End-to-End Modeling and Predictive Control for Polymer Extrusion Lines

Kunststoffextrusion wird als Basistechnologie zur Herstellung zahlreicher Produkte, wie Rohre, Profile und Folien, eingesetzt. Hierbei zeichnen sich diese Produktionslinien durch ihre mehrstufige Prozessstruktur mit nichtlinearer Dynamik, langen Transportverzögerungen und zahlreichen Einflussfaktoren, wie Umgebungsbedingungen und Anlagenverschleiß, aus. Bisherige Forschungsarbeiten fokussierten sich entweder auf einzelne Prozesskomponenten (z.B. Heizzonen) oder vernachlässigten die Prozessdynamik gänzlich. Darüber hinaus eignen sich hochaufgelöste numerische Modelle aufgrund ihrer rechenintensiven Methodik nicht für den online Einsatz. Infolgedessen können Störungen entlang der Linie kaum kompensiert werden, wodurch es zu einem höheren Material- und Energieverbrauch sowie auch zu Ausschuss und ungeplanten Stillständen kommt. Um diese Herausforderungen zu adressieren, wurden im Zuge dieser Arbeit neue Methoden zur datengetriebenen Prozessmodellierung und für dateneffiziente Softsensoren sowie auch ein nichtlinearer modellprädiktiver Regler entwickelt. Hierbei wurde der Extrusionsprozess ganzheitlich betrachtet und physikalische Prinzipien integriert, wobei zwei Extrusionslinien für Kunststoffrohre zur Entwicklung und Validierung herangezogen wurden, um die industrielle Anwendbarkeit zu gewährleisten. Als Ergebnis dieser Arbeit können Transportverzögerungen entlang der Extrusionslinie und Wärmeübertragungskoeffizienten robust identifiziert werden, wodurch die Temperaturverteilung des extrudierten Rohrs mittels Reduced Order Model online berechnet werden kann. Darüber hinaus erlaubt der Einsatz von Physics-Informed Machine Learning den Prädiktionsfehler bei geometrischen Qualitätscharakteristiken um 60 % zu reduzieren. Um das dynamische Prozessverhalten ganzheitlich zu modellieren, wurde zudem eine Methode entwickelt, die durch autoregressives Multi-Task Learning und den Systemkausalitäten, die Trajektorie von relevanten Prozessgrößen für bis zu zwei Stunden zuverlässig prädizieren kann. Die resultierenden Prozessmodelle dienen als Basis für einen globalen modellprädiktiven Regler, um den Prozess zu optimieren und dominante Schwingungen um bis zu 62 % zu reduzieren. Aufgrund der methodischen Entwicklungen wird es den Betreibern von Extrusionslinien ermöglicht, den Prozess proaktiv und kontinuierlich zu optimieren. Der modulare Aufbau der entwickelten Methoden erweitert zudem die Anwendbarkeit auf ähnliche Domains und trägt damit zur ökonomischen und ökologischen Prozesseffizienz bei.