1.4 Prozessanalytik
Filtern
Dokumenttyp
- Vortrag (16)
Referierte Publikation
- nein (16)
Schlagworte
- Prozessindustrie (16) (entfernen)
Organisationseinheit der BAM
Eingeladener Vortrag
- nein (16) (entfernen)
Anhand von Beispielen wird in diesem Vortrag ein möglicher ganzheitlicherer Ansatz für die Digitalisierung und den Einsatz maschinengestützter Prozesse bei der Herstellung von Spezialchemikalien und Arzneimitteln durch die Einführung integrierter und vernetzter Systeme und Prozesse skizziert. Ein aktueller Ansatz und ein Beispiel in diesem Vortrag sind flexible und modulare chemische Produktionseinheiten, die Mehrzweckanlagen nutzen, um verschiedene hochwertige Produkte mit kurzen Stillstandszeiten zwischen den Kampagnen herzustellen und die Markteinführungszeit für neue Produkte zu verkürzen.
Als zweites Beispiel wird kurz die Testplattform Wasserstofftankstelle vorgestellt, die als moderne Anlage der Prozessindustrie betrachtet werden kann, vergleichbar mit einer Anlage aus der chemischen oder pharmazeutischen Industrie. An ihr lassen sich alle derzeit entlang der Digitalen Transformation diskutierten Konzepte implementieren, um sie zu standardisieren und zu validieren. Dazu gehören Konzepte zur Konnektivität von Sensoren und Aktoren aus der Feldebene in höhere Ebenen der Automatisierung oder zur Einbringung zusätzlicher Sensoren oder Sensornetzwerke, die zunehmend flexibler gestaltet werden soll, die sichere und nachvollziehbare Parametrierung von Automatisierungskomponenten – vielleicht aus einem digitalen Abbild (Verwaltungsschale bzw. „Digitaler Zwilling“) heraus, Konzepte zur vorausschauenden Wartung („Predictive Maintenance“), Konzepte zu digitalen Entscheidungsprozessen, Zertifikaten und Signaturen oder der zunehmende Einsatz von komplexen Auswertungsalgorithmen und Applikationen in der Feldebene („Embedded Computing“) oder der „Kante“ zu Cloudbasierten Systemen der Informationstechnik („Edge-Computing“).
Die beiden Beispiele sollen aktuelle Entwicklungsachsen des industriellen Messwesens im Rahmen der industriellen Automation aufzeigen, in denen Messwerte, deren Messunsicherheiten und Kontextinformationen eine wichtige Rolle einnehmen.
Unternehmen der Prozessindustrie müssen neue Wege finden, um in einem sich wandelnden Umfeld erfolgreich zu überleben, und gleichzeitig flexiblere Wege der Produkt- und Prozessentwicklung finden, um ihre Produkte schneller auf den Markt zu bringen – insbesondere hochwertige, hochwertige Produkte wie Feinchemikalien oder Arzneimittel. Dies wird zukünftig durch Veränderungen in den Wertschöpfungsketten entlang einer potenziellen Kreislaufwirtschaft erschwert.
Anhand von Beispielen wird in diesem Vortrag ein möglicher ganzheitlicher Ansatz zur Digitalisierung und zum Einsatz maschineller Verfahren in der Produktion von Spezialchemikalien durch die Einführung integrierter und vernetzter Systeme und Prozesse skizziert.
Es wird auch auf die aktuelle Technologie-Roadmap „Prozess-Sensoren 2027+“ eingegangen, die Ende 2021 erschienen ist. Im Zentrum dieser Roadmaps stehen Sensoren zur Erfassung von physikalischen und chemischen Messgrößen mittels spezifischer und unspezifischer Messverfahren, die zur Steuerung und dem besseren Verständnis von Prozessen dienen. Die Roadmap fasst die gemeinsame Technologie- und Marktsicht von Anwendern, Herstellern und Forschungs¬einrichtungen im Bereich Prozess-Sensorik in der verfahrenstechnischen Industrie zusammen. Digitalisierung und Nachhaltigkeit sind übergreifende Kernthemen der künftigen Entwicklung.
Integrierte und vernetzte Systeme und Prozesse – Eine Perspektive für die smarte Laborinfrastruktur
(2022)
Chemie- und Pharmaunternehmen müssen neue Wege gehen, um in einem sich wandelnden Umfeld erfolgreich zu überleben, und gleichzeitig flexiblere Wege der Produkt- und Prozessentwicklung finden, um ihre Produkte schneller auf den Markt zu bringen - vor allem hochwertige High-End-Produkte wie Feinchemikalien oder Arzneimittel. Dazu gehört auch das Potenzial der digitalen Technologien, um ein umfassenderes Wissensmanagement zu ermöglichen.
Eine wichtige Wissensquelle sind analytische Labors, die Unternehmensweit aktiv sind – von F&E bis zur Produktion. Die ganzheitliche Einbindung von analytischen Labors und ein unternehmensweites Daten- und Wissensmanagement sind wichtige Bausteine zur Integration und Vernetzung aller Systeme und Prozesse. Das Potenzial von Daten aus der Produktion mit ihren Kontextinformationen wird heute oft noch nicht konsequent für ein umfassendes Verständnis der Produktion genutzt.
Dieser Beitrag skizziert anhand von Beispielen einen möglichen ganzheitlicheren Ansatz zur Digitalisierung und zum Einsatz maschineller Verfahren in der Produktion von Spezialchemikalien und Pharmazeutika durch die Einführung integrierter und vernetzter Systeme und Prozesse.
Bei Industry 4.0 dreht sich alles um Interkonnektivität, sensorgestützte Prozesssteuerung und datengesteuerte Systeme. Prozessanalysentechnik (PAT) wie die Online-Kernresonanzspektroskopie (NMR) gewinnt zunehmend an Bedeutung, da sie zur Automatisierung und Digitalisierung in der Produktion beiträgt. Eine klassische Auswertung von Prozessdaten und deren Umsetzung in Wissen ist jedoch bisher in vielen Fällen aufgrund der unzureichend großen verfügbaren Datensätze nicht möglich oder nicht wirtschaftlich. Bei der Entwicklung eines automatisierten Verfahrens für die Prozesskontrolle stehen manchmal nur die Basisdaten einer begrenzten Anzahl von Batch-Versuchen aus typischen Produkt- und Prozessentwicklungskampagnen zur Verfügung. Diese Datensätze sind jedoch nicht groß genug, um maschinengestützte Verfahren zu trainieren.
Um diese Einschränkung zu überwinden, wurde ein neues Verfahren entwickelt, das eine physikalisch motivierte Multiplikation der verfügbaren Referenzdaten erlaubt, um einen ausreichend großen Datensatz für das Training von maschinellen Lernalgorithmen zu erhalten. Das zugrundeliegende Beispiel einer chemischen Synthese wurde spektroskopisch verfolgt und mit der neuen Methode sowie mit einem physikalisch basierten Modell analysiert, wobei sowohl eine anwendungsrelevante Niederfeld-NMR als auch eine Hochfeld-NMR-Spektroskopie als Referenzmethode verwendet wurde.
Künstliche neuronale Netze (ANNs) haben das Potenzial, bereits aus relativ begrenzten Eingabedaten wertvolle Prozessinformationen abzuleiten. Um jedoch die Konzentration unter komplexen Bedingungen (viele Edukte und weite Konzentrationsbereiche) vorherzusagen, sind größere ANNs und damit ein größerer Trainingsdatensatz erforderlich. Wir zeigen, dass ein mäßig komplexes Problem mit vier Edukten unter Verwendung von ANNs in Kombination mit der vorgestellten PAT-Methode (Niederfeld-NMR-Spektroskopie) und mit dem vorgeschlagenen Ansatz zur Erzeugung aussagekräftiger Trainingsdaten bewältigt werden kann.
Um in einem veränderten Umfeld erfolgreich bestehen zu können, müssen Chemieunternehmen neue Pfade beschreiten. Dazu gehört insbesondere das Potential digitaler Technologien. Mit flexiblen, modularen chemischen Vielzweck-Produktionsanlagen lassen sich häufig wechselnde Produkte mit kürzeren Vorlauf- und Stillstandzeiten zwischen den Kampagnen und dennoch hoher Qualität realisieren. Intensivierte, kontinuierliche Produktionsanlagen erlauben auch den Umgang mit schwierig zu handhabenden Substanzen.
Grundvoraussetzung für solche Konzepte ist eine hochautomatisierte "chemische" Prozesskontrolle zusammen mit Echtzeit-Qualitätskotrolle, die "chemische" Informationen über den Prozess bereitstellt. In einem Anwendungsbeispiel wurde eine pharmazeutische Lithiierungsreaktion aus einer modularen Pilot-Anlage betrachtet und dabei die Vorzüge eines vollautomatischen NMR-Sensors untersucht. Dazu wurde ein kommerziell erhältliches Benchtop-NMR-Spektrometer mit Permanentmagnet auf die industriellen Anforderungen, wie Explosionsschutz, Feldkommunikation und vollautomatischer, robuster Datenauswertung angepasst. Der NMR-Sensor konnte schließlich erfolgreich im vollautomatischen Betrieb nach fortschrittlichen Regelkonzepten und für die Echtzeitoptimierung der Anlage getestet werden. Die NMR-Spektroskopie erwies sich als hervorragende Online-Methode und konnte zusammen mit einer modularen Datenauswertung sehr flexibel genutzt werden. Die Methode konnte überdies als zuverlässige Referenzmethode zur Kalibrierung konventioneller Online-Analytik eingesetzt werden.
Zukünftig werden voll integrierte und intelligent vernetzte "smarte" Sensoren und Prozesse eine kontinuierliche Produktion von Chemikalien und Pharmazeutika mit vertretbaren Qualitätskosten möglich machen.
Die Wettbewerbsfähigkeit der Prozessindustrie basiert auf der Sicherung der geforderten Produktqualität bei einer optimalen Nutzung von Anlagen, Rohstoffen und Energie. Ein Weg zur wissensbasierten Produktion führt über die Betrachtung der wesentlichen Apparate-, Prozess- und Freigabedaten aus Betrieben und Labors. Das Potenzial dieser Daten wird heute vielfach noch nicht konsequent für ein umfassendes Verständnis der Produktion genutzt.
Neben Fragen zur Datenerfassung, Datenkonnektivität und Datenintegrität müssen solche Daten für eine ganzheitliche Prozessanalyse zunächst mit Kontextinformationen zusammengebracht werden. Datenquellen enthalten Zeitwertpaare, aber auch diskrete Daten aus LIMS (Laboratory Information Management Systems) oder ELN (Electronic Laboratory Notebooks) und werden zunehmend durch 2D- und 3D-Daten aus der Chromatographie-Massenspektrometrie oder bildbasierter Analytik ergänzt.
Für die automatisierte Merkmalsextraktion, etwa zur Extraktion chemischer Informationen aus den oben genannten Datenquellen werden multivariate Werkzeuge und Algorithmen genutzt. Multivariate Statistiken wie PCA (Principle Component Analysis), PLS (Partial Least Squares) und LDA (Latent Discriminant Analysis) bilden die erste Grundlage für die Datenanalyse. Für diese Verfahren sind heute Datenvorbehandlungsschritte nötig. Die Modellbildung geschieht manuell und ist sehr aufwendig.
Können diese Daten im Zeitalter von ML (Machine Learning) und KI (Artificial Intelligence) anderweitig sinnvoll genutzt werden und ohne klassische Modellbildung? Die Bezeichnung „Big Data“ als Voraussetzung für datengetriebene Auswerteverfahren ist für die Prozessindustrie allerdings unpassend, denn auch bei mengenmäßig großen Datensätzen liegen für Kampagnen typischerweise nur Informationen über einige Batches mit einer Serie von Messdaten vor, die genügend Varianz für eine datengetriebene Auswertung aufweisen – nicht vergleichbar mit den Datenmengen im WWW oder von großen Internet-Konzernen.
Ein Weg zur wissensbasierten Produktion führt über die Betrachtung der wesentlichen Apparate-, Prozess- und Freigabedaten aus Betrieben und Labors. Das Potenzial dieser Daten wird heute vielfach noch nicht konsequent für ein umfassendes Verständnis der Produktion genutzt.
Neben Fragen zur Datenerfassung, Datenkonnektivität und Datenintegrität müssen solche Daten für eine ganzheitliche Prozessanalyse zunächst mit Kontextinformationen zusammengebracht werden. Datenquellen enthalten vor allem Zeitwertpaare, die numerisch vorbehandelt und möglichst vollautomatisch ausgewertet werden müssen. Am Beispiel NMR-spektroskopischer Daten wird der Stand der Auswertung mit physikalisch motivierten Modellen, wie z. B. dem IHM erläutert.
Eine der vielen Vorzüge Smarter Sensoren und Aktoren ist Bereitstellung zusätzlicher Informationen, auf die zukünftig neben den Hauptsignalen zugegriffen werden kann. In den Arbeitskreisen 3.6 und 3.7 wird dieses im wechselseitigen Austausch mit Geräte- und Softwareherstellern und Forschungseinrichtungen vorangetrieben.
Wir berichten kurz über den Stand der Diskussionen anhand von Beispielen und möchten in einem Open Space Workshop Meinungen und Ideen aufgreifen.
Um in einem veränderten Umfeld erfolgreich bestehen zu können, müssen Chemieunternehmen neue Pfade beschreiten. Dazu gehört insbesondere das Potential digitaler Technologien. Mit flexiblen, modularen chemischen Vielzweck-Produktionsanlagen lassen sich häufig wechselnde Produkte mit kürzeren Vorlauf- und Stillstandzeiten zwischen den Kampagnen und dennoch hoher Qualität realisieren. Intensivierte, kontinuierliche Produktionsanlagen erlauben auch den Umgang mit schwierig zu handhabenden Substanzen.
Grundvoraussetzung für solche Konzepte ist eine hochautomatisierte "chemische" Prozesskontrolle zusammen mit Echtzeit-Qualitätskotrolle, die "chemische" Informationen über den Prozess bereitstellt. In einem Anwendungsbeispiel wurde eine pharmazeutische Lithiierungsreaktion aus einer modularen Pilot-Anlage betrachtet und dabei die Vorzüge eines vollautomatischen NMR-Sensors untersucht. Dazu wurde ein kommerziell erhältliches Benchtop-NMR-Spektrometer mit Permanentmagnet auf die industriellen Anforderungen, wie Explosionsschutz, Feldkommunikation und vollautomatischer, robuster Datenauswertung angepasst. Der NMR-Sensor konnte schließlich erfolgreich im vollautomatischen Betrieb nach fortschrittlichen Regelkonzepten und für die Echtzeitoptimierung der Anlage getestet werden. Die NMR-Spektroskopie erwies sich als hervorragende Online-Methode und konnte zusammen mit einer modularen Datenauswertung sehr flexibel genutzt werden. Die Methode konnte überdies als zuverlässige Referenzmethode zur Kalibrierung konventioneller Online-Analytik eingesetzt werden.
Zukünftig werden voll integrierte und intelligent vernetzte "smarte" Sensoren und Prozesse eine kontinuierliche Produktion von Chemikalien und Pharmazeutika mit vertretbaren Qualitätskosten möglich machen.