Modellbasierte Prozessführung für Lichtbogensynthese von Nanopartikeln

• Antragsteller: Professor Dr.-Ing. Steven Xianchun Ding; Professor Dr.-Ing. Frank Einar Kruis
• Fachliche Zuordnung: Mechanische Verfahrenstechnik ; Automatisierungstechnik, Mechatronik, Regelungssysteme, Intelligente Technische Systeme, Robotik
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 504661005

Elektrische Entladungsverfahren, einschließlich Lichtbogen- und Funkentladungen, bieten einen sauberen und skalierbaren Ansatz zur Synthese von metallischen und keramischen Nanopartikeln in der Gasphase. Diese Verfahren sind durch eine inhärente Instabilität aufgrund der Elektrodenabnutzung gekennzeichnet, was zu ausgeprägter Prozessdynamik führt. Die Lichtbogensynthese ermöglicht eine höhere Produktionsrate und anpassbare Primärpartikelgröße, während der Funkengenerator stabiler läuft, jedoch nicht für die Hochdurchsatzproduktion geeignet ist. In der ersten Förderperiode wurde der Funkengenerator daher eingesetzt, um Methoden zur Echtzeitregelung zu entwickeln, zu validieren und zu integrieren. Ein spezieller Forschungsbereich des physik-informierten maschinellen Lernens, bekannt als Control Theory Informed Machine Learning (CTIML), beschäftigt sich mit der Einbindung lernbasierter Architekturen in die regelungstheoretische Struktur, die Stable Kernel Representation (SKR), die zur Zustandsschätzung und zur Generierung von Residuen dient. Ein einfaches Modell zur Partikelbildung sowie quasi-echtzeitfähige Messungen zentraler Leistungsindikatoren (KPI), wie z. B. der primären Partikelgröße, der Anzahl primärer Partikel pro Aggregat und der Produktionsrate, dienten der präzisen Abbildung des Eingangs-Ausgangs-Systemverhaltens. Die KPIs werden aus der Kombination von paralleler on-line Messung der Partikelmobilitäts und -aerodynamik berechnet. Auf dieser Grundlage zielt die zweite Förderperiode darauf ab, die autonome Regelung auf den komplexeren Lichtbogenreaktor auszuweiten und diesen in eine vollständige Prozesskette zu integrieren. Das SKR-Modell bildet gemeinsam mit der Stable Image Representation (SIR), einem beobachterbasierten Regelungssystem, ein sogenanntes SIR-SKR-Vorhersagemodell. Dieses gewährleistet numerische Stabilität bei der Berechnung und reduziert den Rechenaufwand der Online-Optimierung innerhalb der modellprädiktiven Regelung (MPC). Die auf SKR-SIR basierende MPC ermöglicht eine prädiktive Verteilungsregelung, indem sie eine vordefinierte Zielwahrscheinlichkeitsverteilung für Partikelgröße und -morphologie durch einen zusätzlichen Term in der Verlustfunktion innerhalb des CTIML-Ansatzes berücksichtigt. Die Bildung mikrometergroßer Partikel durch "splashing"-Effekte wird durch den Einsatz eines Zyklonabscheiders mit regelbarer Abscheidecharakteristik adressiert. Die Produktqualität wird durch die Echtzeitklassifikation von Plasmastörungen und Variationen in der Partikelmorphologie überwacht, wobei minderwertiges Material umgeleitet wird. Abschließend wird die Einstellbarkeit der Partikelmorphologie über die Synthese hinaus erweitert, indem ein Sinterofen mittels SIR-SKR-basierter MPC geregelt wird, wobei Verweilzeit und Ofentemperatur basierend auf on-line Morphologiemessungen angepasst werden, um sicherzustellen, dass die Zielmorphologie unabhängig von Prozessschwankungen erreicht wird.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 2364: Autonome Prozesse in der Partikeltechnik - Erforschung und Erprobung von Konzepten zur modellbasierten Führung partikeltechnischer Prozesse