Die Sprühtrocknung ist eine schnelle Methode zur Trocknung flüssiger Produkte. Durch Versprühen des fein zerstäubten Produkts in einen heißen Luftstrom kann das Lösungsmittel schnell verdampft werden und die festen Bestandteile bleiben als Pulver erhalten. Die Sprühtrocknung wird in der chemischen, pharmazeutischen und Lebensmittelindustrie eingesetzt, da sie eine besonders schonende Trocknungsmethode ist und die Pulver vorteilhafte Eigenschaften aufweisen.
Die Prozesssteuerung eines Sprühtrockners ist grundsätzlich unkritisch, da es nur wenige, aber ausreichend viele einstellbare Prozessparameter gibt. Die praktische Prozesssteuerung ist jedoch aufgrund des nicht idealen Trocknungsverhaltens der Produkte und des dynamischen Verhaltens des Sprühtrockners schwierig. Ändern sich die Betriebsparameter, z.B. Produkteigenschaften oder Luftfeuchtigkeit, muss die Anlage von geschultem Personal nachjustiert werden. Eine automatisierte Steuerung mit Standardsteuerungslösungen oder datengesteuerten Ansätzen des maschinellen Lernens (ML) oder digitalen Zwillingen ist aufgrund des nichtlinearen Steuerungsverhaltens und der unzureichenden On-Line-Sensorik nicht praktikabel.
Das Forschungsziel konzentriert sich auf die Inbetriebnahme neuer Anlagen zur Sprühtrocknung, die Prozessoptimierung für neue Produkte und das Scale-up bzw. Scale-through zwischen Anlagen unterschiedlicher Größe oder Bauart. Diese sind derzeit sehr kostenintensiv und mit entsprechend langen Produktionsausfällen verbunden. Das wissenschaftliche Problem besteht darin, die ideale Prozessführung für das jeweilige Produkt mit einem gegebenen Sprühtrockner und gegebenen Umgebungsbedingungen zu identifizieren. Mit Hilfe von ML-Ansätzen soll ein System entwickelt werden, das für die genannten Aufgaben ein „first time right“ ermöglicht, d.h. bereits initial wird auf Basis des digitalen Zwillings eine spezifisch optimierte Konfiguration vorgeschlagen.
Angestrebt wird ein hybrider digitaler Zwilling als Kombination aus physikalischer Modellierung und Parametrierung mit ML-Methoden, der das Systemverhalten eines Sprühturms beschreibt. Durch die Festlegung des grundsätzlichen Funktionsverlaufs und der Systembeschreibung in der physikalischen Modellierung soll die Extrapolationsfähigkeit der ML-Modelle auf neue Betriebszustände ermöglicht und die Problemkomplexität für die ML-Modelle gering gehalten werden. Durch die Einbindung von Transfer-Learning-Methoden und XAI-Komponenten sollen die Modelle zwischen Anlagen übertragbar und Vorhersagen nachvollziehbar gemacht werden.
