Kurzbeschreibung

Dieses Projekt zielt darauf ab, eine autonome Prozessführung bei der Lichtbogensynthese von metallischen Nanopartikeln und den nachfolgenden Verarbeitungsschritten zu etablieren. Dieser Prozess ist durch relativ große Fluktuationen gekennzeichnet und ist zu komplex, um im Detail modelliert werden zu können. Daher basiert die Prozessführung auf einem vereinfachten Modell für die Dynamik des Partikelbildungsprozesses (DPFP), der nach der Plasmaregion stattfindet. Dabei bestimmen die Partikelproduktionsrate, die Aggregatgröße und die Primärpartikelgröße die Regelgüte, und sind damit die wichtigsten Qualitätsindikatoren (KPIs) sind. Die Agglomeratdynamik ist eine Funktion der Verdampfungsrate und des Gasvolumenstroms sowie zweier Parameter, die nicht direkt gemessen oder gesteuert werden können, sondern den Temperaturverlauf in der heißen Zone nach dem Plasma beschreiben. Eine gezielte Prozessführung ist über die Regelung des elektrischen Stroms und des Elektrodenabstands sowie der Gasdurchflussraten möglich. Darüber hinaus erfordert der kontinuierliche Abtrag von Elektrodenmaterial durch Plasmaverdampfung eine adaptive Regelung des Elektrodenabstandes. Die in den KPIs ausgedrückten Informationen über den Prozesszustand werden durch In-situ-Messungen der Lichtbogeneigenschaften (optische und elektrische Eigenschaften) sowie durch Quasi-Echtzeit-Online-Messungen der Partikelmassenkonzentration sowie des Primärpartikeldurchmessers und der Aggregatgröße gewonnen. Dies ist möglich durch die Bestimmung der effektiven Dichte aus zwei verschiedenen äquivalenten Partikeldurchmessern (elektrische Mobilität und Aerodynamik) mit einer Zeitauflösung im Sekundenbereich. Für den autonomen Betrieb wird das System darauf trainiert, Störungen wie den Ausstoß unerwünschter großer Partikel, eine fehlende Zündung des Plasmas oder eine falsche Orientierung des Lichtbogens zu erkennen. Das Prozessführungssystem wird im vereinheitlichten Framework von Regelung und Detektion entworfen und basiert auf der Modellierung der Kopplungen zwischen den KPIs, verborgenen Variablen und Prozesseingängen auf der Grundlage der DPFP. Dies soll mit Hilfe von Methoden des Maschinellen Lernens realisiert werden. Die DPFP-basierte prädiktive Regelung wird so konzipiert, dass sie eine hohe Robustheit gegenüber Modellunsicherheiten und begrenzter Messgenauigkeiten aufweist. Sie wird an die verschiedenen Betriebszustände angepasst und enthält Mechanismen, die eine Verschlechterung der Regelgüte ausgleichen.