OK
Del 6 al 8 d'octubre, el recinte de Gran Via de Fira de Barcelona acull Alimentaria FoodTech 2026, la fira de maquinària, tecnologia i ingredients per a la indústria alimentària. Segons El Demócrata, reunirà més de 330 empreses de 22 països en uns 15.000 m², amb 38 startups i més de 140 especialistes al programa. Entre les novetats anunciades hi ha sistemes de visió artificial amb IA que localitzen contaminants i defectes a la línia, sensors per reduir les mermes de producte i el consum d'aigua, i processament per altes pressions en fred per allargar la vida útil.
El seu director, Ricardo Márquez, ho resumeix així a Oleo Revista: «A Alimentaria FoodTech veurem com es produiran els aliments del futur». Vinetur afegeix entre els temes els bessons digitals i la traçabilitat, i Interempresas assenyala la IA aplicada al manteniment predictiu i a la inspecció de qualitat, amb la manca de personal en tasques especialitzades com a teló de fons.
Què significa per a una planta d'envasat
La novetat no és que es parli d'intel·ligència artificial, sinó que apareix integrada en equips concrets: una càmera que aparta un envàs, un sensor que avisa d'una merma, un model que anticipa una avaria. Això l'acosta a la planta, però també obliga a jutjar-la com qualsevol altra màquina: per allò que fa a la seva línia, no a l'estand.
En visió, la IA té sentit allà on les regles fixes fallen: producte natural que mai no és igual, envasos flexibles, cossos estranys de forma imprevisible. Però aprèn d'imatges, i les bones són les dels seus propis defectes, amb la seva il·luminació i a la seva velocitat. Abans de comprar convé tenir clar el criteri de qualitat i mesurar dues coses alhora: els defectes que s'escapen i els envasos bons que es rebutgen, perquè un sistema que descarta massa producte també és una merma.
En mermes i consums, un sensor només serveix si la dada es pot creuar amb la línia, el torn, la referència i l'aturada que l'ha provocada. Un comptador d'aigua o de producte perdut sense aquesta relació dona una xifra, però no una causa sobre la qual actuar.
En manteniment predictiu, el model aprèn com es comporten normalment motors, reductors i rodaments i avisa quan alguna cosa es desvia. Necessita setmanes de dades netes i comença a rendir en els equips que, si fallen, aturen tota la línia. El més assenyat és començar per aquests pocs, mesurar el temps entre avaries i el de reparació, i ampliar quan l'avís hagi demostrat que arriba a temps. A la nostra pàgina d'intel·ligència artificial aplicada expliquem com encaixa cadascun d'aquests camps en una planta.
Cinc preguntes per portar a la fira
- Amb què s'ha entrenat: quines imatges o senyals fa servir el model i quants exemples de la seva pròpia línia calen perquè funcioni.
- Els falsos rebutjos: demani la xifra en producció real, no en demostració, i qui ajusta el sistema quan canvien les condicions.
- El canvi de referència: què passa amb un envàs o un format nou; si cal tornar a entrenar, quant triga i qui ho fa.
- On van les dades: si es queden a la planta i per quina via (OPC UA, Modbus TCP, SQL) arriben als seus sistemes.
- Com es demostra el resultat: OEE, mermes o aturades evitades, mesurats abans i després a la seva línia.
La IA ja és a la fira; la pregunta útil és quin problema concret de la seva línia resol i com es mesurarà. Si està valorant un projecte d'aquest tipus, parlem-ne.
