Modelling and determining coffee roasting quality on line | Etude de la torréfaction : modélisation et détermination du degré de torréfaction du café en temps réel

English. In order to guarantee and optimize the quality of coffee roasting, it is important to control a large number of factors during the process. Today's, robust sensors and algorithmes are used to measure and on-line analize essential values such as color, surface, temperature, weight... In this work, roasting coffee has been investigated, a control strategy is applied to estimate coffee roasting quality, considering sensors-algorithmes based on real time air temperature. Coffee beans were roasted using hot air as heating medium. Bean temperature, weight, color and expansion of surface were measured on-line during the roasting. These experiences allow better understanding of the phenomena that appear during roasting. A dynamical model is proposed to predict coffee bean temperature and moisture during the roasting. Gray value and expansion kinetics of beans surface are estimed using artificial neural network (ANN), considering the time during the process. Recurrents ANN are used to estimate the bean gray value in the next time (t+1). The gray value estimed is the key factor to stop process. The roasting degree wished is obtained when the gray value reaches the optimal quality.

French. Afin de garantir et d'optimiser la qualité du café torréfié, il est important de contrôler un grand nombre de facteurs au cours du procédé. Aujourd'hui, des capteurs robustes et des algorithmes permettent d'analyser en temps réel des valeurs essentielles telles que la couleur, la surface, la température, la masse... Dans cette étude de torréfaction, une stratégie de contrôle est appliquée pour estimer la qualité du produit en considérant des capteurs-algorithmes. Pour la mise en place de cette stratégie, une outil expérimental, basé sur l'analyse d'images, l'acquisition de températures et de masse du produit en temps réel est développé. Les grains de café sont torréfiés par un courant d'air chaud. Une base de données expérimentales des grandeurs (température, masse, couleur et surface des grains de café) est réalisée permettant une meilleure compréhension des phénomènes pendant la torréfaction. Un modèle dynamique est obtenu pour prédire l'évolution de la température interne et la teneur en eau des grains de café au cours de la torréfaction en tenant compte de la mesure de la température de l'air d'entrée. Les cinétiques de niveau de gris et de surface des grains sont modélisées par des réseaux de neurones en utilisant comme entrée le temps et la température du grain. Des réseaux de neurones réccurents sont appliqués pour déterminer les cinétiques du niveau de gris au temps suivant (t+1), en considérant le niveau de gris des valeurs précédentes. Les modèles permettent de simuler la température, le niveau de gris et la surface des grains en temps réel. Le niveau de gris estimé par le modèle est le facteur clé pour arrêter le procédé, car le degré de torréfaction est atteint lorsque le niveau de gris est égal à la qualité optimale.