Kurzbeschreibung

Das Projekt untersucht die Prozesskette der Sprühtrocknung. Dabei wird eine Trägerflüssigkeit zerstäubt, die Feststoffe in Form von gelösten oder dispergierten Partikeln enthält. Die Flüssigkeit verdunstet während der Verweilzeit im Trockner und Partikel werden gebildet, entweder durch Kristallwachstum (Lösungen) oder durch Konzentrationserhöhung (Suspensionen). Die Eigenschaftsfunktion der so entstandenen Granulate bestimmt deren Anwendungseigenschaften. Hier spielen die Porosität und die Porenstruktur eine zentrale Rolle, z.B. für das adsorptive oder katalytische Verhalten, weshalb das Produktdesign auf die innere Morphologie der Granulate abzielt. Letztere hängt sowohl von den Eigenschaften des Feeds (z.B. den Partikeln, ihren Wechselwirkungen und der Feststoffkonzentration) als auch von den Prozessbedingungen (z.B. dem Temperaturfeld, der Tropfengröße und den Trocknungsbedingungen) ab. Um den gesamten Prozess zu regeln, müssen all diese Einflussgrößen berücksichtigt werden, was zu einem multiparametrischen Problem führt. Die aus Inline-Messungen verfügbaren Prozessdaten sind bzgl. der gewünschten Spezifikationen der Granulate begrenzt. Es ist somit notwendig, hochauflösende Off-line-Methoden wie Computertomographie (CT) einzusetzen, um vollständige Information über die Porenstruktur der Granulate zu erhalten. Dies ist zeitaufwendig und umfasst mehrere Schritte (Probenahme, Probenpräparation, Segmentierung, Bildanalyse). Um die CT-Daten im Regelkreis verwenden zu können, müssen sie mit In-line-Daten verknüpft werden, was mit so genannten Proxies geschieht. Ein Proxy ist ein einzelner oder kombinierter Parameter, der aus Bilddaten bestimmt wird. Es werden zwei Strategien für Proxies verwendet: interpretierbare Proxies (z.B. Poreneigenschaftsverteilungen) und datengetriebene Proxies (z.B. durch automatische Codierung von Bilddaten). Die Vorwärts- und Rückwärtsverknüpfung von Prozessparametern und Feedeigenschaften mit Proxies erfolgt mit Methoden des maschinellen Lernens. In der 1. Förderperiode (FP) werden die Schritte der Verdüsung und der Partikelstrukturierung während der Trocknung im Sprühturm behandelt. Dies wird in der 2. FP um Vorkonditionierungsschritte erweitert, z.B. durch die Vorgabe von Partikel-Partikel-Wechselwirkungen (Konditionierung) und De-Agglomeration (Scherströmungen/Ultraschall) im Feedstrom, wodurch das Regelungskonzept mehr Freiheitsgrade erhält. Der in der 1. FP entwickelte modellbasierte Regelungsansatz verwendet Transferfunktionen zwischen Proxies, die über statistische Lernenverfahren ermittelt werden. Dieses Regelungskonzept muss in der 2. FP unter Berücksichtigung der Datensätze aus den zusätzlichen Prozessschritten erweitert werden. Das Projekt generiert am Beispiel Sprühtrocknung somit wissenschaftliche Erkenntnisse über die Leistungsfähigkeit und Anwendbarkeit eines datengetriebenen Black-Box-Regelungsschemas, das sowohl In-line- als auch Off-line-Informationen nutzt.