Projektbeschreibung

Die Kristallisation bestimmt nicht nur die Produktreinheit, sondern über Kristallgröße und -form auch Filtrierbarkeit, Weiterverarbeitung und, bei Wirkstoffen (APIs), die regulatorisch relevante Festkörperform. Trotz formal identischer Prozessführung zeigt die industrielle Praxis erhebliche Batch-zu-Batch-Schwankungen. Als Ursache werden schwer zugängliche Störgrößen vermutet (Verunreinigungen, Rohstoffchargen, Historie vorgelagerter Prozessschritte, Bediener- und Lieferanteneinflüsse), die von Standardsensorik nicht erfasst werden.

Ziel ist die Entwicklung eines erklärbaren, bildoptisch gestützten Inline-Monitoringsystems für die Batch-Kühlungskristallisation, das Abweichungen von der Sollqualität bereits während des laufenden Prozesses erkennt und deren Ursache benennt, anstatt sie erst nachträglich am Endprodukt festzustellen.

Zentrale Elemente des Projekts

• Validierung der bildoptischen Inline-Messtechnik an verschiedenen Stoffsystemen in einem Batch-Rührkesselkristallisator
• Digitaler Zwilling als Datenquelle durch Entwicklung eines First-Principles-Modells mit Populationsbilanz
• Kuratierte Referenzdatenbank aus Bild-, Prozess- und Kontextdaten als Grundlage für das Training
• Entwicklung eines Frühwarnsystems auf Basis von Deep Neural Networks (Zeitreihen- und Kontextdaten), das Abweichungen im Batch-Prozess frühzeitig erkennt
• Erklärbarkeit durch Ursachenhypothesen für erkannte Abweichungen statt eines Black-Box-Scores