Chemische Charakterisierung und Spurenanalytik
Filtern
Dokumenttyp
- Vortrag (5)
- Zeitschriftenartikel (1)
- Beitrag zu einem Tagungsband (1)
Referierte Publikation
- nein (7)
Schlagworte
- Datenanalyse (7) (entfernen)
Organisationseinheit der BAM
Eingeladener Vortrag
- nein (5)
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.
Die Untersuchungen sind durch das das DFG Schwerpunktprogramm 1374 für Biodiversitätsforschung motiviert. Anhand des überwachten Abbaus von Totholz soll untersucht werden, welche Auswirkung unterschiedliche Formen und Intensitäten der Landnutzung auf die Biodiversität innerhalb von drei Exploratorien zeigen. Bei den vorangegangenen Studien wurden Nahrungs¬netzte auf organismischer Ebene sowie Klima- und Umgebungsdaten untersucht und die Veränderung des ausgebrachten Totholzes als Masseverlust erfasst. Es wird jedoch erwartet, dass in Anhängigkeit der beteiligten Organismen und Umgebungsparameter verschiedene Mechanismen des Holzabbaus vorliegen, die in unterschiedlichen Abbauraten der Holzkomponenten Lignin, Cellulose und Hemicellulose resultieren. Aus diesem Grund ist die quantitative Untersuchung des Ligningehalts an Hölzern ein wesentlicher Schritt für ein verbessertes Verständnis der Biodiversität in den untersuchten Exploratorien. Um der hohen Probenanzahl, die sich aus der Kontrolle von jeweils 100 Proben (Plots) in den drei Exploratorien für Hölzer aus 13 Baumarten ergibt, gerecht zu werden, wird eine schnelle und effiziente Untersuchungsmethode benötigt. Diese wird derzeit in Form einer NIR-spektroskopischen Bestimmung des Ligningehalts entwickelt. Um basierend auf den NIR Spektren vermahlener Holzproben Lignin und weitere Holzkomponenten korrekt vorherzusagen, muss zunächst basierend auf nasschemischen Analysen ein chemometrisches Modell kalibriert werden. Dazu ist die Charakterisierung von mindestens 20 – 30 Proben, die eine hohe Varianz des Ligningehalts aufweisen, notwendig. Im Vortrag werden erste Untersuchungs¬ergebnisse für die Vorhersage des Ligningehalts von Kiefernhölzern, die für ein Jahr in dem Exploratorium Schorfheide exponiert wurden, vorgestellt. Die anschließende explorative Datenanalyse (PCA) unter Verwendung von insgesamt 28 Variablen zur Beschreibung klimatischer und Umgebungsparameter weist eine Reihe interessanter Korrelationen auf. Demnach ist der Ligningehalt auf der ersten Hauptkomponente (29% erklärte Varianz) positiv mit dem C/N-Verhältnis und negativ mit Landnutzungsindex korreliert. Masseverlust und Temperatur hingegen dominieren die zweite Hauptkomponente (12% erklärte Varianz).
Produzieren Sie schon oder kalibrieren Sie noch? – Online-NMR-Spektrometer als Smarte Feldgeräte
(2018)
Der Übergang von der aktuellen Automatisierungslandschaft zur nächsten Generation von Automatisierungskonzepten für die Prozessindustrie hat bereits begonnen. Intelligente Funktionen der Sensoren vereinfachen ihre Anwendung und ermöglichen eine Plug-and-Play-Integration, auch wenn sie auf den ersten Blick komplexer erscheinen mögen. Dies ist die Basis für die Digitalisierung der Prozessindustrie und hilft uns, komplexere Prozesse schneller umzusetzen.
Der Vortrag fasst die derzeit diskutierten allgemeinen Anforderungen an „Smarte Feldgeräte“ zusammen und diskutiert dieses am Beispiel eines smarten Online-NMR-Sensors. NMR-Spektroskopie bietet sich durch den Vorteil der direkten Vergleichsmethode (ohne Kalibrierung) für die Prozess-Steuerung an und verringert somit die Rüstzeiten. Zudem basiert der Sensor auf physikalisch motivierten Modellen (Indirect Hard Modeling, IHM), die sich modular kombinieren lassen. Die Methoden wurden anhand eines vorgegebenen pharmazeutischen Reaktionsschrittes im Rahmen des „Horizon 2020“-Projekts CONSENS der Europäischen Union demonstriert und validiert.
Zuletzt werden Anforderungen an die Weiterentwicklung der Datenauswertemethoden diskutiert, um letztlich die semantische Information aus den Messdaten herauszulesen oder das in der Industrie 4.0 geforderte „durchgehende Engineering“ für die Automatisierungskomponenten zu ermöglichen.
Produzieren Sie schon oder kalibrieren Sie noch? – Online-NMR-Spektrometer als Smarte Feldgeräte
(2018)
Der Vortrag zeigt allgemeine Anforderungen an "smarte Feldgeräte" und deren Entwicklung in den vergangenen Jahren. Am Beispiel eines smarten Online-NMR-Sensors, der in einem EU-Projekt von der BAM entwickelt wurde, wird die Umsetzung der Anforderung aufgezeigt. Schließlich werden weitere Technologieanforderungen und Lösungsansätze vorgestellt.
Digitalisierung und Industrie 4.0 verändern komplette Geschäftsmodelle, heben neue Effizienzpotenziale und stärken die Wettbewerbsfähigkeit. Auf dem 57. Tutzing-Symposion vom 15.–18.04.2018 wurde mit Vorträgen und Kreativworkshops erkundet, welche speziellen Anforderungen die Prozessindustrie hat, welche digitalen Innovationen bereits umgesetzt wurden und wo noch Handlungsbedarf besteht. Ein Workshop befasste sich mit den Themenfeldern Datenkonzepte, Datenanalyse, Big Data und künstliche Intelligenz. Es geht nicht um die Digitalisierung von heute. Im Angesicht der wachsenden Digitalisierung unserer Prozesse stellt sich die Frage, ob wir den Prozess wirklich gut kennen. Ob alle Verfahrensschritte detailliert hinterlegt wurden. Nur mit einem heuristischen Ansatz kann das vorhandene Wissen nicht digitalisiert werden.
Sehr schnell werden die Mechanismen eines Massenmarktes mit denen einer Nische verwechselt. Nicht jeder Mechanismus, den wir von großen Suchmaschinen oder Einkaufsportalen kennen, gibt uns einen Hinweis auf Nutzen und Verfügbarkeit für die Prozess- oder pharmazeutische Industrie. Eine gute Analyse der Anforderungen in der Zukunft mit einem Abgleich der derzeitigen technischen Möglichkeiten ist Voraussetzung für eine Verbesserung der derzeitigen digitalen Umsetzung. Dabei ist es sinnvoll unkonventionelle Methoden einzusetzen.