OK
Do 6 ao 8 de outubro, o recinto de Gran Via de Fira de Barcelona acolle Alimentaria FoodTech 2026, a feira de maquinaria, tecnoloxía e ingredientes para a industria alimentaria. Segundo El Demócrata, reunirá máis de 330 empresas de 22 países nuns 15.000 m², con 38 startups e máis de 140 especialistas no programa. Entre as novidades anunciadas hai sistemas de visión artificial con IA que localizan contaminantes e defectos na liña, sensores para reducir as mermas de produto e o consumo de auga, e procesado por altas presións en frío para alongar a vida útil.
O seu director, Ricardo Márquez, resúmeo así en Oleo Revista: «En Alimentaria FoodTech veremos como se producirán os alimentos do futuro». Vinetur engade entre os temas os xemelgos dixitais e a trazabilidade, e Interempresas sinala a IA aplicada ao mantemento preditivo e á inspección de calidade, coa falta de persoal en tarefas especializadas como pano de fondo.
Que significa para unha planta de envasado
A novidade non é que se fale de intelixencia artificial, senón que aparece integrada en equipos concretos: unha cámara que aparta un envase, un sensor que avisa dunha merma, un modelo que anticipa unha avaría. Iso achégaa á planta, pero tamén obriga a xulgala como calquera outra máquina: polo que fai na súa liña, non no stand.
En visión, a IA ten sentido onde as regras fixas fallan: produto natural que nunca é igual, envases flexibles, corpos estraños de forma imprevisible. Pero aprende de imaxes, e as boas son as dos seus propios defectos, coa súa iluminación e á súa velocidade. Antes de mercar convén ter claro o criterio de calidade e medir dúas cousas á vez: os defectos que escapan e os envases bos que se rexeitan, porque un sistema que desbota demasiado produto tamén é unha merma.
En mermas e consumos, un sensor só serve se o dato se pode cruzar coa liña, a quenda, a referencia e a parada que o provocou. Un contador de auga ou de produto perdido sen esa relación dá unha cifra, pero non unha causa sobre a que actuar.
En mantemento preditivo, o modelo aprende como se comportan normalmente motores, redutores e rolamentos e avisa cando algo se desvía. Necesita semanas de datos limpos e empeza a render nos equipos que, se fallan, paran toda a liña. O sensato é comezar por eses poucos, medir o tempo entre avarías e o de reparación, e ampliar cando o aviso demostrase que chega a tempo. Na nosa páxina de intelixencia artificial aplicada explicamos como encaixa cada un destes campos nunha planta.
Cinco preguntas para levar á feira
- Con que se adestrou: que imaxes ou sinais usa o modelo e cantos exemplos da súa propia liña fan falta para que funcione.
- Os falsos rexeitamentos: pida a cifra en produción real, non en demostración, e quen axusta o sistema cando cambian as condicións.
- O cambio de referencia: que ocorre cun envase ou un formato novo; se hai que volver adestralo, canto tarda e quen o fai.
- Onde van os datos: se quedan na planta e por que vía (OPC UA, Modbus TCP, SQL) chegan aos seus sistemas.
- Como se demostra o resultado: OEE, mermas ou paradas evitadas, medidos antes e despois na súa liña.
A IA xa está na feira; a pregunta útil é que problema concreto da súa liña resolve e como se vai medir. Se está a valorar un proxecto deste tipo, falemos.
