo così a valutazioni comparabili a quelle umane. Le principali procedure statistiche impiegate per l’elaborazione dei dati sono le seguenti: analisi delle componenti principali (PCA) e analisi discriminante (DFA).
I vantaggi del SOA rispetto alle tecniche descritte in precedenza si possono riassumere nei seguenti punti:
• tempi di risposta ridotti e quindi possibilità di maggiore campionamento su di uno stesso lotto;
• possibilità di lavorare in continuo per molte ore (sperimentalmente si è osservato che più lo strumento lavora, migliori sono i risultati);
• assenza di pretrattamenti dei campioni prima dell’analisi;
• risultati espressi in maniera semplice, sintetica e facilmente interpretabile da un utilizzatore anche inesperto.
Attualmente le maggiori difficoltà riscontrate nella messa a punto di un SOA sono relative alla possibilità di garantire un'adeguata sensibilità e selettività, nonché la ripetibilità e riproducibilità delle misure.
L’ottimizzazione di questi parametri dipende essenzialmente dalla tipologia di sensori adottati, di cui attualmente sono in commercio quattro diverse tipologie:
- Sensori MOS (Metal Oxide Semiconductors) - Sono costituiti da una lamina ceramica riscaldata internamente da una resistenza elettrica, ricoperta in superficie da uno strato di film di ossidi semiconduttori. Il principio di funzionamento si basa su una diminuzione della resistenza elettrica causata dall’ossidazione superficiale degli analiti.
- Sensori CP (Conductive Polymers) - Sono polimeri a struttura coniugata opportunamente drogati. La conducibilità intrinseca del polimero è modificata sia dall’interazione degli analiti con le cariche che da effetti di rigonfiamento (swelling).
- Sensori PCS (Polymer Composite Conductors) - Si ottengono per miscelazione di grafite con polimeri non conduttori: il rigonfiamento della matrice polimerica generato dagli analiti induce una diminuzione della conducibilità, correlabile al coefficiente di partizione tra la fase gas e il polimero.
- Sensori QCM (Quartz Crystal Microbalance) - Sono costituiti da cristalli piezoelettrici di quarzo ricoperti da una matrice in grado di dare interazioni specifiche con gli analiti. Il loro funzionamento si basa sulla diminuzione della frequenza d’oscillazione dei cristalli in funzione dell’aumento di massa del materiale dovuto all’interazione temporanea degli analiti con la matrice.
Obiettivi del lavoro
I ricercatori hanno inteso mettere a punto un naso elettronico, per valutare oggettivamente e rapidamente la qualità degli imballi alimentari e quindi la loro idoneità organolettica al confezionamento degli alimenti. A questo scopo sono stati considerati i tipi di imballo generalmente utilizzati nel confezionamento alimentare, per comodità suddivisi in classi:
- classe A (CA + PP metallizzato);
- classe B (CA + ALL + PE);
- classe F (PP + PP metallizzato);
- classe H (poliestere metallizzato + PP);
- classe E (PP + PP);
- classe D (PP);
- classe M (PE).
Molte le problematiche affrontate durante la sperimentazione, fra cui:
- la costruzione di una o, quando necessario, più banche dati, in modo da discriminare gli imballi considerati buoni da quelli considerati non idonei;
- la valutazione della ripetibilità delle misure nel tempo, mediante una corretta procedura di campionamento, e la loro riproducibilità, procedendo all’aggiornamento delle banche dati per mantenere sotto stretto controllo l’eventuale deriva dei segnali dei sensori (il cosiddetto “drift”) e poter così disporre sempre di informazioni attendibili e di utilizzo immediato. [4]
Per quanto riguarda la costruzione delle banche dati dei diversi materiali è stato necessario analizzare in modo alternato e con ordine casuale imballi buoni e imballi cattivi. Non avendo a disposizione un numero sufficiente di campioni cattivi, è stata appositamente messa a punto una metodica, che prevede il drogaggio artificiale di imballi buoni mediante l’utilizzo di alcuni solventi, che generalmente creano problemi in questo settore. Non sono stati considerati tutti i solventi, ma solo alcuni (tabella 1) considerati rappresentativi di classi con soglie limite di impatto organolettico differenti.
Sono stati considerati cattivi i campioni che superavano il valore limite del 50%.
Le fasi del procedimento
La messa a punto delle condizioni operative è fondamentale, perché solo ottimizzando i diversi parametri, è possibile ottenere una risposta significativa e un contemporaneo rapido desorbimento delle sostanze dalla superficie dei sensori, in modo da ridurre al minimo i tempi di analisi (circa 400 secondi nel presente caso). Questa fase spesso richiede tempi più lunghi della reale acquisizione dei dati, ma è di essenziale importanza per ottenere dei risultati affidabili. Di seguito evidenziamo i parametri controllati e ottimizzati.
Sensori utilizzati - Tra i sensori attualmente in commercio, si è optato per l’utilizzo dei MOS, in quanto hanno elevata sensibilità (nei casi migliori dell’ordine delle centinaia di ppb, valore soglia sicuramente inferiore a quello delle altre tecnologie) e lunga durata nel tempo. All’interno della categoria dei sensori a ossidi semiconduttori, sono state fatte prove sia con sensori Figaro (sensori di tipo “p”, semiconduttori accettori), che con sensori Capteur (sensori di tipo “n”, semiconduttori donatori), ma si è preferito utilizzare la prima tipologia in quanto più robusti e stabili nel tempo.
Umidità del gas di trasporto - Gli imballi hanno bassissime percentuali di acqua, per cui è meglio utilizzare aria cromatografica secca e controllare costantemente il valore effettivo di umidità (operazione resa possibile da un sensore apposito posizionato nella camera dei sensori), perché alti valori deprimerebbero inutilmente la risposta [5].
Chiusura e volume della fiala - Dopo aver fatto diverse prove, sono state utilizzate fiale da 20 ml con chiusura con setti teflonati e ghiere in alluminio.
Quantità di imballo - Anche in questo caso sono stati sperimentati diversi quantitativi, e si è scelto di utilizzare 50 cm2.
Trattamento del campione prima dell’analisi - In seguito a diverse prove, il riscaldamento del campione è risultato fondamentale per la generazione dello spazio di testa; il trattamento è stato ottimizzato a 60 °C per un minimo di 10 minuti.
Numero minimo di analisi richieste - Diversi studi statistici sono disponibili in letteratura [6, 7] per valutare correttamente quest’aspetto. Nelle condizioni presenti in questo caso, è possibile perciò calcolare un numero di analisi necessarie per costruire una banca dati che va da un minimo di 108 a un massimo di 360 [il valore è stato ottenuto mediante il seguente calcolo: N (parametro fisso dipendente dall’approccio statistico impiegato e solitamente compreso tra 3 e 10) x (numero di sensori) x (numero di parametri delle curve di acquisizione scelti per l’elaborazione dei dati) x (numero di gruppi da discriminare)].
Preparazione dei campioni drogati con solventi - Per simulare una condizione di drogaggio di campioni considerati buoni è stata messa a punto una procedura che prevede l’introduzione in vasi da 1 litro di 32 provini di imballo da 50 cm2, ognuno dei quali è stato prelevato dalle zone di massima coprenza di stampa. All’interno del coperchio del vaso viene inserito un disco di carta da filtro sul quale si inietta un quantitativo noto di solvente. I vasi vengono termostatati a temperature note per tempi prefissati, e poi vengono lasciati condizionare a temperatura ambiente per diverse ore. Dopo questo trattamento ogni singolo provino di imballo viene infialato in fiale da 20 ml: 30 provini saranno sottoposti al giudizio del naso elettronico e 2 saranno analizzati in gascromatografia.
Risultati della sperimentazione con naso elettronico
Valutazione della qualità degli imballi
Inizialmente sono state considerate tutte le classi di imballo, considerando per ognuna due tipologie di campioni, buoni e cattivi. I risultati ottenuti sono mostrati in figura 1. Il naso elettronico non è riuscito a discriminare simultaneamente la qualità di tutte le classi, in quanto le aree rappresentanti i campioni buoni per alcuni imballi si sovrappongono alle aree rappresentanti i campioni drogati per altre classi. Si è reso quindi indispensabile considerare singolarmente le diverse tipologie di materiali e solo successivamente provare a raggruppare alcune classi tra di loro.
Durante questa prima fase si è notato, inoltre, che i campioni drogati con solventi a soglia limite alta (acetato di etile e cicloesano) si separano perfettamente dai campioni buoni, indipendentemente dalle tipologie dell’imballo, per cui le analisi successive si sono concentrate solo su imballi drogati con solventi a soglia limite media (acetilacetone e metossipropanolo) e bassa (toluene e metossipropilacetato), passaggio utile anche per testare il limite inferiore di sensibilità dello strumento.
Banca dati per l’imballo: CA + PP metallizzato (classe A)
Sono stati ottenuti risultati positivi, in quanto il naso elettronico è riuscito a discriminare i campioni buoni da quelli cattivi, indipendentemente dal tipo di solvente utilizzato come drogante.
Osservando in modo più approfondito i risultati, ci si è accorti che il naso non è riuscito a discriminare i campioni drogati con metossipropanolo da quelli drogati con metossipropilacetato.
Tuttavia ciò non inficia il conseguimento dello scopo prefisso, ovvero quello di separare gli imballi buoni da quelli cattivi, indipendentemente dal tipo di drogante utilizzato (figura 2).
Banca dati per l’imballo:
CA + ALL + PE (classe B)
Anche per questa classe non si sono manifestate difficoltà e i campioni buoni si sono separati nettamente da quelli cattivi, considerando contemporaneamente tutti i solventi utilizzati per il drogaggio. All’interno dell’area relativa ai campioni cattivi, si è evidenziata anche questa volta una sovrapposizione tra l’area degli imballi drogati con acetilacetone, metossipropilacetato e metossipropanolo.
Sulla base dei risultati ottenuti per le due tipologie di imballo (A e B) contenenti entrambe la carta, si è provato ad aggregare le banche dati costruite; come mostra la figura 3 si è ottenuta una perfetta separazione dei campioni buoni da quelli cattivi, per cui è possibile considerare i due imballi contemporaneamente, riducendo il numero complessivo di analisi necessarie per creare la banca dati.
Banca dati per l’imballo: PP + PP metallizzato (classe F) e poliestere metallizzato + PP (classe H)
Le due classi di imballo sono state considerate separatamente, ottenendo delle buone discriminazioni per entrambe le categorie: sono stati completamente separati gli imballi buoni da quelli cattivi e inoltre tra le aree dei campioni drogati non si sono avute sovrapposizioni. Sulla base di questi risultati si è provato a considerare contemporaneamente le due banche dati, ottenendo una perfetta separazione tra gli imballi buoni e quelli drogati (figura 4) e, inoltre, i campioni drogati con gli stessi solventi si sono posizionati nella stessa zona, indipendentemente dal materiale.
Banca dati per l’imballo: PP + PP (classe E)
Questo materiale è stato utilizzato per il controllo del drift dei sensori durante la costruzione di tutte le banche dati per tutte le tipologie di imballi, per cui è stato raggiunto un numero di analisi pari a circa 500, valore decisamente superiore a quello realmente necessario.
Questo ha portato a una sovrapposizione delle zone di classificazione tra i campioni buoni e quelli drogati, condizione che cambia completamente se il numero totale di analisi viene ridotto.
Da queste prove si è potuto riscontrare che, nelle nostre condizioni di analisi, il numero ottimale di dati da utilizzare per istruire lo strumento non può essere “infinito”: risulta invece necessario mantenersi complessivamente al di sotto delle 250 analisi. Come evidenziato infine in figura 5, il drift è quasi nullo, in quanto le 28 aree rappresentanti i singoli giorni di analisi sono ben sovrapposte, nonostante sia intercorso quasi un mese tra l’inizio e la fine delle prove.
Banca dati per l’imballo: PP (classe D)
Si è continuata l’analisi dei vari imballaggi con questa tipologia di materiale e si sono ottenuti dei risultati ottimali con una perfetta separazione degli imballi buoni da quelli drogati. Si sono fatte svariate prove per cercare di addizionare questa banca dati con quella appartenente ad altre classi di imballi (ad esempio le classi A e B oppure F ed H), ma ciò non è stato possibile, per cui questa classe deve essere considerata singolarmente. In effetti le classi A e B risultano profondamente diverse a causa della matrice cartacea presente; inoltre anche il comportamento delle classi F ed H (seppure entrambe a matrice plastica) è probabilmente molto diverso in termini di rilascio di componenti volatili a causa del fatto che in esse la stampa non è diretta ma a “sandwich” fra i due strati di materiale tenuti assieme anche da adesivi di accoppiamento.
Banca dati per l’imballo: PE (classe M)
Questo materiale è stato l’unico a creare problemi, in quanto il naso elettronico non è riuscito a discriminare gli imballi buoni da quelli drogati con metossipropanolo e metossipropilacetato. L’interpretazione di questo fenomeno è legata a molteplici aspetti, tra cui la tecnologia di stampa (flessografica e non rotocalco come nelle classi precedenti) e le conseguenti condizioni operative e tipi di inchiostri e solventi impiegati, tra cui in larga parte proprio lo stesso metossipropanolo con funzione di ritardante di stampa; in secondo luogo la natura chimica stessa del film in polietilene profondamente diversa (in termini di cristallinità del materiale, presenza di oligomeri residui, ecc.) dagli altri materiali per imballaggio presi in considerazione in questo lavoro. Sono state in ogni caso ampliate le analisi su questo materiale, con lo scopo di evidenziare se i due solventi in questione fossero gli unici a creare problemi; a questo scopo gli imballi sono stati drogati con tutti i solventi che vengono normalmente monitorati nelle analisi di HS-GC. I risultati sono stati complessivamente positivi, perché con l’eccezione dei solventi prima citati, non si sono avute altre sovrapposizioni.
Gli step di apprendimento del SOA
Riuscita la costruzione di banche dati per tutte le tipologie di imballo in questione e la dimostrazione della stabilità del sistema nel tempo, i ricercatori hanno quindi provato a simulare l’attività di un laboratorio controllo qualità, che riceve giornalmente alcuni campioni incogniti e, avendo bisogno di una rapida valutazione dell’imballo, li fa analizzare al “naso strumento” come tali.
Lo scopo di questo lavoro era essenzialmente quello di mettere il SOA di fronte a una situazione reale e non simulata, come quella utilizzata per la costruzione delle banche dati. Sono stati quindi impiegati imballi provenienti da diversi lotti settimanali di consegna e destinati a diversi tipi di prodotti. Gli imballi sono stati analizzati preventivamente in HS-GC in modo da conoscere con certezza la qualità dei materiali che venivano sottoposti al giudizio del naso elettronico, per poter così controllare il giudizio emesso dallo strumento stesso.
Prima settimana
Il SOA è riuscito a riconoscere correttamente tutti gli imballi appartenenti alle classi E e D, mentre ha commesso parecchi errori per gli imballi appartenenti alla classe “A” analizzati con la banca dati A + B (tabella 2) e “F” analizzati con la banca dati F + H (tabella 3). Gli errori commessi sono di due tipi:
- errata identificazione della qualità (evidenziati in rosso);
- errato riconoscimento del drogante (evidenziati in giallo).
I riconoscimenti che si possono considerare errati in realtà sono solo i primi, perché, come già osservato in precedenza, l’importante è definire la qualità dell’imballo e non il tipo di solvente in eccesso. Gli imballi inseriti come incogniti e riconosciuti correttamente sono perciò stati aggiunti alla banca dati, per sottoporla a un aggiornamento di informazioni. Successivamente sono stati rianalizzati gli imballi riconosciuti in precedenza in modo errato: gli errori commessi sono diminuiti notevolmente, ma ancora il riconoscimento non si può ritenere del tutto affidabile, in quanto non è completo (tabelle 4 e 5).
Seconda settimana
Sono state fatte le stesse prove eseguite durante la prima settimana ma con imballi e lotti differenti appartenenti alle classi “A”, “F” e “D”. Dopo il secondo aggiornamento, la percentuale di campioni errati è diminuita, ma comunque sono stati commessi alcuni errori di identificazione della qualità.
Terza settimana
Sono state fatte le stesse prove eseguite durante settimane precedenti, ma con imballi e lotti differenti appartenenti alle classi “A”, “F” e “D”. Il riconoscimento è stato corretto al 100% già dalla prima “fiutata” dei campioni, per cui non si è dovuto ricorrere a un doppio giudizio sugli stessi incogniti. Da questo si può senza dubbio dedurre che l’aggiornamento delle banche dati è stato completato e, di conseguenza, il naso ISE così istruito è in grado di essere utilizzato come valutatore rapido e preciso nel controllo qualità degli imballi.
L’interfaccia software
Dai risultati ottenuti sono emersi aspetti molto importanti, che hanno permesso di procedere nella sperimentazione, con l’obiettivo di introdurre il naso elettronico messo a punto da ISE nel laboratorio di controllo qualità di un grande produttore (Barilla Alimentare). Il passo successivo è stato quindi di ottimizzare il programma di acquisizione ed elaborazione dati, in modo da configurare un’interfaccia facilmente utilizzabile anche da un utente inesperto, ma che contemporaneamente lasciasse spazio a un utente più esperto per ampliarne l’applicabilità. A questo scopo il programma è stato suddiviso in due moduli, come descritto nel seguito.
• Modulo utente inesperto - L’utente ha il compito di utilizzare il naso elettronico ISE solo per eseguire il controllo qualità degli imballi; quindi deve semplicemente preparare i campioni e compilare una tabella con l’ordine di acquisizione. Non è necessario conoscere la classe di imballo da analizzare, perché l’utente deve solo selezionare il prodotto che sarà protetto dall’imballo da controllare e automaticamente, il sistema lo associerà con la classe corrispondente nella banca dati dinamica. Il giudizio del SOA su campioni di imballo incogniti da valutare è facilmente interpretabile, in quanto consiste in un’icona paragonabile a un semaforo:
- verde = imballo buono;
- giallo = il campione incognito si posiziona in una zona intermedia tra quella occupata dai campioni buoni e quella occupata dai campioni drogati (cattivi), oppure la risposta emessa è molto diversa da quelle memorizzate. È necessario approfondire le analisi;
- rosso = imballo con eccesso di solventi residui (cattivo).
Dalla figura 6 si può inoltre notare che l’utente se vuole, può andare a controllare dove si posiziona il campione incognito (di colore nero), rispetto agli insiemi dei campioni (buoni di colore verde e cattivi di colore rosso) più recenti, presenti nella banca dati dinamica del sistema. Il confronto avviene automaticamente con la classe di imballo corrispondente al campione incognito.
Nella colonna Dettagli (figura 6) sono riportati i risultati del riconoscimento per ogni campione incognito analizzato.
• Modulo supervisore - Se necessario l’utente ha la possibilità di aggiungere (o togliere) tipologie di imballo e/o di prodotto, oppure classi. Può, inoltre mettere a punto nuove metodologie di acquisizione e predisporre il naso elettronico per la costruzione di nuove banche dati, controllando quali e quanti campioni ne faranno parte. Il modulo in oggetto permette all’utente qualificato, di controllare tutti i dettagli della banca dati e la sua evoluzione nel tempo (figura 7).
In conclusione
Nel recente passato i SOA sono stati proposti sul mercato come strumenti versatili in grado di risolvere rapidamente i problemi di rilevamento di odori più svariati e complessi; ben presto gli utenti hanno dovuto ricredersi sulle “illimitate” potenzialità applicative di tali strumenti dichiarate dai produttori. La realtà odierna comunque risulta estremamente interessante: se lo strumento viene tarato di volta in volta su una singola applicazione mirata, in termini di scelta dei sensori, condizioni operative e di campionamento, dimensioni e mantenimento delle banche dati di riferimento, esso si rivela vincente. Il lavoro di ricerca e di sperimentazione condotto a Parma ha confermato queste premesse, consentendo inoltre di evidenziare ciò che deve essere tenuto in considerazione per l’introduzione di un SOA in un laboratorio controllo qualità imballaggi.
In particolare si è riscontrato che:
• i sensori MOS utilizzati hanno dimostrato elevata affidabilità nella risposte emesse. Se a ciò si affianca la loro economicità, risultano la scelta ottimale per il SOA;
• la discriminazione tra imballi buoni e cattivi ha dato buoni risultati e ha consentito anche il raggruppamento di alcune classi di imballi, per cui, evidentemente il SOA riesce a percepire non solo differenze di qualità, ma anche la tipologia del materiale di base;
• uno dei limiti che ha sempre contraddistinto questi sistemi è sicuramente il drift dei sensori, che ha fortemente condizionato la riproducibilità delle misure e la validità temporale delle banche dati. Grazie al costante aggiornamento delle banche dati, è stato invece possibile mantenere sotto stretto controllo questo aspetto. Dato che il SOA è predisposto per sfruttare in modo “intelligente” i campioni incogniti, questi, una volta riconosciuti, possono essere inseriti nella banca dati della classe appropriata, costituita dalle misure necessarie più recenti. In questo modo la banca dati è sempre aggiornata e l’eventuale drift dei sensori può essere compensato con l’aggiunta di nuova informazione;
• per rendere facilmente utilizzabile uno strumento che in apparenza può sembrare complicato, è stata ottimizzata anche la gestione del software, rendendola idonea sia a un operatore inesperto sia a un supervisore che svolga una funzione gestionale.
L’ottimizzazione di tutti questi aspetti ha consentito di trasferire realmente il naso elettronico ISE in un laboratorio controllo qualità, dove risulta attualmente operativo. Dopo un periodo di confronto con le risposte emesse dalle analisi gascromatografiche, viene ora utilizzato come primo valutatore della qualità degli imballi, limitando il numero d’analisi gascromatografiche ai soli campioni che vengono segnalati come incerti (semaforo giallo) o come cattivi (semaforo rosso), perché solo in questo caso interessa conoscere il motivo del giudizio emesso dal SOA.
Michele Suman, Carlotta Ricci, Enrico Dalcanale
Dipartimento di Chimica Organica ed Industriale, Università di Parma, INSTM UdR Parma
([email protected])
Ugo Bersellini
Laboratori Centrali, Barilla Alimentare SpA (PR) ([email protected])
Luca Sensi
Ricerca e Sviluppo, ISE - Ingegneria dei Sistemi Elettronici Srl, Vecchiano (PI)
([email protected])
|
 |
AOS: from study to quality control
Use of the electronic nose (Artificial Olfactive System - AOS) for recognising residual solvents on food packaging. Objective: determine quality, all to the advantage of safety. Here are the results of an experiment actually carried out in a Quality Control lab: the research workers of the University of Parma in fact worked in close cooperation with Barilla Alimentare SpA, availing themselves of the skills and knowhow of the company ISE, which is involved in the development of electronic engineering.
M. Suman, C. Ricci, E. Dalcanale, U. Bersellini, L. Sensi
The problem of the identification and control of volatile components deriving from industrial processes involving the production and trade of food products, stands today as one of the questions of greatest interest for determining the quality of the final product.
Among the various controls that can be carried out on a food product, those regarding the packaging covering and offering protection to the product are deemed essential.
The packaging used for food products is for the most, flexible multilayer, often printed and/or coated, and can contain numerous organic substances potentially capable of releasing unpleasant odours or at any rate volatile components, as for example residue of monomers from the basic materials that go to make up plastics, solvents, inks, additives, overprinting lacquers, additives from basic plastics (antioxidants, radiative and thermal stabilizers, plastifiers, expanders...), adhesives, and primers for bonding and their solvents [1].
An alternative to traditional analyses
Two main types of analyses are traditionally carried out to rate the quality of these packaging items: the gaschromatological analysis in static head spaces with flame ionization indicator (method UNI U59.0B.162.0) and olfactive sensory analysis (UNI standard 10192).
Both techniques contribute to qualifying the organoleptic complexity of a packaging item, though both are subject to strong limitations.
On the one hand gaschromatological analysis requires long analysis times, personnel with an adequate preparation and the construction of a calibration curve including all the solvents that one presumes might be present in the packaging. Against that organoleptic analyses impede the carrying out of a high number of controls, because they are based on the judgement of a small number of tasters that can only test a small number of samples per sitting (to avoid the saturation of their olfactive receptors); as well as that personnel has to be trained and kept in constant training in order to guarantee reliable responses.
Currently olfactive analyses are carried out with two different methodologies ("closed flasks" sensorial analyses and the Robinson Tests).
In this context, the resorting to the use of artificial olfactive systems (AOS), also called the electronic nose [2], has been incentivated by the outstanding developments which sensor technology and data processing systems have undergone over the years. The electronic nose is a tool made up of an array of sensors with partial specificity and suitable data processing system, capable of characterising and recognising simple and complex odours, thus reaching ratings that are comparable to human ratings. The main statistical procedures used for processing data are the following: principle component analyses (PCA) and discriminant analysis (DFA).
The advantages of the AOS compared to the techniques described precedingly can be summed up as follows:
• reduced response times and hence possibility of a greater sampling on the same lot;
• possibility of working continuously for many hours (experimentally it has been observed that the more the tool works, the better the results are);
• absence of pretreatment of the samples before the analysis;
• results expressed in a simple, synthetic and easily interpretable manner even by an inexpert user.
Currently the greatest difficulties seen in setting up an AOS lie in the possibility of guaranteeing an adequate sensitivity and selectivity, as well as repeatability and reproducibility of the measures.
The optimisation of these parameters depends essentially on the type of sensors adopted, some four different types are currently on the market:
- MOS sensors (Metal Oxide Semiconductor)- are made of a ceramic sheet heated internally by an electrical resistance, covered on its surface by a layer of film of oxide semiconductors. The principal by which it functions is based on a lowering of the electrical resistance caused by the surface oxidisation of the analites.
- CP sensors (Conductive Polymer) - Are conjugated structure polymers suitably drugged. The intrinsic conductivity of the polymers is modified both by the interaction of the analites with the charges and by swelling effects.
- PCS sensors (Polymer Composite Conductor) - Are obtained by a mixture of graphites with non conductive polymers: the swelling of the polymer matrix generated by the analites leads to a reduction of conductivity, that can be correlated to the partition coefficient between the gas and the polymer phase.
- QCM sensors (Quartz Crystal Microbalance) - These are made up of quartz piezoelectrical crystal covered by a matrix capable of giving specific interaction with the analites. Their functioning is based on the reduction of the oscillation frequency of the crystal in relation to the increase in mass of the material due to the temporary interaction of the analites with the matrix.
Work objectives
The researchers have agreed to design an electronic nose, in order to objectively and rapidly rate the quality of the food packaging and hence the organoleptic suitability of the same for packaging food. To this purpose the type of packaging generally used in food packaging has been considered divided into classes for convenience sake:
- class A (CA + PP metalized);
- class B (CA + ALL + PE);
- class F (PP + PP metalized);
- class H (polyester metalized + PP);
- class E (PP + PP);
- class D (PP);
- class M (PE).
Many problems were faced during the experimentation, among which:
- the construction of one or, when necessary, more than one databank, so as to be able to discriminate packaging considered good from that considered unsuitable;
- the rating the repeatability of the measures in time, by way of a correct sampling procedure, and their reproducibility, proceeding to updating the databanks in order to keep a close control on any possible drift of the sensor signals and so as to always have a reliable information that can be used immediately [4].
As far as the construction of the databanks of the different materials is concerned the alternate and haphazard analysis on good and bad packaging was deemed necessary. Not having a sufficient amount of bad packaging available, a method was devised, that provides for the artificial drugging of good packaging by way of artificial solvents that generally create problems in this sector. Not all solvents were considered, only some (table 1) considered representative of classes with different threshold limits of organoleptic impact.
Samples beyond the 50% retention limit were considered bad.
The phases of the procedure
The devising of the working conditions are fundamental, because only by optimizing the different parameters, can a significant response and at the same time a rapid desorption of the substances from the surfaces of the sensors be obtained, so as to reduce the analyses times down to a minimum (around 400 seconds in the present case). This phase often requires times longer than the actual data acquisition times, but it is essentially important in order to obtain reliable results. Below we highlight the parameters controlled and optimised.
Sensors used - Among the sensors currently on the market, the option fell on the MOS, inasmuch as they have a high sensitivity (in the best cases some hundreds of ppb, a threshold values well below those of other technologies) and last longer in time. Within the categories of oxide semiconductor sensors, tests were made both with Figaro sensors (“p” type sensors, acceptor semiconductors) and with Capteur sensors (“n” type sensors, donator semiconductors), but the first type were preferred inasmuch as being sturdier and offering greater longterm stability.
Humidity of transport gas - The packaging items have low percentages of water, hence it is better to use dry chromatographic air and constantly check the actual humidity rating (operation made possible by a special sensor positioned in the sensor chambers), because high values would lower and thus falsify the reading [5].
Closure and volume of the vial - After having carried out various tests, 20 ml vials with teflonated diaphragms and aluminium ferrules were used.
Quantity of packaging - Also in this case different quantities were experimented with, a 50 cm2 being chosen.
Treatment of the sample prior to use - Following on from different tests, the heating of the sample was seen to be fundamental for generating the head space; the treatment was optimised at 60 °C for a minimum of 10 minutes.
Minimum number of analyses required - Different statistical studies are available in literature [6, 7] to rate this aspect correctly. In the conditions present in this case, one can thus calculate a number of analyses necessary to construct a databank that goes from a minimum of 108 to a maximum of 360 [the figure was attained by way of the following calculation: N (set parameter depending on the statistical approach used and normally between 3 and 10) x (number of sensors) x (number of parameters of the acquisition curves chosen for data processing) x (number of groups to be discriminated)].
Preparation of samples drugged with solvents - To simulate a condition of drugging of samples deemed “good” a procedure was devised that lays down the introduction of 32 packaging samples of 50 cm2 in 1 litre jars, each sample having been taken from the area of maximum coverage of print. Inside the cover of the jar a disk of filter paper is inserted onto which a known quantity of solvent is injected. The jars are thermostated at known temperatures for set times, and they are then left to condition at room temperature for a number of hours. After this treatment the single packaging sample is placed into 20 ml phials: 30 samples are subjected to the judgement of the electronic nose and 2 analysed using gaschromatography.
Results of the experiment with the electronic nose
Rating the quality of the packaging
Initially all classes of packaging were considered, considering two sample types, “good” and “bad”, for each. The results obtained are shown in figure 1. The electronic nose was not able to discriminate the quality of all classes simultaneously, inasmuch as the areas representing the good samples for some packaging items overlap the areas represented by the drugged samples for other classes. Hence it indispensable to singularly consider the different types of materials and only after that try and group given classes together.
During this first phase it was noted that samples drugged with solvents with a high threshold limit (ethyl acetate and ciclohexane) separate perfectly from the good samples, never mind the type of packaging, hence the analyses following that concentrated only on the packaging drugged with solvents with a medium (acetylacetone and metoxipropanol) and low threshold limit (toluene and metoxipropylacetate), also offering a useful stage for testing the lower sensitivity limits of the instrument.
Databanks for packaging:
CA + metalized PP (class A)
Positive results were obtained, inasmuch as the electronic nose managed to discriminate the good samples from the bad ones, never mind the type of solvent used to drug the same. Taking a more detailed look at the results, it can be noticed that the nose was not able to discriminate the samples drugged with metoxipropanol from those drugged with metoxipropylacetate. All the same the set purpose of separating the good from the bad packaging, never mind the type of drug used (figure 2), was attained.
Databank for CA +ALL + PE
(class B) packaging
For this class too no difficulties arose and the good samples were clearly separated from the bad ones, this while covering all the solvents used in the drugging operation.
Within the area of bad samples here too an overlapping between the packaging drugged with acetylacetone, metoxipropilacetate and metoxipropanol was registered. On the basis of results obtained for the two types of packaging (A and B) both containing paper, a test was made uniting the databanks constructed; as figure 3 shows a perfect separation of the good samples from the bad samples was obtained, hence the two packaging items can be rated simultaneously, reducing the overall number of analyses needed to create the databank.
Databank for packaging:
metalized PP + PP(class F) and metalized polyester +PP (class H)
The two packaging classes were considered separately, obtaining good discrimination for both categories: the good packaging was completely separated from the bad and as well as that there was no overlapping between the areas of the drugged samples. On the basis of these results the two databanks were considered simultaneously, a perfect separation between the good ones and the drugged ones (figure 4) being obtained. On top of that, the samples drugged with the same solvents were positioned in the same area, this irrespective of the material involved.
Databank for packaging:
PP + PP (class E)
This material was used to control the sensor drift during the construction of all the databanks for all the packaging types, for which around 500 tests were carried out, a figure decidedly above that really necessary.
This has led to an overlapping of the areas of classification between good samples and drugged ones, condition that changes completely if the total number of analyses is reduced. These tests showed that, in our conditions of analysis, the optimum number of data to be used to instruct the tool cannot be “infinite”: the need to keep the total number of analyses under 250 emerges. As shown in figure 5, the drift is virtually zero, inasmuch as the 28 area representing the single days of analyses correspond, despite the fact that nearly a month has gone by between the beginning and the end of the tests.
Databank for packaging:
PP (class D)
The analysis of the various packaging of this type of material was continued and optimum results were obtained with a perfect separation of the good packaging from the drugged ones. Various tests were made to try and add this databank to that belonging to other classes of packaging (for example class A and B or F and H), but this was not possible, thus this class has to be considered singly. In actual fact classes A and B are profoundly different due to the paper matrix present; as well as that also the performance of classes F and H (even if both with a plastic matrix) is probably very different in terms of volatile components released due to the fact that with them the printing is not direct but “sandwiched” between the two layers of materials also held together by bonding glues.
Databank for packaging:
PE (class M)
This material was the sole one that created problems, inasmuch as the electronic nose was not able to discriminate between the good packaging and that drugged with metoxipropanol and metoxipropylacetate. The interpretation of this phenomena is linked to many aspects, among which the print technology (flexographic and not rotogravure as in the preceding classes) and the consequent working conditions and the types of inks and solvents used, among which the selfsame metoxipropanol with functions of print/mould retardant; secondly, the very chemical nature of the polyethylene film in itself different (in terms of the crystalline nature of the material, presence of oligomeric residue ecc.) from the other packaging materials considered in this study. In any case the analyses on this material has been extended, with the purpose of showing whether the two solvents in question were the only ones to create problems; to this purpose the packaging items were drugged with all the solvents normally monitored in the HS-GC analyses.
The results were positive overall, because with the exception of the solvents cited previously, there were no other overlapping.
Steps regarding appraisal of AOS
The construction of databanks for all the types of packaging in question having been attained, along with the demonstration of the stability of the system in time, the researchers then went on to try and simulate the activity of a quality control laboratory, that receives unknown samples on a daily basis and, having to rapidly rate the packaging items, they have them analysed by the “nose instrument”.
The purpose of this operation was essentially that of placing the AOS in front of a real, non simulated situation, like that used for the construction of the databank. Hence packaging from different weekly delivery lots destined for use with different types of products was used. The packaging was analysed beforehand in HS-GC so as to ascertain the quality of the material that are submitted to the judgement of the electronic nose, to be able to thus control the judgement issued by the selfsame instrument.
First week
The AOS managed to correctly recognise all the packaging belonging to class E and D, while it made a lot of mistakes regarding packaging belonging to class “A” analysed with the A+B databanks (table 2) and “F” analysed with databank F +H (table 3) . The mistakes made were of two types:
- erroneous identification of the quality (marked in red);
- erroneous recognition of drugging substance (marked in yellow).
Though in actual fact only the first readings are to be considered erroneous, because, as observed beforehand, what is important is defining the quality of the packaging and not the type of solvent in excess. Hence the packaging inserted as unknown and correctly recognised have been added to the databank, constituting an update to the same. Following on from that the packaging wrongly recognised beforehand was reanalysed: the errors committed diminished notably, but still the recognition cannot be retained totally reliable, inasmuch as it is not complete (table 4 and 5).
Second week
The same tests carried out during the first week were carried out but with different packaging items and lots belonging to classes “A”, “F” and “D”. After the second update, the percentage of erroneous samples dropped, but all the same some errors as regards identification of quality were made.
Third week
The same tests made the preceding week were carried out, but with different packaging and lots belonging to classes “A”, “F” and “D”. Recognition was 100% correct right from the first “sniff” of the samples, hence a double judgment on the same unknown items was not necessary. From this one can without doubt deduce that the update of the databank is complete and consequently, the ISE nose instructed as such can be used as a rapid and precise mode of rating in the quality control of packaging.
Software interface
From the results obtained some important aspects emerged, that have enabled procedure to the experimentation stage, with the objective of introducing the electronic nose devised by ISE in the quality control labs of a largescale producer (the Barilla Alimentare). The step following on from that was hence to optimise the data acquisition and processing program, so as to configure the interface to make it easy to use even by a non expert user, but that at the same time leaves space for a more expert user to broaden the applicability of the same. To this purpose the program was divided up into two modules, as described as follows.
• Non expert user module - The user has the task of using the ISE electronic nose for only carrying out the quality control of packaging; hence he/she has to simply prepare the samples and compile a table with the order of data acquisition. It is not necessary to know the class of packaging to be analysed, because the user has to only select that product that will be protected by the packaging to be controlled and automatically the system will associate it with the corresponding class in the dynamic databank. The AOS judgement on unknown packaging samples to be rated is easy to interpret, inasmuch as it consists of an icon that can be compared to a traffic lights:
- green = good packaging
- yellow = the unknown sample is placed in an intermediate area between that of good samples and drugged (bad) samples, or otherwise, or the response emitted is very different from that memorised. The analysis should be continued
- red = packaging with excess of residual solvents (bad).
From figure 6 you can also note that the user, if he/she wishes, can go and check the positioning of the unknown sample (black in color), compared to all the most recent samples (good = green; bad = red), present in the system’s dynamic databank. The comparison occurs automatically with the packaging class corresponding to the unknown sample.
In the details column (figure 6) one has the results of the recognition for each unknown sample analysed.
• Supervisory module - If necessary the user can add (or remove) types of packaging and/or product, or classes. He/she can furthermore devise new methods of acquisition and set the electronic nose for the construction of new databanks, controlling what and how many samples are part of the same. The module in question allows the qualified user to check all the details of the databank and its evolution in time (figure 7).
In conclusion
In its recent past AOSs were proposed on the market as versatile tools capable of rapidly solving the most various and complex problems of odour scanning; very soon the users had to change their minds as to the “unlimited” applicative potential of these instruments declared by the producer. All the same today’s reality appears extremely interesting: if the machine is set as befits the case of each single application, in terms of choice of sensors, working conditions and sampling, size and maintenance of the reference databank, it is highly successful.The work of research and experimentation carried out in Parma has confirmed this premise, enabling one to also highlight what has to be held in consideration for the introduction of an AOS in a packaging quality control laboratory.
In particular it has been revealed that:
• the MOS sensors used have shown high reliability in the responses emitted. If to this you also add their low cost, they are an excellent choice as AOSs;
• the discrimination between good and bad packaging has given good results and has also enabled the grouping together of some classes of packaging, for which evidently the AOS manages to perceive not only differences of quality, but also types of basic material;
• one of the limits that has always hampered the use of these systems is the sensor drift, that has strongly conditioned the reproducibility of the measures and the validity in time of the databanks. Thanks to a constant update of the databanks this aspect has been kept under strict control. Given that the AOS has been set to exploit the unknown samples in an “intelligent” manner, these, once they have been recognised, can be inserted in the databank of the appropriate class, made up of the most recent measures. In this way the databank is always updated and any drift of the sensors can be compensated with the addition of new information;
• to facilitate the use of an instrument that may appear complex, the software has also been optimised, making it suited for both non expert operators and for a supervisor who acts as a general overseer.
The optimisation of all these aspects has enabled the ISE electronic nose to be actually transferred into a quality control laboratory, where it is currently operating. After a period of comparison with the responses emitted by the gaschromatological analysis, it is now used as the first rater of the quality of the packaging, limiting the number of gaschromatological analyses solely to the samples that are marked as uncertain (yellow traffic light) or bad (red traffic light), because only in these cases is one interested in knowing the reasons behind the judgement emitted by the AOS.
Michele Suman, Carlotta Ricci,
Enrico Dalcanale
Department of Organic and Industrial Chemistry, University of Parma, INSTM UdR, Parma ([email protected])
Ugo Bersellini
Central Laboratories, Barilla Alimentare SpA (PR)
([email protected])
Luca Sensi
R&D, ISE - Ingegneria dei Sistemi Elettronici Srl, Vecchiano (PI)
([email protected])
|
|
