Industrie + Technik

Verfahren im laufenden Betrieb zu verbessern, kann die Produktion effizienter machen. Werden Methoden maschinellen Lernens mit Modellen kombiniert, die Unsicherheiten beschreiben, lassen sich Anlagen optimieren.
Rohstoffe sollen aus erneuerbaren Quellen kommen, eine flexible Fahrweise von Chemieanlagen soll den fluktuierenden Strommarkt ausgleichen und Unternehmen wollen die Zeiten von der Produktentwicklung bis zur Produktion verkürzen. All dies verändert den Betrieb verfahrenstechnischer Anlagen: Viele werden selten an ihrem Auslegungspunkt betrieben, sondern mit abweichender Last, anderen Produktspezifikationen oder Rohstoffen. Deshalb sind Energie- und Rohstoffeinsatz sowie Betriebskosten nicht wirtschaftlich.<h2>Optimieren in Echtzeit</h2>Methoden der Echtzeitoptimierung (real-time optimization, RTO) können die Anlageneffizienz steigern. Hierbei repräsentiert ein stationäres Modell die Anlage. Dieses wird stetig an Messdaten der Anlage angepasst, und für die aktuelle Auslastung wird ein (kosten-)optimaler Betriebspunkt ermittelt. Die Anforderungen an Modelle für RTO sind hoch: Sie müssen das Anlagenoptimum zuverlässig wiedergeben, sich einfach an Messdaten anpassen lassen und schnell zu lösen sein.Zwar ist RTO seit Jahren Stand der Technik, die Industrie setzt sie jedoch wenig ein. Als Gründe nennt sie die hohen Implementierungskosten und fehlenden wirtschaftlichen Erfolg realisierter Projekte. Neben Modellentwicklung und Schnittstellenarbeit zur Prozessleittechnik sind Auswahl und Implementierung von Prozessanalytik teuer. Modellseitig liegen die Schwierigkeiten in der mangelhaften Wiedergabe einzelner Anlagenphänomene, der Zeit für die Optimierung und dem hohen Rechenaufwand für die Modellanpassung.<h2>Modellieren und Lernen</h2>Datengetriebene Modelle für dynamische Systeme sind in der Regelungstechnik seit Jahrzehnten üblich. Seit einigen Jahren dienen sie nun auch dazu, stationäre Systeme mit maschinellem Lernen (ML) zu beschreiben.Für RTO-Zwecke sind neuronale Netze oder Gauß-Prozesse Ersatzmodelle. Diese bilden nichtlineares Verhalten komplexer Anlagen bestens ab, sind leichter als übliche physikochemische Anlagenmodelle an Messdaten anzupassen und schneller in der Optimierung. Hiermit lassen sich Kosten für die Entwicklung von RTO-Systemen senken und selbstanpassende autonome Anlagenbetriebe chemischer und biochemischer Prozesse erreichen.<h2>Mit seltenen Messdaten und Unsicherheiten umgehen</h2>In Chemieanlagen werden Temperaturen, Drücke, Flüsse und Füllstände kontinuierlich gemessen und können im Millisekundentakt vorliegen. Konzentrationen von Rohstoffen und Produkten werden nur selten kontinuierlich analysiert. Gewöhnlich bestimmen Betriebe Zusammensetzungen von Flüssig- oder Gasphasen im Tages- oder Wochentakt mit Gaschromatographie.Für Methoden, um Prozesse mit seltenen Messungen zu behandeln, nennen Ge und Kollegen das halbüberwachte Lernen (semi-supervised learning, SSL) als Klasse.1)Im laufenden Forschungsprojekt bauen wir auf SSL-Methoden auf und wenden sie für die RTO stationärer Anlagen an. Die Anlagen unterliegen wechselnden Umgebungsbedingungen, Veränderungen in den Rohstoffströmen, Degradation von Katalysatoren sowie Betriebsmitteln und wechselnder Auslastung. Wegen der sich ändernden Anlageneigenschaften muss das Anlagenmodell – der digitale Zwilling – ständig angepasst werden.Messdatenhistorien solcher Prozesse sind in der Regel durch starke Häufung geprägt: Es gibt einige wenige stationäre Betriebspunkte, an denen sich die Anlage häufig befindet und an denen viele Daten vorliegen, zwischen denen allerdings große leere Bereiche liegen.Unterliegen Parameter oder Eintrittsgrößen nichtlinearer Modelle Normalverteilungen, können Austrittsgrößen schiefe oder multimodale Verteilungsformen annehmen. Analog können bei realen Prozessen durch variierende Eintrittsgrößen und Streuung von Eigenschaften wie Katalysatorpartikelgrößen nichtnormale Verteilungen in Austrittsgrößen wie Produktströmen entstehen.Um den Betrieb mit ML-basierten Modellen zu unterstützen, ist es unerlässlich, die Unsicherheiten in bekannten und unbekannten Betriebsbereichen zu quantifizieren. Liegt eine solche Beschreibung der Modellunsicherheiten vor, kann dieses Modell dazu dienen, die Anlage kontinuierlich zu optimieren, während die Beschreibung der Modellunsicherheiten zu große Schritte in unbekannte Betriebsbereiche verhindert.Modelle der Anlage und der Unsicherheiten müssen kontinuierlich an neue Anlagenmessdaten angepasst oder nachtrainiert werden, um in der RTO eingesetzt werden zu können.<h2>Modellstrukturen</h2>Um die Unsicherheiten zu beschreiben, wird ein separates Modell aufgebaut. Hierfür ist über die Modellstruktur zu entscheiden, sodass sich beliebige schiefe, multimodale Verteilungen aus den Messdaten schätzen lassen.Die Abbildung skizziert Optionen, wie sich ein ML-basiertes Anlagenmodell mit einem Modell zur Beschreibung der Unsicherheiten kombinieren lässt. Durch die Trennung des Unsicherheitsmodells von der Beschreibung des Anlagenverhaltens lässt sich zusätzlich die Abhängigkeit der Unsicherheiten vom jeweiligen Anlagenzustand abbilden.<figure><img src="https://media.graphcms.com/S2y03AguTwSb6IYA37KZ"><figcaption><label>Abb. 1: </label>Die Beispiele a, b und c zeigen, wie sich Unsicherheitsmodelle mit Anlagenmodellen kombinieren lassen, die auf maschinellem Lernen basieren.</figcaption></figure>
Das Projekt soll Modellierungskonzepte für SSL finden, die sicheren und zuverlässigen Anlagenbetrieb über RTO optimieren. Hierzu liegt der Untersuchungsschwerpunkt auf der Qualität der Eingangs-Ausgangs-Korrelationen (ML-Modell), der zuverlässigen Vorhersage seltener Qualitätsmessgrößen und der Anwendbarkeit für RTO.<h2>Beispiele: Chloralkaliprozess und oxidative Methankopplung</h2>Aufbauend auf den Arbeiten von Pedregosa und Kollegen2) erproben wir Kombinationen ML-basierter Anlagen- und Unsicherheitsmodelle. Die Methode wird auf zwei Beispiele angewendet: auf einen Chloralkaliprozess mit variablen Strompreisen und auf eine Miniplant, die Methan oxidativ koppelt (oxidative coupling of methane, OCM), und zwar Methan aus Biogas mit veränderlicher Zusammensetzung. Für beide erzeugen die Forscher Szenarien mit seltenen Messdaten, Datenhäufung und unterschiedlicher Datenqualität. Danach arbeiten sie mit Messdaten aus der Industrie. Dieses Framework wird schließlich online an die OCM-Miniplant mit schwankender Feedgaszusammensetzung angeschlossen.Mit diesem Projekt leisten wir einen Beitrag zur Echtzeitoptimierung (bio-)chemischer Anlagen und liefern einen Prototyp für eine autonom arbeitende, sich selbst optimierende Anlage, der als Vorlage für eine Anwendung in der Industrie dienen soll.Das Projekt wird durch ein Max-Buchner-Forschungsstipendium finanziert.<h2>AUF EINEN BLICK</h2>Methoden der Echtzeitoptimierung können Anlagen effizienter machen, die Industrie nutzt sie aber noch wenig.Datengetriebene Modelle für dynamische Systeme sind in der Regelungstechnik üblich. Damit lassen sich nun auch stationäre Systeme wie Anlagen beschreiben.Ein Projekt nutzt halbüberwachtes Lernen, um Anlagen in Echtzeit zu optimieren. Bei sich ändernden Prozesseigenschaften ist das Anlagenmodell – der digitale Zwilling – anzupassen.Grafik: Adobe Stock/fotohansel<figure><img src="https://media.graphcms.com/NwJGV9rSiWcTEraQyOgN"><figcaption><label>Abb. 2: </label>Mensch-Maschine-Zusammenarbeit.</figcaption></figure>
<h2>Der Autor</h2>Erik Esche habilitiert an der TU Berlin im Fachgebiet Dynamik und Betrieb technischer Anlagen bei Jens-Uwe Repke. Esche verbindet Verfahrenstechnik mit mathematischer Optimierung und erprobt so entwickelte Methoden an den Miniplants des Lehrstuhls für den Betrieb verfahrenstechnischer Anlagen.<div><img src="https://media.graphcms.com/v8P8JGVkTMOZMh2gkrhd">

</div>
<ul><li>
1 Z. Ge, Z. Song, S. X. Ding, B. Huang, IEEEAccess 2017, 5, 20590–20616</li><li>
2 F. Pedregosa, G. Varoquaux, A. Gramfort et al., J. Mach. Learn. Res. 20011, 12, 2825–2830</li></ul>

Artikel

Prozesstechnik: Der sich anpassende Zwilling

Verfahren im laufenden Betrieb zu verbessern, kann die Produktion effizienter machen. Werden Methoden maschinellen Lernens mit Modellen kombiniert, die Unsicherheiten beschreiben, lassen sich Anlagen optimieren. Rohstoffe sollen aus erneuerbaren Quellen kommen, eine flexible Fahrweise von Chemiea...

Aminosäuren werden in der Pharma- oder Lebensmittelindustrie oft mit HPLC getrennt und über Fluoreszenz detektiert. Mit einer neue Methode lässt sich die bisher manuelle Vorsäulenderivatisierung automatisieren.
Lebensmittel und Pharmazeutika enthalten oft Aminosäuren; ihre Zusammensetzung und Gehalte sind daher ein Kriterium für die Produktfreigabe. HPLC mit Fluoreszenzdetektor ist ein sensitives und selektives Werkzeug für die Analyse von Aminosäuren. Um die Aminosäuren für diese Detektionsart zugänglich zu machen, ist es allerdings notwendig, die Analyten zu derivatisieren.Dafür gibt es etliche Methoden: Die Aminosäuren werden manuell1) oder mit einem externen Pipettierautomaten verarbeitet.2) Eine Alternative ist die Nachsäulenderivatisierung von Amino- und Iminosäuren nach Watanabe.3)Ein verbreitetes Reagenz ist o-Phthaldialdehyd (OPA), mit dem die Aminosäuren nach der analytischen Trennung umgesetzt werden.4) Für sekundäre Aminosäuren wie Prolin wird häufig 9-Fluorenylmethoxycarbonylchlorid (FMOC-Cl) eingesetzt, da sie nicht mit OPA reagieren.5)Um die Probenvorbereitung für die Analyse zu minimieren und zu automatisieren, lassen sich die Proben im Autosampler verarbeiten. Dabei werden sie in einem separaten Reaktionsgefäß oder in der Injektionsnadel des Autosamplers direkt vor der HPLC-Trennung derivatisiert.<h2>Proben mit dem Autosampler vorbereiten</h2>Um 26 Aminosäuren simultan in einem HPLC-Lauf zu bestimmen, wurde ein Nexera-X2-UHPLC-System mit SIL-30AC-Autosampler und dem RF-20Axs-Fluoreszenzdetektor (alle Shimadzu) eingesetzt. Über die integrierte Pretreatment-Funktion pipettiert der Autosampler Probe und Reagenzien in ein Reaktionsgefäß. Eine Standard C18-Säule diente bei der Trennung als stationäre Phase. Als mobile Phase wurde ein Hochdruckgradient aus Kaliumphosphatpuffer (mobile Phase A, 20 mmol·L–1, pH 6,9) und einem Gemisch aus Acetonitril/Methanol/Wasser (mobile Phase B, 45/40/15 (v/v/v)) bei einer Flussrate von 0,4 mL·min–1 eingesetzt.Die Derivatisierungsreagenzien wurden wie folgt hergestellt: 10 μL 3-Mercaptopropionsäure wurden in 10 mL Boratpuffer (0,1 mL·L–1, pH 9,2) gelöst. Zusätzlich wurden 10 mg o-Phthalaldehyd in 5 mL Boratpuffer (0,1 mL·L–1, pH 9,2) und 4 mg 9-Fluorenylmethoxycarbonylchlorid in 20 mL Acetonitril solvatisiert.Für die Analyse von Bier- und Weißweinproben wurde vor der Derivatisierung ein Aliquot der Proben mit 0,1 mol·L–1 HCl angesäuert und mit einem 0,2-μm-Spritzenfilter filtriert.<h2>Standards analysieren</h2>Um eine HPLC-Methode zu entwickeln, wurden ein Aminosäurestandard mit 20 proteinogenen Aminosäuren sowie weitere sechs funktionelle Aminosäuren mit einer Konzentration von je 10 μmol·L–1 genutzt. Direkt nach der automatisierten Derivatisierungsreaktion wurde die Probe injiziert. Innerhalb von 15 Minuten ließen sich nahezu alle 26 Aminosäuren mit Basislinientrennung voneinander separieren (Abbildung 1).<figure><img src="https://media.graphcms.com/d8JcQQYsQDSjCvTGH7fe"><figcaption><label>Abb. 1: </label>Chromatogramm eines Aminosäurestandardgemischs mit 26 Aminosäuren: je 10 µmol·L–1; 1: Asparaginsäure, 2: Glutaminsäure, 3: Asparagin, 4: Serin, 5: Glutamin, 6: Histidin, 7: Glycin, 8: Threonin, 9: Citrullin, 10: Arginin, 11: β-Alanin, 12: Alanin, 13: Taurin, 14: Theanin, 15: GABA, 16: Tyrosin, 17: Cystin, 18: Valin, 19: Methionin, 20: Tryptophan, 21: Phenylalanin, 22: Isoleucin, 23: Leucin, 24: Ornithin, 25: Lysin, 26: Prolin.</figcaption></figure>
Für die Regeneration des Gradienten wurde die Säule weitere neun Minuten gespült, sodass ein chromatographischer Lauf nach 24 Minuten abgeschlossen war.Die Linearität und Wiederholbarkeit der Methode ergab eine externe Kalibration im Konzentrationsbereich von 1 bis 100 μmol·L–1 je Aminosäure. Die Kalibrationsgerade weist für alle Analyten eine Linearität mit einem Bestimmtheitsmaß (R2) von über 0,999 auf.Die Wiederholbarkeit der Methode ergibt sich aus der Berechnung des Variationskoeffizienten der Peakflächen aus sechs Wiederholungsmessungen. Alle primären Amine wiesen hierbei einen Wert von &lt; 0,75 % auf. Für Prolin wurde ein Variationskoeffizient von 2,35 % ermittelt.Verglichen mit manueller Probenvorbereitung verdoppelte sich der Probendurchsatz, und zwar durch die zeitliche Überlappung der Derivatisierung im Autosampler mit den letzten Minuten des chromatographischen Laufs bei zwei HPLC-Läufen.<h2>Getränkeproben</h2>Um die Methode für Proben mit Matrix anzuwenden, wurden Aminosäuren in Bier und Weißwein analysiert. Hierfür musste die Methode leicht angepasst werden. Dazu wurde die Probe mit 0,1 μmol·L–1 HCl angesäuert und vor der Derivatisierungsreaktion durch einen 0,2-μm-Membranfilter filtriert. Eine Basislinientrennung der Peaks ist bei dieser Probenmatrix für nahezu alle Aminosäuren gewährleistet (Abbildung 2). Lediglich die Peaks von Threonin und Methionin in Bier überlappen mit Matrixkomponenten.<figure><img src="https://media.graphcms.com/sDUO1bO9QiG6xkSqAAdi"><figcaption><label>Abb. 2: </label>Chromatogramme von Bier (A) und Weißwein (B); 1: Asparaginsäure, 2: Glutaminsäure, 3: Asparagin, 4: Serin, 5: Glutamin, 6: Histidin, 7: Glycin, 8: Threonin, 9: Citrullin, 10: Arginin, 11: β-Alanin, 12: Alanin, 13: GABA, 14: Tyrosin, 15: Valin, 16: Methionin, 17: Tryptophan, 18: Phenylalanin, 19: Isoleucin, 20: Leucin, 21: Ornithin, 22: Lysin, 23: Prolin.</figcaption></figure>
<h2>Bei wenig Probenmaterial</h2>Damit die automatisierte Probenvorbereitung auch bei geringeren Probenvolumina funktioniert, wurde eine Methode zur Aminosäurenderivatisierung in der Autosampler-Nadel entwickelt. Mit dieser Methode reicht ein Probenvolumen von 1 µl für eine Analyse.Für diese Art der vereinfachten Probenvorbereitung kam die Co-Injektionsfunktion des Shimadzu-Autosamplers zum Einsatz. Diese Funktion ist in allen Modellen der neuen Serie Nexera 40 eingerichtet.Für die Vorsäulenderivatisierung in der Injektionsnadel war es notwendig, die Reagenzien in den folgenden Zusammensetzungen herzustellen: 10 μL 3-Mercaptopropionsäure wurden in 10 mL Boratpuffer (0,1 mL·L–1, pH 9,2) gelöst. Für das o-Phthalaldehyd-Reagenz wurden 10 mg OPA in 0,3 mL Ethanol solvatisiert und anschließend mit 0,7 mL Boratpuffer (0,1 mL·L–1, pH 9,2) und 4 mL bidestilliertem Wasser verdünnt. In gleichen Mengen vermischt bildeten die 3-Mercaptopropionsäure- und o-Phthalaldehyd-Lösungen die Reagenzlösung.Für das FMOC-Reagenz wurden 10 mg FMOC-Cl in 50 mL Acetonitril gelöst.Nach Abschluss der Derivatisierungsreaktion wurde 1 μL des Gemischs aus fluoreszierenden Aminosäurederivaten direkt auf eine Standard-C18-Säule injiziert. Als mobile Phase wurde ein Niederdruckgradient aus Natriumacetatpuffer (mobile Phase A, 20 mmol·L–1, pH 6), Wasser/Acetonitril (mobile Phase B, 1/9 (v/v)) und Natriumacetatpuffer (mobile Phase C, 20 mmol/L, pH 5, 0,5 mmol·L–1 EDTA-2Na) bei einer Flussrate von 1,0 mL·min–1 gewählt.Für die 20 proteinogenen Aminosäuren wurden Linearität und Wiederholbarkeit der Methode mit einer externen Kalibration im Konzentrationsbereich zwischen 0,25 und 25 pmol·L–1 getestet, für Prolin 2,5 bis 125 pmol·L–1. Bei diesen Experimenten ergab sich ein Bestimmtheitsmaß von (R2) über 0,999. Die relative Standardabweichung der Peakfläche für primäre Amine lag unter 2,7 %.Citrullin, Taurin, Theanin und γ-Aminobuttersäure (GABA) werden eine gesundheitsfördernde Wirkung nachgesagt, sie sind daher manchen Lebensmitteln zugesetzt. Diese Aminosäuren können parallel zu den proteinogenen Aminosäuren vor der Säule in der Injektionsnadel derivatisiert werden (Abbildung 3).<figure><img src="https://media.graphcms.com/1750IB7tSRi5fMNcBVn1"><figcaption><label>Abb. 3: </label>Analyse von 20 proteinogenen und 4 funktionellen Aminosäuren (je 12,5 µmol·L–1) mit Derivatisierung in der Injektionsnadel des Autosamplers; 1: Asparaginsäure, 2: Glutaminsäure, 3: Asparagin, 4: Serin, 5: Glutamin, 6: Histidin, 7: Glycin, 8: Threonin, 9: Arginin, 10: Alanin, 11: Tyrosin, 12: Methionin, 13: Valin, 14: Cystin, 15: Tryptophan, 16: Phenylalanin, 17: Isoleucin, 18: Leucin, 19: Prolin, 20: Lysin, 21: Citrullin, 22: Taurin, 23: Theanin, 24: GABA.</figcaption></figure>
Christopher Kuhlmann ist Produktspezialist HPLC bei Shimadzu Deutschland. Er hat in Münster Chemie studiert und in Siegen in analytischer Chemie promoviert.<h2>AUF EINEN BLICK</h2>Aminosäuren finden sich auch als Zusatzstoffe in Lebensmitteln oder sind Bestandteile von Medikamenten. Analyse mit HPLC ist daher Teil der Qualitätssicherung.HPLC trennt bis zu 26 Aminosäuren in einem Lauf. Derivatisierung ermöglicht, sie über Fluoreszenz zu detektieren.Automatisierte Vorsäulenderivatisierung kann den Probendurchsatz verdoppeln.Probenvolumina von etwa einem Mikroliter lassen sich in der Injektionsnadel des Autosamplers derivatisieren.
<ul><li>
1 H. Umagat, P. Kucera, L.-F. Wen, Liq. Chromatogr. 1982, 239, 463–474</li><li>
2 D. Heems, G. Luck, C. Fraudeau, E. Vérette, J. Chromatogr. A, 1998, 798, 9–17</li><li>
3 Y. Watanabe, K. Imai, Anal. Chem. 1983, 55, 1786–1791</li><li>
4 B. N. Jones, S. Pääbo, S. Stein, J. Liq. Chromatogr. 1981, 4, 565–586</li><li>
5 S. Einarsson, J. Chromatogr. A 1985, 348, 213–220</li></ul>

Artikel

Prozesstechnik: Der sich anpassende Zwilling

Optimieren in Echtzeit

Überprüfung Ihres Anmeldestatus ...