Use of multivariate statistical techniques in HACCP programs

Abstract

oz Gıda güvenliği, gıda endüstrisi için en önemli konudur ve Tehlike Analizi ve Kritik Kontrol Noktalan (HACCP) etkili bir güvenlik yönetimi sistemidir. Veri analizi bu sistemin önemli bir parçasıdır. İstatistiksel Süreç Gözleme (ÎSG) ve HACCP sisteminin her ikisinde de ortak amaç hataların oluşmadan önlenmesi olduğundan, kritik kontrol noktalarının izlenmesi aşamasında İSG yöntemlerinin kullanımı HACCP sistemini daha etkili kılar. Gıda üretim süreçleri çok sayıda değişken içerir ve bu değişkenler genellikle birbirinden bağımsız değillerdir. Bu nedenle gıda üretiminde çok değişkenli yöntemlerin kullanımı tek değişkenli yöntemlere göre daha uygundur ve kapsamlı bir veri analizi sağlar. Bu çalışmanın amacı çok değişkenli istatistiksel süreç izleme teknikerinin HACCP sisteminde kullanılmasının faydalarım göstermektir. Bu çalışmada kullanılan veriler üretimlerinde HACCP programı uygulayan bir gıda fabrikasından alınmıştır. Dondurulmuş gıda hatunda toplanan hammadde özellikleri, üretim koşullan, mikrobiyolojik sayımlar ve son ürün analizleri kullanılan veri setlerini oluşturmuştur. Toplanan veriler, temel bileşenler analizi (PCA), çoklu doğrusal bağlanım denklemi (MLR), temel bileşenler bağlanım denklemi (PCR) ve kısmi en küçük kareler yöntemi (PLSR) gibi çok değişkenli istatistiksel teknikler ile analiz edilmiştir. İstatistiksel süreç izleme araçları olarak Hotelling T2 çizimi, öngörme hatalarının karesi (SPE) ve katılım grafikleri kullanılmıştır. Süreci geliştirmek amacıyla problem analizi aracı olarak neden ve etki çizelgelerine de yer verilmiştir. Üretim, hammadde ve son ürün verilerinin PCA analizine ait bağıntısız skor değişkenleri, kontrol dışı ölçümleri T2 ve SPE çizimlerinde zaman bazında başarıyla analiz etmiştir. Katılım grafikleri, belirli bir zamanda alarm veren sorumlu değişkenleri belirlemiştir. Değişkenlerin kontrol dışı noktalardan elde edilen katılım yüzdeleri, haşlama sıcaklığı ve mikrobiyal sayımların önemli katılım faktörleri olduğunu göstermiştir. Haşlama sıcaklığı ilk kritik kontrol noktasına (CCP-1) ait bir değişkendir ve mikrobiyal sayımlar bu kritik kontrol noktasının doğrulamasıdır. Bu sonuç CCP-l'in özellikle dikkat gösterilmesi gereken bir nokta olduğunu göstermektedir. PCR ve PLSR teknikleri, üretim, hammadde ve son ürün verilerinin ayrı ayrı analizinde başarılı olmuştur. Bu modellerin T2 ve SPE çizimleri, üretim, hammadde ve sonurun verilerinin PCA analizi sonuçlarının yaklaşık aynısıdır. Bağlanım denklemi modelleri (MLR, PCR ve PLSR), üretim, hammadde verileri ve son ürün verileri arasındaki bağıntılı yapıyı tam olarak açıklayamamaktadır. Bu çalışmada kullanılan kontrol-içi veri seti normal operasyon koşullarım açıklamada başarısız olduğundan, bağlanım denklemi modellerinin oluşturulması için yetersizdir. Üretim hattında uygun veri toplanmasının, kritik kontrol noktalarındaki ölçümlerin gözlenmesi ve öngörülmesinde çok değişkenli istatistiksel tekniklerin uygulanmasını zenginleştireceği belirlenmiştir.

ABSTRACT Food safety is the major concern for the food industry and Hazard Analysis and Critical Control Points (HACCP) is an effective safety management system. Data analysis is an important ingredient of this system. The use of Statistical Process Monitoring (SPM) methods in critical control point monitoring step can further improve a HACCP system, since SPM and HACCP have a common goal which is to prevent failures before they occur. Food production processes include many variables and generally they are not independent of each other. The use of multivariate statistical methods is more appropriate than that of univariate statistical methods for food processes and provides comprehensive analysis of the data. The aim of this study was to display the benefits of the use of multivariate SPM techniques in HACCP system. In this study, data were taken from a food processing plant, which uses HACCP program in the production. They were collected in a frozen vegetable production line and composed of raw material properties, process conditions, microbiological counts and end product analyses. The data were analyzed by using multivariate statistical techniques such as Principal Component Analysis (PCA), Multiple Linear Regression (MLR), Principle Component Regression (PCR) and Partial Least Square Regression (PLSR). In the monitoring step, multivariate statistical tools such as Hotelling's T2, Squared Prediction Error (SPE) and contribution plots were utilized. Cause and effect diagrams were also employed as a problem analysis tool to improve the process. Uncorrelated score variables of PCA of process data and quality data successfully analyzed out of control observations on time basis in T2 and SPE plots. Contribution plots displayed the responsible variables, which alarmed at particular time instant. Contribution percentages of variables obtained from these out of control points displayed that blanching temperature and microbial counts are very important contributing factors. Blanching temperature is a variable of the first critical control point (CCP-1) and microbial counts are the verification of that CCP. This result indicates that CCP-1 is the point which extra care should be taken. PCR and PLSR techniques were successful in analyzing the process and product data individually. T2 and SPE plots of these models were nearly the same with the PCA ofprocess data and product data. The regression models (MLR, PCR and PLSR) were not able to explain the correlation structure between process and product data, completely. The in-control data set used in this study was insufficient to construct regression models since it failed to explain the normal operating conditions exactly. It was stated that the proper data collection in the production line would cause an enhancement in the application of multivariate statistical techniques, in both monitoring and prediction of critical control point measurements.