Detailseite
Projekt
Adaptive datengesteuerte prädiktive Steuerung unter Nutzung eines Verhaltensansatzes für eine autonome Tablettierung
Antragsteller
Professor Dr.-Ing. Naim Bajcinca; Professor Dr. Markus Thommes
Fachliche Zuordnung
Mechanische Verfahrenstechnik
Förderung
Förderung seit 2022
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 504924158
Pressagglomeration ist eine Trockengranulationsmethode zur Herstellung von Tabletten aus Pulvern. Industrielle Prozesse werden hauptsächlich auf Rundläufertablettenpressen durchgeführt, welche mehrere Teilprozesse umfassen. Nach dem Dosieren und Mischen folgt anschließend das Füllen der Matrizen, die Pulverkompression und der Tablettenausstoß aus der Matrize. Die Zeitskalen variieren von Minuten (Dosieren, Mischen), über Sekunden (Füllen) bis zu Millisekunden (Kompression, Ausstoß). Dabei sind die Prozesse über den Materialstrom gekoppelt. Dies führt zu einer komplexen Kontrollaufgabe, die auf das Einhalten der gewünschten Menge an aktiver Komponente (Dosis) und der radialen Bruchkraft (Härte) abzielt. Diese sind zurückführbar auf die Produkteigenschaften Tablettengewicht, Aktivstoffanteil, Porosität und Ausmaß der Schmierung. Etablierte Strategien für dieses Kontrollproblem basieren auf dem menschlichen Eingreifen, was kostenintensiv und anfällig für langsames Handeln und Reagieren ist. Das Projektziel ist daher den menschlichen Eingriff durch ein autonomes Kontrollsystem für die Pressagglomeration zu ersetzen. Ein Schlüsselelement für autonome Pressagglomeration ist ein Prozessüberwachungssystem zur Charakterisierung von Produktqualitätsabweichungen. Die Entwicklung eines neuartigen Sensorsystems vereint hierfür verschiedene Methoden (UV-Vis und NIR Spektroskopie, Maschinendaten) und Sensortypen (direkt, hybrid und soft). Die Auslegung der Sensoren für eine in-situ Bestimmung ermöglicht dabei eine Echtzeit-Rückmeldung zum Prozesszustand. Die experimentellen Daten werden zur Ableitung von mathematischen Modellen für die Pressagglomeration verwendet und dabei verschiedene Modellklassen einschließlich linearer autoregressiver Modelle mit exogenen Eingaben (ARX) und nicht-lineare autoregressive Modelle (NARX) auf Grund der beschriebenen Prozesskomplexität berücksichtigt. Kritische Schritte sind dabei die Vorverarbeitung der Daten, die Modellierung der einzelnen Prozessschritte und die Verbindung dieser. Die Verwendung des datengestützten Modells dient der Entwicklung von Algorithmen für offline und online prädiktive Kontrollmaßnahmen (DPC) mit Bezug auf die Verhaltenstheorie. Theoretisches Fundament dafür ist die Formulierung von optimalen Kontrollproblemen (OCPs), während das Ziel die Optimierung der Prozessschritte in einer closed-loop Pressagglomeration ist. Zusammenfassend, wir werden einen Kontrollalgorithmus entwickeln und implementieren, der fähig ist autonom die Produktqualität in Form der Dosis und Härte anzupassen. Hierbei impliziert Autonomie eine online Selbstregulierung der Prozessparameter für die unterschiedlichen Prozessschritte und -phasen. Dadurch wird beim Anfahren der Ausschuß minimiert, während bei der Herstellung die Produktionsrate maximiert und Prozessschwankungen ausgeglichen werden. Folglich erhöht sich die Produktqualität und Prozesseffizienz im Vergleich zum manuellen Prozessmanagement.
DFG-Verfahren
Schwerpunktprogramme
Mitverantwortlich
Vikas Kumar Mishra, Ph.D.
