CN114846422A - 优化粉末生产 - Google Patents

优化粉末生产 Download PDF

Info

Publication number
CN114846422A
CN114846422A CN202080087066.2A CN202080087066A CN114846422A CN 114846422 A CN114846422 A CN 114846422A CN 202080087066 A CN202080087066 A CN 202080087066A CN 114846422 A CN114846422 A CN 114846422A
Authority
CN
China
Prior art keywords
production plant
production
data
model
operating conditions
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202080087066.2A
Other languages
English (en)
Inventor
H·施奈德
R·柯尼格
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BASF SE
Original Assignee
BASF SE
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by BASF SE filed Critical BASF SE
Publication of CN114846422A publication Critical patent/CN114846422A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32077—Batch control system
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • General Factory Administration (AREA)

Abstract

提出了一种用于控制和/或监视生产工厂(110)的计算机实现的方法。生产工厂(110)包括至少一个包括至少一个批过程(114)的过程链(112)。该方法包括以下步骤：a)确定输入数据的至少一个步骤(132)，其中，输入数据包括至少一个质量标准和生产工厂布局数据，其中，该步骤包括经由至少一个通信接口(158)取得生产工厂布局数据和接收与质量标准有关的信息；b)至少一个预测步骤(134)，其中，在预测步骤中，用于操作生产工厂(110)的操作条件通过对输入数据应用至少一个经训练的模型(136)来确定，其中，经训练的模型(136)通过对来自历史生产运行的传感器数据进行训练而至少部分地由数据驱动；c)至少一个控制和/或监视步骤(140)，其中，提供操作条件。

Description

优化粉末生产
技术领域
本发明涉及用于控制和/或监视生产工厂的计算机实现的方法、计算机程序和控制***。本发明具体可用于工业粉末生产，诸如用于碳黑、镍、铁、氧化锌或二氧化钛的生产。其它应用是可能的。
背景技术
高纯度纳米级粉末(具有1至100nm的典型粒径)和微米级粉末(具有0.1至10μm的典型粒径)的工业粉末生产(诸如碳黑、镍、铁、氧化锌或二氧化钛)可以在涉及连续火焰、热壁或喷雾热解反应器的气溶胶工艺中进行。
例如，羰基铁粉(CIP)的生产由US 2612440、GB 695925、US 2597701、US 2851347、DE1433361、DE3216362、DE 3428121、DE 3940347、US4197118、US 4113480、SU 1186398、DE102005030613、WO 2014/049016、CN 103046033、Syrkin,Tolmasski,Petrova,Translated from Poroshkovaya Metallurgiya,No.7(43),pp.38-44,July,1966,Mittasch,Zeitschrift für angewandte Chemie,“
Figure BDA0003694882970000011
Eisencarbonyl undCarbonyleisen”,28.07.1928,(30),827,Syrkin；Translated from PoroshkovayaMetallurgiya,No.3(21),pp.75-84,May-June,i964 Original article submittedJanuary 27,i963“About New process using atomization of liquid IPC into andecomposer”,Ebenhoech,Progress in powder Metallurgy(42),1986,“Carbonyl ironpowder production,properties and applications”描述。
原料粉末的特性，诸如粒径分布、形态、集聚程度、表面化学或相组成，在很大程度上取决于气溶胶反应器中的化学反应和颗粒生长。可以通过后续的机械、热和/或混合热和/或化学过程在单元操作或反应器(诸如磨机、筛网、筛子、烘箱、煅烧炉、回转窑或流化床)中进一步改变原料粉末的特性。气溶胶反应器和后续单元操作或反应器二者的控制对于确定特定应用的粉末特性至关重要。在实践中，确定特定应用的粉末特性的第一原理定律是未知的。因此，生产过程的控制涉及高度的经验主义和人工优化，这使得粉末生产复杂且容易出错。
WO 2019/188931 A1描述了卷绕条件生成设备、卷绕设备、卷绕缺陷水平预测值生成设备、卷绕条件计算方法、卷绕方法和卷绕缺陷水平预测值生成方法。卷绕条件生成设备设置有输入单元、输出单元和条件计算单元，其中：条件计算单元设置有由机器学习使用在生产满足目标卷绕质量的卷绕网时使用的卷绕条件和卷绕参数的组合作为示教数据产生的学习模型，并使用学习模型根据从输入单元输入的新卷绕网的卷绕参数，计算出新卷绕网的卷绕条件；以及输出单元，其输出卷绕条件。卷绕参数包括网的宽度、传送网的速度和网的卷绕长度。卷绕条件包括网卷绕开始时的网的张力和网卷绕结束时的网的张力。
发明内容
待解决的问题
因此希望提供解决上述技术挑战的方法和设备。具体地，应提供用于控制和/或监视生产工厂的设备和方法，其允许对生产工厂的不太复杂、稳健和改进的控制。
概述
该问题通过具有独立权利要求的特征的用于控制和/或监视生产工厂的计算机实现的方法、计算机程序和控制***来解决。在从属权利要求中列出了可以以孤立方式或以任意组合方式实现的有利实施例。
如在下面使用的，术语“具有”、“包含”或“包括”或其任何任意语法变体以非排他的方式使用。因此，这些术语既可以指在其中除了这些术语引入的特征之外在此描述的实体中不存在其它特征的情况，也可以指存在一个或多个其它特征的情况。作为示例，表述“A具有B”、“A包含B”和“A包括B”都可以指除B之外，A中不存在其它元素的情况(即A完全且排他地由B组成的情况)，以及除B之外，实体A中存在一个或多个其它元素(诸如元素C、元素C和D或甚至其它元素)的情况。
此外，应当注意，指示特征或元素可能存在一次或多次的术语“至少一个”、“一个或多个”或类似表述通常在引入相应特征或元素时仅使用一次。在下面，在大多数情况下，当提及相应的特征或元素时，将不重复表述“至少一个”或“一个或多个”，尽管存在相应的特征或元素可能存在一次或多于一次的事实。
此外，如在下面使用的，术语“优选地”、“更优选地”、“特别地”、“更特别地”、“具体地”、“更具体地”或类似术语与可选特征结合使用，而不是限制替代的可能性。因此，由这些术语引入的特征是可选特征并且不旨在以任何方式限制权利要求的范围。如本领域技术人员将认识到的，本发明可以通过使用替代特征来执行。类似地，由“在本发明的实施例中”或类似表述引入的特征旨在是可选特征，对本发明的替代实施例没有任何限制，对本发明的范围没有任何限制，并且没有关于以这种方式引入的特征与本发明的其它可选或非可选特征组合的可能性的任何限制。
在本发明的第一方面，提出了一种用于控制和/或监视生产工厂的计算机实现的方法。
如在此所使用的，术语“计算机实现的”是广义术语，并且将赋予本领域普通技术人员其普通和惯用的含义，而不限于特殊或定制的含义。该术语具体可以指但不限于通过使用数据处理部件(诸如包括至少一个处理器的数据处理部件)来完全或部分实现的过程。因此，术语“计算机”通常可以指代设备或具有至少一个数据处理部件(诸如至少一个处理器)的设备的组合或网络。此外，计算机可以包括一个或多个另外的组件，诸如数据存储设备、电子接口或人机接口中的至少一个。
如在此所使用的，术语“生产工厂”是广义术语，并且将赋予本领域普通技术人员其普通和惯用的含义，而不限于特殊或定制的含义。该术语具体可以指但不限于用于生产和/或制造和/或生成和/或加工至少一种产品的设备或设备***或设备复合体。生产工厂可以是化学生产工厂。特别地，生产工厂可以是被配置用于生产至少一种粉末的粉末生产工厂。
术语“化学生产工厂”可以指但不限于用于一种或多种化学产品的制造、生产或加工(即由化学生产工厂执行的制造或生产过程或加工)的工业目的的任何技术基础设施。因此，化学生产工厂可以是加工厂、制药厂、化石燃料加工设施(诸如油井和/或天然气井)、炼油厂、石油化工厂、裂化厂等中的一种或多种。化学生产工厂甚至可以是蒸馏厂、处理厂或回收厂中的任何一种。化学生产工厂甚至可以是以上给出的任何示例或其类似示例的组合。此外，化学生产工厂通常包括多个传感器和至少一个控制***，用于控制与化学生产工厂中的过程或过程参数相关的至少一个参数。这种控制功能通常由控制***或控制器响应于来自传感器中的至少一个传感器的至少一个测量信号来执行。
本公开中的术语“化学产品”可以指任何工业产品，诸如化学、药物、营养品、化妆品、生物制品、饮料、纺织品、金属、塑料或甚至它们的任何组合。化学产品可以完全由天然成分组成，或者它可以至少部分地包含一种或多种合成成分。化学产品的一些非限制性示例是有机或无机组合物、单体、聚合物、泡沫、杀虫剂、除草剂、肥料、饲料、营养产品、前体、药物或处理产品，或它们的成分或活性组分的任何一种或多种。在一些情况下，化学产品甚至可以是最终用户或消费者可用的产品，例如化妆品或药物组合物。化学产品甚至可以是可用于制造另外一种或多种产品的产品，例如，化学产品可以是可用于制造鞋底的合成泡沫，或可用于汽车外部的涂层。化学产品可以以任何形式，例如以固体、半固体、糊状、液体、乳液、溶液、丸粒、颗粒或粉末的形式。另外或可替代地，化学产品甚至可以是服务产品，例如回收或废物处理，诸如再循环、化学处理，诸如分解或溶解成一种或多种化学产品。
生产工厂可以包括装备，也称为或处理单元，诸如如下中的任何一种或多种：热交换器、塔(诸如分馏塔)、熔炉、反应室、裂化单元、储罐、挤出机、造粒机、沉淀机、搅拌机、混合机、切割机、固化管、汽化器、过滤器、筛子、管道、堆栈、过滤器、阀、致动器、磨机、变压器、传送***、断路器，机械，例如重型旋转装备，诸如涡轮机、发电机、粉碎机、压缩机、工业风扇、泵、运输元件(诸如传送机***、马达)等。术语“装备”可以指生产工厂内的任何一项或多项资产。作为非限制性示例，装备可以指计算单元或控制器、传感器、致动器、末端执行器单元、运输元件(诸如传送机***)、热交换器(诸如加热器)、熔炉、冷却单元、反应器、混合器、磨机、切碎机、压缩机、切片机、挤出机、干燥机、喷雾器、压力或真空室、管、箱、筒仓以及直接或间接用于或在工业工厂生产期间使用的任何其它种类的装置等中的任何一个或多个，或它们的任何组合。优选地，装备特别地指直接或间接涉及生产过程的那些资产、装置或组件。更优选地，可以影响化学产品性能的那些资产、装置或组件。装备可以被缓冲，也可以不被缓冲。此外，装备可涉及混合或不混合、分离或不分离。没有混合的无缓冲装备的一些非限制性示例是传送机***或传送带、挤出机、造粒机和热交换器。没有混合的缓冲装备的一些非限制性示例是缓冲筒仓、料箱等。具有混合的缓冲装备的一些非限制性示例是具有混合器的筒仓、混合容器、切割磨机、双锥混合器、固化管等。具有混合的非缓冲装备的一些非限制性示例是静态或动态混合器等。具有分离的缓冲装备的一些非限制性示例是塔、分离器、萃取、薄膜蒸发器、过滤器、筛子等。装备可以甚至是或可包括存储或包装元件，诸如八角箱灌装、桶、袋、油罐车。
生产工厂包括至少一个过程链。如在此所使用的，术语“过程链”是广义术语，并且将赋予本领域普通技术人员其普通和惯用的含义，而不限于特殊或定制的含义。该术语具体可以指但不限于在至少一个处理单元或多个处理单元中执行的一系列过程或生产步骤。过程链可以包括可以同时执行的步骤或过程和/或可以连续执行的步骤或过程。过程链可以包括至少一条生产线。过程链可以包括多条生产线，特别是可以并行操作的多条生产线。
生产工厂可以包括至少两个顺序过程，特别是至少两个化学过程。术语“顺序过程”可以指至少两个彼此跟随的过程。过程中的每个过程可以具有不同的操作参数。具体地，后续的第二过程可能会受到之前的第一过程影响，其中，特别是第一过程的至少一个参数可以确定来自第二过程的参数。具有单独参数的顺序过程可能更难或更难以控制，特别是如果两个过程中的至少一个过程是化学过程。根据本发明的用于控制和/或监视的方法可以允许对顺序过程进行可靠和简化的控制。
过程链包括至少一个批过程。如在此所使用的，术语“批过程”是广义术语，并且将赋予本领域普通技术人员其普通和惯用的含义，而不限于特殊或定制的含义。该术语具体可以指但不限于其中处理单元按时间顺序排列并且与生产过程直接相关的过程。过程链可以包括多个批过程。批过程可以被配置为控制产品的至少一种特性。批过程可以包括至少一种机械和/或至少一种热和/或至少一种化学过程。批过程可以包括处理单元操作，也称为精加工操作，包括研磨、混合、筛分、筛选、氢退火、涂覆及其组合中的一种或多种。生产工厂可以包括选自由如下组成的组的至少一个单元：至少一个磨机、至少一个筛网、至少一个筛子、至少一个烘箱、至少一个煅烧炉、至少一个回转窑、至少一个流化床。
过程链可以包括至少一种连续过程。如在此所使用的，术语“连续过程”是广义术语，并且将赋予本领域普通技术人员其普通和惯用的含义，而不限于特殊或定制的含义。该术语具体可以指但不限于不间断的流式生产方法。过程链可以包括分批和连续过程。过程链可以包括半连续和/或半批过程。例如，过程链可以包括至少一个连续过程和多个批过程。生产工厂可被配置用于连续处理和/或批处理。生产工厂可以包括多个并行的连续和/或批过程。可以以不同方式组合连续和/或批过程。连续和批过程的组合可取决于至少一个标准，诸如产品的质量。可以基于质量标准选择连续过程和批过程的组合以通过过程链采取最优路线。此外，其它标准是可能的，诸如订单队列等。
例如，生产工厂可以是被配置用于生产至少一种粉末的粉末生产工厂。粉末可以是纳米级粉末(例如具有1至100nm的粒径)或微米级粉末(例如具有0.1至10μm的粒径)。粉末可以是选自由以下组成的组中的至少一种粉末：羰基铁粉(CIP)；铁粉；碳黑；镍；铁；氧化锌；二氧化钛。
特别地，生产工厂可以是用于生产羰基铁粉(CIP)的粉末生产工厂。羰基铁粉可用于各种工业应用，诸如用于金属注塑成型、线圈芯、雷达吸收、金刚石工具等。CIP是一种高纯度的超细铁粉。CIP可以通过五羰基铁的热分解产生。CIP可以经由热壁气溶胶过程生产，其中气态五羰基铁(IPC)分解成铁和一氧化碳。生产工厂可以包括至少一个蒸发器或可以连接到至少一个蒸发器。生产工厂可以包括至少一个反应器。反应器可以是过程链的连续过程或可以是过程链的连续过程的一部分。可在单独的羰基化工厂或上游过程步骤中生产的液态五羰基铁(IPC)可被馈入蒸发器，在蒸发器中将液体加热至约104℃。IPC沸腾，并且生成的纯气体可以馈入生产工厂的反应器。反应器可以是具有一定长度和直径的圆柱形反应器。反应器可被壁加热高达550℃。IPC在吸热反应中定量分解为铁和5摩尔一氧化碳气体。反应区的温度通常在250℃和350℃之间。在气相中形成的铁颗粒可以是μm级球形颗粒。
由反应器产生的原始CIP通常包含一些杂质，例如硬CIP包含C或N或O(∑～2wt％)，这是由催化活性铁颗粒表面发生的不同副反应引起的。具体地，如果没有将氨加入***中，则可以在结构中找到铁碳化物和铁氧化物；如果将氨添加到反应气体，则几乎不会形成铁氧化物，而是形成氮化物和碳化物。可以经由进料成分、流入气体的温度、反应器几何形状、反应器大小、反应器壁温度中的一种或多种来控制原始CIP特性。过程链可以包括至少一个原始CIP分类步骤，其中在反应器底部的反应器中形成的材料或反应器的尾气，诸如每摩尔IPC 5摩尔一氧化碳，可用于将产生的原始CIP分类为至少两个或更多个部分。IPC和原始CIP生产可以在连续的过程中进行。
原始CIP可以在至少一个批过程中进一步加工以生产精加工产品。如上所述，过程链包括至少一个批过程。例如，原始CIP可以被馈入容器中，并且然后可以根据所需和/或计划和/或想要的精加工产品的要求在不同的批过程中进行处理。生产工厂可以配置为生产不同种类的精加工CIP，即所谓的等级。这些等级可以在多条生产线上生产。等级可取决于特定于应用的特性和质量标准。质量标准可以由CIP的工业应用指定。可以定义质量标准以保证应用的正常运行。精加工CIP产品的特性可包括粒径分布、形态、集聚程度、表面化学和相组成中的一种或多种。精加工CIP产品的特性，即过程链的结果，可以通过后续的固体处理单元操作来控制，该操作包括研磨、混合、筛分、筛选、氢退火、涂覆及其组合中的一种或多种。生产工厂可以包括选自由如下组成的组的至少一个单元：至少一个磨机、至少一个筛网、至少一个筛子、至少一个烘箱、至少一个煅烧炉、至少一个回转窑、至少一个流化床。可以通过机械和/或热和/或化学过程修改原始CIP特性。研磨可包括破坏集聚物和/或聚集体。混合可以包括均化较大的批次。筛分可包括粒径分布的微调。特性的后续调节可需要大量企业专有技术和/或手动批量操纵。
CIP的生产过程需要高度的灵活性以满足不同的规范。由于在粉末生产中，中间质量检查和/或对控制粉末特性的现象的第一原理理解经常缺失和/或不完整，因此通常难以在生产的每个步骤处检测到质量问题。这可导致通过不同的步骤携带错误或不合适的产品，并且仅在过程链末端的最终质量检查中检测到。在这种情况下，生产失败和生产不合适的CIP批次的风险很高。本发明提出了一种允许在最优生产条件下生产以满足所需特性和/或质量标准的方法。
该方法包括以下方法步骤，具体地，可以以给定的顺序执行该方法步骤。不过，不同的顺序也是可能的。进一步可以完全或部分地同时执行两个或更多个方法步骤。此外，上述方法步骤中的一个或多个或甚至全部步骤可以执行一次，或可以重复执行，诸如重复一次或多次。此外，该方法可以包括未列出的附加方法步骤。
该方法包括以下步骤：
a)确定输入数据的至少一个步骤，其中，输入数据包括至少一个质量标准和生产工厂布局数据，其中，该步骤包括经由至少一个通信接口取得生产工厂布局数据和接收与质量标准有关的信息；
b)至少一个预测步骤，其中，在该预测步骤中，用于操作生产工厂的操作条件通过对输入数据应用至少一个经训练的模型来确定，其中，经训练的模型通过对来自历史生产运行的传感器数据进行训练而至少部分地由数据驱动；
c)至少一个控制和/或监视步骤，其中提供操作条件。
如在此所使用的，术语“输入数据”是广义术语，并且将赋予本领域普通技术人员其普通和惯用的含义，而不限于特殊或定制的含义。该术语具体可以指代但不限于经训练的模型的输入值或参数和/或可以填充到经训练的模型中的数据。经训练的模型被配置为基于输入数据生成至少一个预测。输入数据可以是或可以包括可以表征质量标准的至少一个参数的可量化变量。输入数据可以是或可以包括可以表征工厂布局数据的至少一个参数的可量化变量。
输入数据包括质量标准。如在此所使用的，术语“质量标准”是广义术语，并且将赋予本领域普通技术人员其普通和惯用的含义，而不限于特殊或定制的含义。该术语具体可以指但不限于产品的至少一种特性，特别是精加工产品的特性，诸如值或范围。质量标准可以是应用相关的质量标准。质量标准可以包括粒径分布、形态、集聚程度、表面化学和相组成中的一种或多种。质量标准可以包括至少一个客户规范。客户规范可以包括至少一个质量参数的至少一个范围。基于质量参数，可以沿着客户价值链进行进一步的处理。可以向经训练的模型馈送与质量标准有关的输入数据，特别是输入参数。一些输入参数可由客户提供。其它可以基于客户输入来确定。例如，客户可以指定工业应用和与这种应用相关的规范。可以从数据库计算或取得关于产品特性的附加输入参数。
质量标准可以由客户经由通信接口提供。如在此所使用的，术语“通信接口”是广义术语，并且将赋予本领域普通技术人员其普通和惯用的含义，而不限于特殊或定制的含义。该术语具体可以指但不限于形成被配置用于传送信息的边界的项目或元素。特别地，通信接口可以被配置用于从计算设备(例如计算机)传送信息，诸如发送或输出信息例如到另一设备上。另外或可替代地，通信接口可以被配置为将信息传送到计算设备上，例如到诸如接收信息的计算机上。通信接口可以具体地提供用于传送或交换信息的部件。特别地，通信接口可以提供数据传送连接，例如蓝牙、NFC、感应耦合等。作为示例，通信接口可以是或可以包括至少一个端口，包括网络或互联网端口、USB端口和磁盘驱动器中的一个或多个。通信接口可以是至少一个网络接口。
输入数据包括生产工厂布局数据。如在此所使用的，术语“生产工厂布局数据”是广义术语，并且将赋予本领域普通技术人员其普通和惯用的含义，而不限于特殊或定制的含义。该术语具体可指但不限于物理化学值，其具体可用于如将在下面更详细描述的白盒模型。例如，生产工厂布局数据可以包括关于生产工厂的信息，诸如生产工厂的设计和/或诸如在操作中、维护中、计划维护、当前操作状态(例如劣化状态)中的状态。该设计可以包括指定手头的物理反应器设计的参数，诸如反应器几何形状、反应器数量、工厂布局(诸如连续过程或批过程)。生产工厂布局数据可以包括实时数据。实时数据可以包括关于生产工厂的当前状态的信息。术语“关于当前状态的信息”可以指例如经由来自生产工厂的一个或多个传感器的传感器数据获得的与操作状态相关的任意信息。生产工厂布局数据可以包括预定义布局参数。例如，预定义布局参数可以包括几何形状、诸如最低温度、最高温度、速度等的规范中的一种或多种。预定义布局数据可用于白盒模型或用于调度。可以经由通信接口从至少一个数据库中取得预定义布局参数。如在此所使用的，术语“数据库”是广义术语，并且将赋予本领域普通技术人员其普通和惯用的含义，而不限于特殊或定制的含义。该术语具体可以指但不限于信息的任意集合，诸如存储在至少一个数据存储设备中的信息。数据库可以包括其中存储有信息的至少一个数据存储设备。特别地，数据库可包含任意的信息集合。数据库可以是或可以包括选自由以下组成的组的至少一个数据库：至少一个服务器、包括多个服务器的至少一个服务器***、至少一个云服务器或云计算基础设施。数据库可以包括被配置为存储数据的至少一个存储单元。
如在此所使用的，术语“预测”是广义术语，并且将赋予本领域普通技术人员其普通和惯用的含义，而不限于特殊或定制的含义。该术语具体可以指但不限于经训练的模型的结果。特别地，预测可以是用于满足质量标准的至少一种操作条件的期望值。经训练的模型可以被配置用于预测产生所需的特定应用产品特性，特别是粉末特性的最优生产过程条件。换句话说，步骤b)中操作条件的确定可以包括预测用于操作生产工厂的操作条件。具体地，在预测步骤中，确定用于操作生产工厂的预测操作条件。控制和/或监视步骤可以基于预测的操作条件。控制和/或监视步骤可以包括提供预测的操作条件。在步骤b)中确定的操作条件可以包括关于最优路线的信息。预测的操作条件可以包括通过过程链的最优路线。如在此所使用的，术语“路线”或“生产路线”是广义术语，并且将赋予本领域普通技术人员其普通和惯用的含义，而不限于特殊或定制的含义。该术语具体可以指但不限于单元操作的组合和/或处理单元的组合和/或过程或生产步骤的组合，特别是包括在生产工厂中的生产过程期间执行和/或通过的连续和/或批过程。如在此所使用的，术语“最优路线”是广义术语，并且将赋予本领域普通技术人员其普通和惯用的含义，而不限于特殊或定制的含义。该术语具体可以指但不限于就至少一个质量标准而言通过生产工厂的最优路线。因此，最优路线具体地可以是从使至少一个质量标准最大化或最小化的多个可能路线中选择的路线。最优路线可以是目标路线和/或最终路线和/或计划路线。例如，取决于生产工厂的质量标准和/或工作量，批过程可以包括通过生产工厂的不同路线。可以组合不同的处理单元操作以达到和/或确保就至少一个质量标准而言的最优。
如在此所使用的，术语“操作条件”是广义术语，并且将赋予本领域普通技术人员其普通和惯用的含义，而不限于特殊或定制的含义。该术语具体可以指但不限于用于操作生产工厂的生产过程条件，特别是用于生产工厂的一个或多个或甚至所有单元的生产过程条件。操作条件可包括连续处理单元的操作条件，诸如体积或质量流率、流入成分、流入温度、浓度、压力、反应器壁温度、反应器几何形状、反应器大小中的一种或多种。操作条件可以包括批处理单元的操作条件，诸如停留时间、压力、体积或质量流率、流入成分、流入温度、浓度、壁温、投料配方、反应器几何形状、反应器大小中的一种或多种。
如在此所使用的，术语“经训练的模型”是广义术语，并且将赋予本领域普通技术人员其普通和惯用的含义，而不限于特殊或定制的含义。该术语具体可以指但不限于在至少一个训练数据集上训练并且被配置为针对至少一个输入变量预测至少一个目标变量的数学模型。具体地，输入变量可以是质量标准和工厂布局数据，并且目标变量可以是操作条件。经训练的模型通过对来自历史生产运行的传感器数据进行训练而至少部分地由数据驱动。如在此所使用的，术语“数据驱动模型”是广义术语，并且将赋予本领域普通技术人员其普通和惯用的含义，而不限于特殊或定制的含义。该术语可以具体地指但不限于经验的预测模型。具体地，数据驱动模型来源于对实验数据的分析。数据驱动模型可以是机器学习工具。
经训练的模型可以采用历史数据训练，该历史数据包括与来自过程控制、物理反应器设计、工厂布局和生产运行的数据相关联的生产粉末的质量标准中的一个或多个。经训练的模型可以对来自历史生产运行的数据进行训练，该数据包括历史生产工厂布局数据、至少一个历史质量标准和反映历史操作条件的传感器数据中的一个或多个。通常，模型的训练可以基于再现函数，在该情况下是工厂布局数据，其中质量标准是函数的变量，并且操作条件是函数值。由于传感器数据反映了操作条件，因此模型的训练基于传感器数据。此外，模型的训练可以至少部分地基于历史工厂布局数据和质量标准。术语“历史生产运行”是指过去或更早时间点的生产运行。历史生产运行可以包括与来自生产运行的过程控制、物理反应器设计、工厂布局和传感器数据中的一个或多个的数据相关联的生产产品的质量标准。传感器数据可以包括来自至少一个温度传感器、体积或质量流率传感器、压力传感器、颗粒计数传感器、重量传感器的数据。如在此所使用的，术语“至少部分地由数据驱动的模型”是广义术语，并且将赋予本领域普通技术人员其普通和惯用的含义，而不限于特殊或定制的含义。该术语具体可以指但不限于经训练的模型包括数据驱动模型部分和其它模型部分的事实。
训练模型可以是混合模型。混合模型可以指包含第一原理部分的模型，即所谓的白盒，以及数据驱动的部分，即所谓的黑盒，参见例如Moritz von Stoch等人的评论论文：“Hybrid semi-parametric modeling in process systems engineering:Past,presentand future”,2014,Computers&Chemical Engineering,pergamon press,Oxford,GB,vol.60,31August2013,pages 86to 101XP028792356,ISSN:0098-1354,DOI:10.1016/J.COMPCHEMENG.2013.08.008。经训练的模型可以包括白盒模型和黑盒模型的组合。白盒模型可以基于物理化学定律。物理化学定律可以从第一原理推导出来。物理化学定律可以包括化学动力学、质量、动量和能量守恒定律、任意维度的颗粒群中的一种或多种。白盒模型可以根据控制相应过程步骤的物理化学定律来选择。黑盒模型可以基于来自历史生产运行的传感器数据。黑盒模型可以通过使用机器学习、深度学习、神经网络或其它形式的人工智能中的一种或多种来构建。黑盒模型可以是在训练和测试数据之间产生良好拟合的任何模型。
经训练的模型可以包括串行或并行架构。在串行架构中，白盒模型的输出用作黑盒模型的输入，或者黑盒模型的输出用作白盒模型的输入。在并行架构中，白盒模型和黑盒模型的组合输出例如通过输出的叠加来确定。有关串行和并行架构的更多详细信息，请参考Moritz von Stoch等人的评论论文：Hybrid semi-parametric modeling in processsystems engineering:Past,present and future”,2014,Computers&ChemicalEngineering,pergamon press,Oxford,GB,vol.60,31August 2013,pages 86to101XP028792356,ISSN:0098-1354,DOI:10.1016/J.COMPCHEMENG.2013.08.008。例如，在原始CIP生产步骤中，可以使用三个子模型来训练基于过程控制数据和反应器几何形状的模型。第一子模型可以基于混合模型来预测平均粒径，其中化学动力学和种群平衡求解器作为白盒模型，并且数据驱动模型用作对历史数据进行训练的黑盒校正器。该第一子模型可以具有串行架构，其中白盒模型的输出作为黑盒模型的输入，或者第一子模型可以具有并行架构。第二子模型可以基于来自第一子模型的输入和经由计算流体动力学(CFD)获得的停留时间分布来预测粒径分布。经由种群平衡求解器变换停留时间分布以获得粒径分布(PSD)。计算的PSD和历史数据之间的误差可以由数据驱动模型学习，并且然后可以应用于任意预测。第二子模型可以具有并行架构。第三子模型可以基于由第一子模型提供的特征和历史训练数据来预测化学成分。第三子模型可以具有串行架构，其中黑盒模型的输出被输入到白盒模型。其它示例也是可能的。
经训练的模型可以包括至少一个子模型，特别是多个子模型。例如，子模型可以是白盒模型，和/或子模型中的至少一个可以是白盒模型。经训练的模型可以包括多个子模型，诸如用于至少一个生产步骤和/或用于至少一个过程步骤和/或用于至少一个生产线，它们是白盒模型或混合模型或纯数据驱动模型。每个子模型可以负责预测操作条件或负责向预测操作条件的其它子模型提供输入。经训练的模型被构建以预测可控参数，该参数在实际生产过程中是直接可控的。这种参数可以经由生产工厂布局文件中的元数据进行标记。如在此所使用的，术语“可控参数”是广义术语，并且将赋予本领域普通技术人员其普通和惯用的含义，而不限于特殊或定制的含义。该术语具体可以指但不限于可以在生产过程中设定的参数。可控参数可以包括例如体积或质量流率、流入成分、流入温度、浓度、压力、反应器壁温度中的一种或多种。
生产工厂的生产可以包括多个生产步骤。经训练的模型可以表示单个生产步骤或一组生产步骤。经训练的模型被配置为预测单个生产步骤或一组生产步骤的操作条件。理想情况下，可以预测包括每个可控元件的整个过程链。
生产工厂可以包括至少一个生产线。生产工厂可以包括多个生产线。生产线可以并行操作。经训练的模型可以被配置用于预测单个生产线或一组生产线的操作条件。例如，生产线可以包括至少一个反应器和至少一个固体处理单元。经训练的模型可以被配置用于预测反应器和/或固体处理单元的操作条件。
如上所述，过程链可以包括连续过程和批过程的任意组合。经训练的模型可以被配置为提供与通过处理链的最优路线相关的操作条件，以实现质量标准。此外，可以考虑用于确定通过处理链的最优路线的其它标准，诸如订单队列等。
经训练的模型可以包括和/或覆盖连续过程或生产过程的一部分，诸如在反应器上用于原始CIP产品的CIP生产。此外，用于完成导致CIP等级的原始产品的批过程可以包括在经训练的模型中。这些精加工操作可以包括例如研磨、分级、氢退火、涂覆及其组合。经训练的模型可以包括与过程链的每个批过程相关的单元操作。取决于工业应用和相应的产品特性，特别是CIP特性，单元操作可以作为预定义组的组合包括在经训练的模型中。具体地，可以基于经训练的模型的输出对批过程进行建模，该经训练的模型覆盖连续过程或生产过程的一部分，在这种情况下该生产过程可以提供中间质量标准。每个批过程或路线都可能具有自己的模型。对于每个单元操作组合，可以取决于输入数据，特别是客户的输入，训练和选择模型进行预测。
经训练的模型可以包括用于通过过程链的预定义路线的模型。例如，特别是对于CIP生产，经训练的模型可以包括与反应器和预定义单元操作相关的模型部分。例如，可能存在多个不同的预定义路线，其中基于质量标准选择匹配或拟合路线，为其确定操作条件。作为通过过程链的预定义路线的替代，可以基于目标函数定义至少一个优化问题。例如，图论可用于寻找最优操作条件以及连续和批过程的最优组合。因此，除了操作条件之外，可以训练和预测最优路线。
如在此所使用的，术语“控制”是广义术语，并且将赋予本领域普通技术人员其普通和惯用的含义，而不限于特殊或定制的含义。该术语具体可以指但不限于确定和/或调节生产工厂的至少一个参数。如在此所使用的，术语“监视”是广义术语，并且将赋予本领域普通技术人员其普通和惯用的含义，而不限于特殊或定制的含义。该术语具体可以指但不限于定量和/或定性确定生产工厂的至少一个参数。该至少一个参数涉及生产工厂的操作条件。在控制和/或监视步骤中，提供预测的操作条件。具体地，控制和/或监视步骤可以基于预测的操作条件。术语“提供”可以指生成至少一个输出，特别是指生产工厂的至少一个控制器或调度器。可以经由至少一个输出通道提供操作条件。可以根据确定的操作条件控制生产工厂。可以提供每个可控元件的操作条件。经训练的模型可以被配置为预测可控参数，该可控参数在实际生产过程中是直接可控的。这种参数可以经由生产工厂布局文件中的元数据进行标记。特别地，可以根据提供的操作条件控制原始CiP生产过程的反应器以达到最优结果。该方法可以包括使用控制***，诸如下面更详细描述的控制***。
该方法可以包括基于所确定的操作条件来确定用于生产工厂的运行的生产计划。该方法可以允许通过控制***和/或调度器并且特别是优化生产计划来控制生产工厂。一旦客户下了包括所需规范的订单，就可以采用经训练的模型确定最优操作条件。完整的生产计划可以由控制***评估和/或可以传递给调度器，该调度器基于例如质量标准、反应器分配、操作条件、原材料奖品、紧迫性、批量大小等的相似性对进入的生产运行进行排名。此外，控制***和/或调度器可以与运输计划***通信，用于物流触发所需的运输终端在现场拾取最终生产批次并将它们运输到客户的位置。此外，控制***和/或调度器可能用于基于完全数字化的生产计划预测库存水平。
在本发明的另一方面中，提出了一种用于控制和/或监视生产工厂的计算机程序，特别是应用程序。生产工厂包括至少一个包括至少一个批过程的过程链，其中计算机程序包括指令，当程序由计算机或计算机网络执行时，该指令使计算机或计算机网络执行以下步骤：
i)确定输入数据，其中，输入数据包括至少一个质量标准和生产工厂布局数据，其中，该步骤包括经由至少一个通信接口取得生产工厂布局数据并接收与质量标准有关的信息；
ii)通过对输入数据应用至少一个经训练的模型来确定用于操作生产工厂的操作条件，其中，经训练的模型通过对来自历史生产运行的传感器数据进行训练而至少部分地由数据驱动；
iii)提供操作条件。
对于在此使用的大多数术语的可能定义，可以参考上面对计算机实现的方法的描述或者如下面进一步详细描述的。
具体地，计算机程序可以存储在计算机可读数据载体和/或计算机可读存储介质上。如在此所使用的，术语“计算机可读数据载体”和“计算机可读存储介质”具体可以指非暂态数据存储部件，诸如其上存储有计算机可执行指令的硬件存储介质。计算机可读数据载体或存储介质具体可以是或可以包括诸如随机存取存储器(RAM)和/或只读存储器(ROM)的存储介质。
在此进一步公开和提出的是一种具有程序代码部件的计算机程序产品，以便当在计算机或计算机网络上执行程序时在在此所附的一个或多个实施例中执行根据本发明的方法。具体地，程序代码部件可以存储在计算机可读数据载体和/或计算机可读存储介质上。
在此进一步公开和提出的是一种数据载体，其上存储有数据结构，在加载到计算机或计算机网络中，诸如加载到计算机或计算机网络的工作存储器或主存储器中之后，该数据结构可以执行根据在此公开的实施例中的一个或多个实施例的方法。
在此进一步公开和提出的是一种具有存储在机器可读载体上的程序代码部件的计算机程序产品，以便当在计算机或计算机网络上执行程序时执行根据在此公开的一个或多个实施例的方法。如在此所使用的，计算机程序产品将程序称为可交易产品。该产品通常可以以任意格式存在，诸如以纸质格式存在，或者存在于计算机可读数据载体上。具体地，计算机程序产品可以分布在数据网络上。
在本发明的另一方面中，提出了一种用于控制和/或监视生产工厂的控制***。生产工厂包括至少一个包括至少一个批过程的过程链。该控制***包括被配置用于确定输入数据的至少一个通信接口。输入数据包括至少一个质量标准和生产工厂布局数据。通信接口被配置用于取得生产工厂布局数据并用于接收与质量标准有关的信息。该控制***包括至少一个预测单元，该预测单元被配置用于通过对输入数据应用至少一个经训练的模型来确定操作生产工厂的操作条件。经训练的模型通过对来自历史生产运行的传感器数据进行训练而至少部分地由数据驱动。控制***包括被配置用于提供操作条件的至少一个输出设备。
如在此所使用的，术语“预测单元”是广义术语，并且将赋予本领域普通技术人员其普通和惯用的含义，而不限于特殊或定制的含义。该术语具体可以指但不限于适于执行预测的任意设备，优选地通过使用至少一个数据处理设备，并且更优选地，通过使用至少一个处理器和/或至少一个专用集成电路。因此，作为示例，预测单元可以包括一个或多个可编程设备，诸如一个或多个计算机、专用集成电路(ASIC)、现场可编程门阵列(FPGA)，或被配置用于执行上述预测的其他设备。因此，作为示例，至少一个预测单元可以包括至少一个数据处理设备，该数据处理设备上存储有软件代码，该软件代码包括多个计算机命令。预测单元可以提供用于执行一个或多个命名操作的一个或多个硬件元件和/或可以提供其上运行用于执行一个或多个命名操作的软件的一个或多个处理器。
如在此所使用的，术语“输出设备”是广义术语，并且将赋予本领域普通技术人员其普通和惯用的含义，而不限于特殊或定制的含义。该术语具体可以指但不限于被配置用于例如向至少一个调度器提供经训练的模型的至少一个结果的设备。输出设备可以包括至少一个显示设备。
控制***可以包括至少一个控制单元，该控制单元被配置用于根据所确定的操作条件来控制和/或监视生产工厂。控制***可以进一步包括被配置为调度生产工厂的调度器单元。调度器单元可以被配置用于基于所确定的操作条件来确定用于生产工厂的运行的生产计划。控制***可以被配置用于执行根据涉及一种方法的前述权利要求中的任一项所述的用于控制和/或监视生产工厂的方法。对于在此使用的大多数术语的可能定义，可以参考上面或者如下面进一步详细描述的计算机实现的方法的描述。
总结并且不排除进一步可能的实施例，可以设想以下实施例：
实施例1：一种用于控制和/或监视生产工厂的计算机实现的方法，其中，生产工厂包括至少一个包括至少一个批过程的过程链，该方法包括以下步骤：
a)确定输入数据的至少一个步骤，其中，输入数据包括至少一个质量标准和生产工厂布局数据，其中，该步骤包括经由至少一个通信接口取得生产工厂布局数据和接收与质量标准有关的信息；
b)至少一个预测步骤，其中，在预测步骤中，用于操作生产工厂的操作条件通过对输入数据应用至少一个经训练的模型来确定，其中，经训练的模型通过对来自历史生产运行的传感器数据进行训练而至少部分地由数据驱动；
c)至少一个控制和/或监视步骤，其中，提供操作条件。
实施例2：根据前述实施例所述的方法，其中，生产工厂包括至少两个后续过程。
实施例3：根据前述实施例中任一项所述的方法，其中，根据所确定的操作条件控制生产工厂。
实施例4：根据前述实施例所述的方法，其中，提供每个可控元件的操作条件，其中，经训练的模型被配置用于预测可控参数，该可控参数在实际生产过程中是直接可控的。
实施例5：根据前述实施例中任一项所述的方法，其中，经训练的模型被配置用于提供与通过处理链的最优路线相关的操作条件，以实现质量标准，其中，在步骤b)中确定的操作条件包括通过处理链的最优途径。
实施例6：根据前述实施例中任一项所述的方法，其中，基于所确定的操作条件来确定用于生产工厂的运行的生产计划。
实施例7：根据前述实施例中任一项所述的方法，其中，与质量标准有关的信息包括至少一个客户规范，其中，客户规范包括用于至少一个质量参数的至少一个范围。
实施例8：根据前述实施例中任一项所述的方法，其中，生产工厂布局数据包括实时数据，其中，实时数据包括关于生产工厂的当前状态的信息。
实施例9：根据前述实施例中任一项所述的方法，其中，生产工厂布局数据包括预定义布局参数，其中，预定义布局参数经由通信接口从至少一个数据库中取得。
实施例10：根据前述实施例中任一项所述的方法，其中，生产工厂被配置用于连续处理。
实施例11：根据前述实施例中任一项所述的方法，其中，生产工厂的生产包括多个生产步骤，其中，经训练的模型被配置用于预测单个生产步骤或一组生产步骤的操作条件。
实施例12：根据前述实施例中任一项所述的方法，其中，经训练的模型是混合模型。
实施例13：根据前述实施例中任一项所述的方法，其中，经训练的模型包括至少一个子模型，其中，子模型是白盒模型、混合模型或数据驱动模型中的一种或多种。
实施例14：根据前述实施例所述的方法，其中，经训练的模型包括多个子模型，该子模型是白盒模型或混合模型或纯数据驱动模型，其中，每个子模型负责预测操作条件或向预测操作条件的其它子模型提供输入。
实施例15：根据前述实施例中任一项所述的方法，其中，经训练的模型包括白盒模型和黑盒模型的组合，其中，白盒模型基于物理化学定律，其中，黑盒模型基于来自历史生产运行的传感器数据。
实施例16：根据前述实施例所述的方法，其中，物理化学定律包括化学动力学、质量守恒定律、动量和能量守恒定律、任意维度的颗粒群中的一种或多种。
实施例17：根据前述两个实施例中任一项所述的方法，其中，黑盒模型是通过使用机器学习、深度学习、神经网络或其它形式的人工智能中的一种或多种构建的。
实施例18：根据前述三个实施例中任一项所述的方法，其中，经训练的模型包括串行或并行架构。
实施例19：根据前述实施例所述的方法，其中，在串行架构中，白盒模型的输出用作黑盒模型的输入，或者黑盒模型的输出用作白盒模型的输入，其中，在并行架构中，白盒模型和黑盒模型的组合输出诸如通过输出的叠加来确定。
实施例20：根据前述实施例中任一项所述的方法，其中，经训练的模型采用历史数据训练，该历史数据包括与来自过程控制、物理反应器设计、工厂布局和生产运行的数据相关联的生产粉末的质量标准中的一种或多种。
实施例21：根据前述实施例中任一项所述的方法，其中，生产工厂是被配置用于生产至少一种粉末的粉末生产工厂，其中，粉末是选自由以下组成的组的至少一种粉末：羰基铁粉(CIP)；铁粉；碳黑；镍；铁；氧化锌；二氧化钛。
实施例22：一种用于控制和/或监视生产工厂的计算机程序，特别是应用程序，其中，生产工厂包括至少一个包括至少一个批过程的过程链，其中，计算机程序包括指令，当程序由计算机或计算机网络执行时，该指令使计算机或计算机网络执行以下步骤：
i)确定输入数据，其中，输入数据包括至少一个质量标准和生产工厂布局数据，其中，该步骤包括经由至少一个通信接口取得生产工厂布局数据并接收与质量标准有关的信息；
ii)通过对输入数据应用至少一个经训练的模型来确定用于操作生产工厂的操作条件，其中，经训练的模型通过对来自历史生产运行的传感器数据进行训练而至少部分地由数据驱动；
iii)提供操作条件。
实施例23：一种用于控制和/或监视生产工厂的计算机实现的方法，其中，生产工厂包括至少一个包括至少一个批过程的过程链，该方法包括以下步骤：
-确定输入数据的至少一个步骤，其中，输入数据包括至少一个质量标准和生产工厂布局数据，其中，步骤包括经由至少一个通信接口取得生产工厂布局数据和接收与质量标准有关的信息；
-至少一个预测步骤，其中，在预测步骤中，用于操作生产工厂的操作条件通过对输入数据应用至少一个经训练的模型(136)来确定，其中，经训练的模型通过对来自历史生产运行的传感器数据进行训练而至少部分地由数据驱动；
-至少一个控制和/或监视步骤，提供操作条件，
其中，在预测步骤中确定的操作条件包括通过处理链的最优路径。
实施例24：根据前述实施例所述的方法，其中，该方法包括根据根据实施例1至21中任一项所述的用于控制和/或监视的方法来控制和/或监视生产工厂。
实施例25：一种用于控制和/或监视生产工厂的控制***，其中，生产工厂包括至少一个包括至少一个批过程的过程链，其中，控制***包括被配置用于确定输入数据的至少一个通信接口，其中，输入数据包括至少一个质量标准和生产工厂布局数据，其中，通信接口被配置用于取得生产工厂布局数据并用于接收与质量标准相关的信息，其中，控制***包括至少一个预测单元，该预测单元被配置用于通过在输入数据上应用至少一个经训练的模型来确定用于操作生产工厂的操作条件，其中，经训练的模型通过对来自历史生产运行的传感器数据进行训练而至少部分地由数据驱动，其中，控制***包括被配置用于提供操作条件的至少一个输出设备。
实施例26：根据前述实施例所述的控制***，其中，控制***包括至少一个控制单元，该控制单元被配置为根据所确定的操作条件来控制和/或监视生产工厂。
实施例27：根据前述实施例所述的控制***，其中，控制***进一步包括调度器单元，该调度器单元被配置用于调度生产工厂，其中，调度器单元被配置用于基于所确定的操作条件来确定用于生产工厂的运行的生产计划。
实施例28：根据前述三个实施例中任一项所述的控制***，其中，控制***被配置用于执行根据涉及方法的前述实施例中任一项所述的用于控制和/或监视生产工厂的方法。
附图说明
优选地结合从属权利要求，进一步的可选特征和实施例将在随后的实施例描述中更详细地公开。其中，如本领域技术人员将意识到的，相应的可选特征可以以孤立的方式以及以任意可行的组合来实现。本发明的范围不受优选实施例限制。实施例在图中示意性地描绘。其中，这些图中相同的附图标记指代相同或功能上相似的元件。
在图中：
图1示出根据本发明的示例性方法的实施例；
图2A和图2B示出生产工厂的实施例；
图3示出根据本发明的经训练的模型的实施例；
图4示出经训练的模型的组成；以及
图5A和图5B示出生产工厂的实施例。
具体实施方式
图1示出根据本发明的用于控制和/或监视生产工厂110的示例性计算机实现的方法的实施例。
图2A和图2B示出生产工厂110的示例性实施例。生产工厂110可以是化学生产工厂。特别地，生产工厂110可以是被配置用于生产至少一种粉末的粉末生产工厂。生产工厂110包括至少一个包括至少一个批过程114的过程链112。过程链112可以包括在至少一个处理单元或多个处理单元中执行的一系列处理或生产步骤。过程链112可以包括可以同时执行的步骤或过程和/或可以连续执行的步骤或过程。过程链112可以包括至少一个生产线116。过程链112可以包括多个生产线，特别是可以并行操作的多个生产线。如图2A中所示，过程链112可包括用“线1”至“线n”表示的n个生产线116，n为正整数。在图2A中所示的实施例中，生产线116并行操作。
批过程114可以包括可以按时间顺序排列并且与生产过程直接相关的处理单元。过程链112可以包括多个批过程114。批过程114可以被配置为控制产品的至少一种特性。批过程114可以包括至少一种机械和/或至少一种热和/或至少一种化学过程。批过程114可以包括处理单元操作118，也称为精加工操作，包括研磨、混合、筛分、筛选、氢退火、涂覆及其组合中的一种或多种。生产工厂110可以包括至少一个单元120，该单元120选自由以下组成的组：至少一个磨机、至少一个筛网、至少一个筛子、至少一个烘箱、至少一个煅烧炉、至少一个回转窑、至少一个流化床。如图2A中所示，过程链112，特别是生产线116中的每一个生产线，可以包括用“单元1”至“单元n”表示的n个单元120，n是正整数。
过程链112可以包括至少一个连续过程122。过程链112可以包括批过程114和连续过程122。过程链112可以包括半连续和/或半批过程。例如，过程链112可以包括至少一个连续过程122和多个批过程114。生产工厂110可以被配置用于连续处理和/或批处理。生产工厂110可以包括多个并行的连续过程122和/或批过程114。连续过程122和/或批过程114可以以不同方式组合。连续过程122和批过程114的组合可以取决于至少一个标准，诸如产品的质量。可以选择连续过程122和批过程114的组合以基于质量标准采取通过过程链112的最优路线。此外，其它标准是可能的，诸如订单队列等。
在步骤b)中确定的操作条件可以包括关于最优路线的信息。该路线可以是单元操作的组合和/或处理单元的组合和/或过程或生产步骤的组合，特别是包括在生产工厂中的生产过程期间执行和/或通过的连续和/或批过程。就至少一个质量标准而言，最优路线可以是通过生产工厂的最优路线。因此，最优路线具体地可以是从多个可能的路线中选择的路线，该路线使至少一个质量标准最大化或最小化。最优路线可以是目标路线和/或最终路线和/或计划路线。例如，取决于生产工厂的质量标准和/或工作量，批过程可以包括通过生产工厂的不同路线。可以组合不同的处理单元操作以在至少一个质量标准方面达到和/或确保最优。图2B示出具有两种可能的路线a)和b)的实施例，它们在单元1至6的组合方面不同。可以取决于所需的化学产品，特别是其质量标准来选择最优路线。
例如，生产工厂110可以是被配置用于生产至少一种粉末的粉末生产工厂。粉末可以是纳米级粉末(例如具有1至100nm的粒径)或微米级粉末(例如具有0.1至10μm的粒径)。粉末可以是选自由以下组成的组中的至少一种粉末：羰基铁粉(CIP)；铁粉；碳黑；镍；铁；氧化锌；二氧化钛。
例如，如图2A中所示，生产工厂110可以是用于生产羰基铁粉(CIP)的粉末生产工厂。羰基铁粉可用于各种工业应用，诸如用于金属注塑成型、线圈芯、雷达吸收、金刚石工具等。CIP是一种高纯度的超细铁粉。CIP可以经由五羰基铁的热分解生产。CIP可以经由热壁气溶胶过程生产，其中气态五羰基铁(IPC)分解成铁和一氧化碳。生产工厂110可以包括至少一个蒸发器或可以连接到至少一个蒸发器。在图2A中，五羰基铁的流入被表示为原材料和附图标记124。生产工厂110可以包括至少一个反应器126。反应器126可以是过程链的连续过程122或可以是过程链的连续过程122的一部分112。液态五羰基铁(IPC)可在单独的羰基化工厂或上游过程步骤中生产，可馈入蒸发器，在蒸发器中将液体加热至约104℃。IPC沸腾并且生成的纯气体可以被馈入反应器126。反应器126可以是具有特定长度和直径的圆柱形反应器。反应器126可被壁加热至高达550℃。IPC在吸热反应中定量分解为铁和5摩尔一氧化碳气体。反应区中的温度通常在250℃和350℃之间。在气相中形成的铁颗粒可以是μm级的球形颗粒。
在图2A中表示为“原始粉末”和附图标记128的原始CIP可以在至少一个批过程114中进一步处理以生产在图2A中表示为“精加工粉末”和附图标记138的精加工产品。例如，可以将原始CIP 128馈入容器中并且之后可以根据所需的和/或计划的和/或想要的精加工产品的要求在不同的批过程114中进行处理。生产工厂110可以被配置用于生产不同种类的精加工CIP，即所谓的等级。等级可以在多个生产线116上生产。等级可以取决于应用特定的特性和质量标准。质量标准可以由CIP的工业应用指定。可以定义质量标准以保证应用的正常运行。在图2A中表示为“精加工粉末”和附图标记138的精加工CIP产品的特性可包括粒径分布、形态、集聚程度、表面化学和相组成中的一种或多种。精加工CIP产品的特性，即过程链112的结果，可以通过随后的固体处理单元操作来控制，该操作包括研磨、混合、筛分、筛选、氢退火、涂覆及其组合中的一种或多种。生产工厂110可以包括选自由以下组成的组的至少一个单元：至少一个磨机、至少一个筛网、至少一个筛子、至少一个烘箱、至少一个煅烧炉、至少一个回转窑、至少一个一个流化床。可以通过机械和/或热和/或化学过程修改原始CIP特性。研磨可以包括破坏集聚物和/或聚集体。混合可以包括均化较大的批次。筛分可包括粒径分布的微调。特性的后续调节可需要大量企业专有技术和/或手动批量操作。
回到图1，该方法包括以下步骤：
a)确定输入数据的至少一个步骤(用附图标记132表示)，其中，输入数据包括至少一个质量标准和生产工厂布局数据，其中，该步骤包括经由至少一个通信接口(158)取得生产工厂布局数据和接收与质量标准有关的信息；
b)至少一个预测步骤(用附图标记134表示)，其中，在预测步骤中，用于操作生产工厂110的操作条件是通过对输入数据应用至少一个经训练的模型136来确定的，其中，经训练的模型136通过对来自历史生产运行的传感器数据进行训练而至少部分地由数据驱动；
c)至少一个控制和/或监视步骤(用附图标记140表示)，其中，提供操作条件。
质量标准可以是应用相关的质量标准。质量标准可以包括粒径分布、形态、集聚程度、表面化学和相组成中的一种或多种。质量标准可以包括至少一个客户规范。客户规范可以包括至少一个质量参数的至少一个范围。基于质量参数，可以沿着客户价值链进行进一步的处理。可以向经训练的模型136馈入与质量标准有关的输入数据，特别是输入参数。一些输入参数可以由客户提供。其它可以基于客户输入来确定。例如，客户可以指定工业应用和与这种应用相关的规范。可以从数据库计算或取得关于产品特性的附加输入参数。
关于生产工厂110的信息可以是关于生产工厂的设计和/或诸如在操作中、维护中、计划维护、当前操作状态(例如劣化状态)的状态的信息。该设计可以包括指定手头的物理反应器设计的参数，诸如反应器几何形状、反应器数量、工厂布局(诸如连续过程或批过程)。生产工厂布局数据可以包括实时数据。实时数据可以包括关于生产工厂的当前状态的信息。生产工厂布局数据可以包括预定义布局参数。可以经由通信接口从至少一个数据库中取得预定义布局参数。数据库可以包括其中存储有信息的至少一个数据存储设备。特别地，数据库可包含任意的信息集合。该数据库可以是或可以包括选自由以下组成的组的至少一个数据库：至少一个服务器、包括多个服务器的至少一个服务器***、至少一个云服务器或云计算基础设施。数据库可以包括被配置为存储数据的至少一个存储单元。
特别地，预测可以是用于满足质量标准的至少一种操作条件的期望值。经训练的模型136可以被配置用于预测产生所需应用特定的产品特性，特别是粉末特性的最优生产过程条件。
操作条件可包括连续处理单元的操作条件，诸如体积或质量流率、流入成分、流入温度、浓度、压力、反应器壁温、反应器几何形状、反应器大小中的一种或多种。操作条件可以包括批处理单元的操作条件，诸如停留时间、压力、体积或质量流率、流入成分、流入温度、浓度、壁温、投料配方、反应器几何形状、反应器大小中的一种或多种。
经训练的模型136通过对来自历史生产运行的传感器数据进行训练而至少部分地由数据驱动。具体地，数据驱动模型来源于对实验数据的分析。数据驱动模型可以是机器学习工具。经训练的模型136可以采用历史数据训练，该历史数据包括与来自过程控制、物理反应器设计、工厂布局和生产运行的数据相关联的所生产粉末的质量标准中的一个或多个。传感器数据可以包括来自至少一个温度传感器、体积或质量流率传感器、压力传感器、颗粒计数传感器、重量传感器的数据。
经训练的模型136可以是混合模型。图3示出根据本发明的经训练的模型136的实施例。混合模型可以指包含第一原理部分，即所谓的白盒，以及数据驱动的部分，即所谓的黑盒的模型，参见例如Moritz von Stoch等人的评论论文：“Hybrid semi-parametricmodeling in process systems engineering:Past,present and future”,2014,Computers&Chemical Engineering,pergamon press,Oxford,GB,vol.60,31August 2013,pages86to 101XP028792356,ISSN:0098-1354,DOI:10.1016/J.COMPCHEMENG.2013.08.008。经训练的模型136可以包括白盒模型142和黑盒模型144的组合。白盒模型142可以基于物理化学定律。物理化学定律可以包括化学动力学、质量、动量和能量守恒定律、任意维度的颗粒群中的一种或多种。白盒模型可以根据控制相应过程步骤的物理化学定律来选择。黑盒模型144可以基于来自历史生产运行的传感器数据。黑盒模型144可以通过使用机器学习、深度学习、神经网络或其它形式的人工智能中的一种或多种来构建。黑盒模型144可以是在训练和测试数据之间产生良好拟合的任何模型。图4示出经训练的模型136的实施例的组成。特别地，示出了生成数据驱动模型所基于的实验数据和生成白盒模型142所基于的理论数据。
经训练的模型136可以包括串行或并行架构。在串行架构中，白盒模型142的输出146用作黑盒模型144的输入，或者黑盒模型144的输出148用作白盒模型142的输入。在并行架构中，白盒模型142和黑盒模型144的组合输出150诸如通过输出146、148的叠加来确定。对于串行和并行架构的进一步细节，参考Moritz von Stoch等人的评论论文：“Hybridsemi-parametric modeling in process systems engineering:Past,present andfuture”,2014,Computers&Chemical Engineering,pergamon press,Oxford,GB,vol.60,31August 2013,pages 86to 101XP028792356,ISSN:0098-1354,DOI:10.1016/J.COMPCHEMENG.2013.08.008。图3示出串行架构的实施例，其中白盒模型和黑盒模型的组合输出被另外计算。
经训练的模型136可以包括至少一个子模型，特别是多个子模型。例如，子模型可以是白盒模型，和/或子模型中的至少一个可以是白盒模型。经训练的模型136可以包括多个子模型，诸如用于至少一个生产步骤和/或用于至少一个过程步骤和/或用于至少一个生产线116，它们是白盒模型或混合模型或纯数据驱动模型。每个子模型可负责预测操作条件或负责向预测操作条件的其它子模型提供输入。构建经训练的模型136以预测可控参数，该可控参数在实际生产过程中是直接可控的。这种参数可以经由生产工厂布局文件中的元数据进行标记。
生产工厂110的生产可以包括多个生产步骤。经训练的模型136可以表示单个生产步骤或一组生产步骤。经训练的模型136被配置用于预测单个生产步骤或一组生产步骤的操作条件。理想情况下，可以预测包括每个可控元件的整个过程链。经训练的模型136可以被配置用于预测单个生产线116或一组生产线116的操作条件。例如，生产线116可以包括至少一个反应器126和至少一个处理单元120。经训练的模型136可以被配置用于预测反应器和/或固体处理单元120的操作条件。
如上所述，过程链112可以包括连续过程和批过程的任意组合。经训练的模型136可以被配置为提供与通过处理链116的最优路线相关的操作条件，以实现质量标准。此外，可以考虑用于确定通过处理链的最优路线的其它标准，诸如订单队列等。经训练的模型136可以包括和/或覆盖连续过程122或生产过程的一部分，诸如在用于原始CIP产品的反应器上的CIP生产。此外，用于精加工导致CIP等级的原始产品的批过程114可以包括在经训练的模型136中。这些精加工操作可以包括例如研磨、分级、氢退火、涂覆和它们的组合。经训练的模型136可以包括与过程链112的每个批过程114相关的单元操作118。取决于工业应用和相应的产品特性，特别是CIP特性，单元操作118可以作为预定义组的组合包括在经训练的模型136中。具体地，可以基于经训练的模型136的输出对批过程114进行建模，该经训练的模型136覆盖连续过程122或生产过程的一部分，在这种情况下该生产过程可以提供中间质量标准。每个批过程114或路线都可具有自己的模型。对于每个单元操作118组合，可以取决于输入数据，特别是客户的输入，训练和选择模型进行预测。
经训练的模型136可以包括用于通过过程链112的预定义路线的模型。例如，特别是对于CIP生产，经训练的模型136可以包括与反应器和预定义单元操作相关的模型部分。例如，可能存在多个不同的预定义路线，其中基于质量标准来选择匹配或拟合路线，为其确定操作条件。作为通过过程链112的预定义路线的替代，可以基于目标函数定义至少一个优化问题。例如，图论可用于寻找最优操作条件以及连续过程122和批过程114的最优组合。因此，除了操作条件之外，可以训练和预测最优路线。取决于生产工厂110的质量标准和/或工作量，批过程114可以包括通过生产工厂110的不同路线。例如，对于图2A的生产线116，单元操作118和单元120可以组合使得可能在至少一个质量标准方面达到和/或确保最优。
如图2A中进一步所示，生产工厂110可以由控制***156控制。控制***156包括被配置用于确定输入数据的至少一个通信接口158。通信接口158被配置用于取得生产工厂布局数据并用于接收与质量标准有关的信息。控制***156包括至少一个预测单元160，该预测单元160被配置为通过对输入数据应用至少一个经训练的模型136来确定用于操作生产工厂110的操作条件。控制***156包括被配置用于提供操作条件的至少一个输出设备162。
可以根据确定的操作条件来控制生产工厂110。可以提供每个可控元件的操作条件。经训练的模型136可以被配置用于预测可控参数，该可控参数在实际生产过程中是直接可控的。这种参数可以经由生产工厂布局文件中的元数据进行标记。特别地，原始CiP生产过程的反应器126可以根据所提供的操作条件进行控制以达到最优结果。
该方法可以包括基于所确定的操作条件来确定用于生产工厂110的运行的生产计划。该方法可以允许通过控制***156和/或调度器并且特别是优化生产计划来控制生产工厂。一旦客户给出包括所需的规范的订单，就可以采用经训练的模型136确定最优操作条件。完整的生产计划可以由控制***156评估和/或可以传递给调度器，该调度器基于例如质量标准、反应器分配、操作条件、原材料奖品、紧迫性、批量大小等的相似性对进入的生产运行进行排名。另外，控制***156和/或调度器可以与运输计划***通信，用于物流触发所需的运输终端在现场拾取最终生产批次并将它们运输到客户的位置。此外，控制***156和/或调度器可能用于基于完全数字化的生产计划预测库存水平。
在另一个示例中，该方法可以应用于聚氨酯生产工厂，特别是用于生产热塑性聚氨酯(TPU)或膨胀热塑性聚氨酯(ETPU)。
再次转向图1，示出了根据本发明的用于监视和/或控制生产工厂110的计算机实现的方法的进一步实现方式。
图5A和图5B示出生产工厂510的示例性实施例。生产工厂510可以是化学生产工厂。特别地，生产工厂510可以是聚氨酯生产工厂，其被配置用于生产至少一种聚氨酯，更特别是一种TPU和/或一种ETPU。生产工厂510包括至少一个包括至少一个批过程514的过程链512。过程链512可以包括在至少一个处理单元或多个处理单元中执行的一系列过程或生产步骤。过程链512可以包括可以同时执行的步骤或过程和/或可以连续执行的步骤或过程。过程链512可以包括至少一个生产线516。过程链512可以包括多个生产线，特别是可以并行操作的多个生产线。如图5A中所示，过程链512可以包括用“线1”至“线n”表示的n个生产线516，n是正整数。在图5A中所示的实施例中，生产线516并行操作。
批过程514可以包括可以按时间顺序排列并且与生产过程直接相关的处理单元。过程链512可以包括多个批过程514。批过程514可以被配置为控制产品的至少一种特性。批过程514可以包括至少一种机械和/或至少一种热和/或至少一种化学过程。批过程514可以包括也表示为精加工操作的处理单元操作518，包括挤出、进料混合、吹塑、着色中的一种或多种。生产工厂510可以包括至少一个单元520，该单元520选自由以下组成的组：至少一个挤出机、至少一个喷射器、至少一个多孔板、高压釜。如图5A中所示，过程链512，特别是生产线516中的每一个，可以包括用“单元1”至“单元n”表示的n个单元520，n是正整数。
过程链512可以包括至少一个连续过程522。过程链512可以包括批过程514和连续过程522。过程链512可以包括半连续和/或半批过程。例如，过程链512可以包括至少一个连续过程522和多个批过程514。生产工厂510可以被配置用于连续处理和/或批处理。生产工厂510可以包括多个并行的连续过程522和/或批过程514。连续过程526和/或批过程514可以以不同方式组合。连续过程522和批过程514的组合可以取决于至少一个标准，诸如产品的质量。可以选择连续过程522和批过程514的组合以基于质量标准采取通过过程链512的最优路线。此外，其它标准是可能的，诸如订单队列等。
在步骤b)中确定的操作条件可以包括关于最优路线的信息。该路线可以是单元操作的组合和/或处理单元的组合和/或过程或生产步骤的组合，特别是包括在生产工厂中的生产过程期间执行和/或通过的连续和/或批过程。就至少一个质量标准而言，最优路线可以是通过生产工厂的最优路线。因此，最优路线具体地可以是从多个可能的路线中选择的路线，该路线使至少一个质量标准最大化或最小化。最优路线可以是目标路线和/或最终路线和/或计划路线。例如，取决于生产工厂的质量标准和/或工作量，批过程可以包括通过生产工厂的不同路线。可以组合不同的处理单元操作以在至少一个质量标准方面达到和/或确保最优。图5B示出具有两种可能的路线a)和b)的实施例，它们在单元1至6的组合方面不同。可以取决于所需的化学产品，特别是其质量标准来选择最优路线。
例如，生产工厂510可以是被配置用于生产至少一种聚氨酯，更特别是一种TPU和/或一种ETPU的聚氨酯生产工厂。
例如，如图5A中所示，生产工厂510可以是用于生产聚氨酯，特别是TPU和/或ETPU的聚氨酯生产工厂。TPU和ETPU可以生产用于各种工业应用，例如泡沫、绝缘材料、鞋底、箱子，取决于这些各种工业应用，可能需要不同的特性。在本申请的意义上，这些特性可能是质量标准。
ETPU可以通过扩展TPU由TPU生产。在图5A中，TPU生产的流入预聚物表示为原材料和附图标记524。生产工厂510可以包括至少一个反应器526。反应器526可以是过程链112的连续过程522或可以是过程链112的连续过程522的一部分。反应器可以是用于生产TPU的聚合过程的反应器。
图5A中的附图标记528表示TPU并且可以在至少一个批过程114中进一步处理以生产精加工产品，在图5A中表示为附图标记538。例如，TPU 528可以被馈入容器中并且之后可以根据所需的和/或计划的和/或想要的精加工产品的要求在不同的批过程514中进行处理。生产工厂510可以被配置用于生产不同种类的最终产品。最终产品可以在多个生产线516上生产。最终产品可以取决于应用特定的特性和质量标准。质量标准可以由最终产品的工业应用来指定。可以定义质量标准以保证应用的正常运行。在图5A中表示为附图标记538的精加工最终产品的特性可以包括粒径分布、形态、硬度、孔径和相组成中的一种或多种。精加工最终产品的特性(即过程链512的结果)可以由后续的处理单元操作来控制。TPU特性可以通过机械和/或热和/或化学过程修改。可以研磨TPU，使得在随后的熔化过程中熔化可以更均匀。混合可以包括均化较大的批次。筛分可包括微调粒径分布。特性的后续调节可能需要大量企业专有技术和/或手动批量操作。
作为非限制性示例，“TPU”可以在过程522中生产，例如，在上游工业工厂使用上游生产过程和如下形式的输入材料：
异氰酸酯：4,4'-亚甲基二苯基二异氰酸酯(MDI)
扩链剂：1,4-丁二醇
多元醇：聚四氢呋喃(PolyTHF)
取决于上游工业过程的具体情况，可以添加其它添加剂，诸如催化剂、稳定剂和/或抗氧化剂。可以使用用于生产TPU和/或ETPU的任何其它合适的过程。
TPU生产可涉及在Coperion公司的双螺杆挤出机ZSK58 MC中执行，加工长度为48D(12个壳体)。从挤出机中排出熔体(聚合物熔体)可以借助于齿轮泵执行。熔体过滤后，聚合物熔体可以借助于水下造粒加工成颗粒，可以在40-90℃的加热涡流床中连续干燥。多元醇、扩链剂和二异氰酸酯以及催化剂可以计量加入到第一区中。如上所述，其它添加剂的添加发生在第8区中。壳体温度范围为150至230℃。熔化和水下造粒可以在210-230℃的熔化温度下执行。螺杆速度可以在180到240rpm之间。吞吐量可以在180到220kg/h的范围内。除了本示例中所示的TPU生产之外，可能存在或可能不存在附加的生产步骤。
用于ETPU的生产的批或半批过程的示例可以是
作为另一个非限制性示例，ETPU生产或由TPU生产膨胀颗粒(发泡颗粒)可涉及螺杆直径为44mm且长径比为42的双螺杆挤出机与后续的熔化泵、带换网器的启动阀、多孔板和水下造粒一起使用。热塑性聚氨酯在加工前在80℃下干燥3小时，以便获得小于0.02wt.％的残留水分。使用的TPU可以经由重量计量设备计量加入双螺杆挤出机的进料中。将材料计量加入双螺杆挤出机的进料后，可将材料熔化并混合。随后，推进剂二氧化碳和氮气可以各自经由一个喷射器添加。剩余的挤出机长度可用于将推进剂均匀地掺入聚合物熔体中。在挤出机之后，聚合物/推进剂混合物可以借助于齿轮泵经由带有进入多孔板的换网器的启动阀压入多孔板中。经由多孔板可以生产单线。这些线可以被传送到水下造粒单元的加压切割室，在其中可以将线切割成颗粒并在颗粒膨胀的同时进一步与水一起运输。可借助于离心干燥器将膨胀的粒子或颗粒从工艺用水中分离出。挤出机、聚合物和推进剂的总吞吐量可以是40kg/h。借助于离心干燥机将膨胀颗粒与水分离后，可将膨胀颗粒在60℃下干燥3小时，以除去剩余的表面水以及颗粒中可能的水分，以免扭曲了对颗粒的进一步分析。根据该工艺生产的ETPU可视为一个单元，例如单元1。
除了在挤出机中加工外，还可以在高压釜中生产膨胀颗粒。为此，压力容器可以以80％的填充度填充固/液相，其中相比为0.32。这里的固相是TPU，并且液相是水与碳酸钙和表面活性物质的混合物。在对该固/液相施加压力的情况下，可以将发泡剂/推进剂(丁烷)压入预先用氮气冲洗过的密闭压力容器中。可以通过在50℃的温度下搅拌固/液相来加热压力容器，并且然后可以将氮气压入压力容器中直至8巴的压力。随后，可以执行进一步加热直到达到所需的浸渍温度。当达到浸渍温度和浸渍压力时，压力容器可以在给定的保持时间后经由阀门松弛。根据该工艺生产的ETPU可被视为一个单元，例如单元2。
对于ETPU生产，除了本示例中所示的以外，可能存在也可能不存在附加的生产步骤。
TPU生产过程和/或ETPU生产过程可能与上述代表性示例中所示的相同或不同。本领域技术人员应当理解，具体的生产过程并不限制本教导的范围或一般性。
TPU可以在由不同单元表示的进一步批过程中用颜料着色。
回到图1，该方法包括以下步骤：
a)确定输入数据的至少一个步骤(用附图标记132表示)，其中，输入数据包括至少一个质量标准和生产工厂布局数据，其中，该步骤包括经由至少一个通信接口(158)取得生产工厂布局数据和接收与质量标准有关的信息；
b)至少一个预测步骤(用附图标记134表示)，其中在预测步骤中，用于操作生产工厂110的操作条件是通过对输入数据应用至少一个经训练的模型136来确定的，其中，经训练的模型136通过对来自历史生产运行的传感器数据进行训练而至少部分地由数据驱动；
c)至少一个控制和/或监视步骤(用附图标记140表示)，其中，提供操作条件。
质量标准可以是应用相关的质量标准。质量标准可以包括粒径分布、形态、硬度、孔径和相组成中的一种或多种。质量标准可以包括至少一个客户规范。客户规范可以包括至少一个质量参数的至少一个范围。基于质量参数，可以沿着客户价值链进行进一步的处理。可以向经训练的模型136馈送与质量标准有关的输入数据，特别是输入参数。一些输入参数可以由客户提供。其它可以基于客户输入来确定。例如，客户可以指定与这种应用相关的工业应用和规范。可以从数据库计算或取得关于产品特性的附加输入参数。
关于生产工厂510的信息可以是关于生产工厂的设计和/或诸如在操作中、维护中、计划维护、当前操作状态(例如劣化状态)的状态的信息。该设计可以包括指定手头的物理反应器设计的参数，诸如反应器几何形状、反应器数量、工厂布局(诸如连续过程或批过程)。生产工厂布局数据可以包括实时数据。实时数据可以包括关于生产工厂的当前状态的信息。生产工厂布局数据可以包括预定义布局参数。可以经由通信接口从至少一个数据库中取得预定义布局参数。数据库可以包括其中存储有信息的至少一个数据存储设备。特别地，数据库可包含任意的信息集合。该数据库可以是或可以包括选自由以下组成的组的至少一个数据库：至少一个服务器、包括多个服务器的至少一个服务器***、至少一个云服务器或云计算基础设施。数据库可以包括被配置为存储数据的至少一个存储单元。
特别地，预测可以是用于满足质量标准的至少一种操作条件的期望值。经训练的模型136可以被配置用于预测产生所需应用特定的产品特性的最优生产过程条件。
操作条件可包括连续处理单元的操作条件，诸如体积或质量流率、流入成分、流入温度、浓度、压力、反应器壁温、反应器几何形状、反应器大小中的一种或多种。操作条件可以包括批处理单元的操作条件，诸如停留时间、压力、体积或质量流率、流入成分、流入温度、浓度、壁温、投料配方、反应器几何形状、反应器大小中的一种或多种。
经训练的模型136通过对来自历史生产运行的传感器数据进行训练而至少部分地由数据驱动。具体地，数据驱动模型来源于对实验数据的分析。数据驱动模型可以是机器学习工具。经训练的模型136可以采用历史数据训练，该历史数据包括与来自过程控制、物理反应器设计、工厂布局和生产运行的数据相关联的所生产粉末的质量标准中的一个或多个。传感器数据可以包括来自至少一个温度传感器、体积或质量流率传感器、压力传感器、颗粒计数传感器、重量传感器的数据。
经训练的模型136可以是混合模型。图3示出根据本发明的经训练的模型136的实施例。混合模型可以指包含第一原理部分，即所谓的白盒，以及数据驱动的部分，即所谓的黑盒的模型，参见例如Moritz von Stoch等人的评论论文：“Hybrid semi-parametricmodeling in process systems engineering:Past,present and future”,2014,Computers&Chemical Engineering,pergamon press,Oxford,GB,vol.60,31August 2013,pages86to 101XP028792356,ISSN:0098-1354,DOI:10.1016/J.COMPCHEMENG.2013.08.008。经训练的模型136可以包括白盒模型142和黑盒模型144的组合。白盒模型142可以基于物理化学定律。物理化学定律可以包括化学动力学、质量、动量和能量守恒定律、任意维度的颗粒群中的一种或多种。白盒模型可以根据控制相应过程步骤的物理化学定律来选择。黑盒模型144可以基于来自历史生产运行的传感器数据。黑盒模型144可以通过使用机器学习、深度学习、神经网络或其它形式的人工智能中的一种或多种来构建。黑盒模型144可以是在训练和测试数据之间产生良好拟合的任何模型。图4示出经训练的模型136的实施例的组成。特别地，示出了生成数据驱动模型所基于的实验数据和生成白盒模型142所基于的理论数据。
经训练的模型136可以包括串行或并行架构。在串行架构中，白盒模型142的输出146用作黑盒模型144的输入，或者黑盒模型144的输出148用作白盒模型142的输入。在并行架构中，白盒模型142和黑盒模型144的组合输出150诸如通过输出146、148的叠加来确定。对于串行和并行架构的进一步细节，参考Moritz von Stoch等人的评论论文：“Hybridsemi-parametric modeling in process systems engineering:Past,present andfuture”,2014,Computers&Chemical Engineering,pergamon press,Oxford,GB,vol.60,31August 2013,pages 86to 101XP028792356,ISSN:0098-1354,DOI:10.1016/J.COMPCHEMENG.2013.08.008。图3示出串行架构的实施例，其中白盒模型和黑盒模型的组合输出被另外计算。
经训练的模型136可以包括至少一个子模型，特别是多个子模型。例如，子模型可以是白盒模型，和/或子模型中的至少一个可以是白盒模型。经训练的模型136可以包括多个子模型，诸如用于至少一个生产步骤和/或用于至少一个过程步骤和/或用于至少一个生产线116，它们是白盒模型或混合模型或纯数据驱动模型。每个子模型可负责预测操作条件或负责向预测操作条件的其它子模型提供输入。构建经训练的模型136以预测可控参数，该可控参数在实际生产过程中是直接可控的。这种参数可以经由生产工厂布局文件中的元数据进行标记。
生产工厂510的生产可以包括多个生产步骤。经训练的模型136可以表示单个生产步骤或一组生产步骤。经训练的模型136被配置用于预测单个生产步骤或一组生产步骤的操作条件。理想情况下，可以预测包括每个可控元件的整个过程链。经训练的模型136可以被配置用于预测单个生产线516或一组生产线516的操作条件。例如，生产线516可以包括至少一个反应器526和至少一个处理单元520。经训练的模型136可以被配置用于预测反应器和/或固体处理单元520的操作条件。
如上所述，过程链512可以包括连续过程和批过程的任意组合。经训练的模型136可以被配置为提供与通过处理链516的最优路线相关的操作条件，以实现质量标准。此外，可以考虑用于确定通过处理链的最优路线的其它标准，诸如订单队列等。经训练的模型136可以包括和/或覆盖连续过程522或生产过程的一部分，诸如在反应器上的聚氨酯生产。此外，用于精加工导致最终产品的原始产品的批过程514可以包括在经训练的模型136中。这些精加工操作可以包括例如研磨、扩展TPU。经训练的模型136可以包括与过程链512的每个批过程514相关的单元操作518。取决于工业应用和相应的产品特性，单元操作518可以作为预定义组的组合包括在经训练的模型136中。具体地，可以基于经训练的模型136的输出对批过程514进行建模，该经训练的模型136覆盖连续过程522或生产过程的一部分，在这种情况下该生产过程可以提供中间质量标准。每个批过程514或路线都可具有自己的模型。对于每个单元操作518组合，可以取决于输入数据，特别是客户的输入，训练和选择模型进行预测。
经训练的模型136可以包括用于通过过程链512的预定义路线的模型。例如，特别是对于TPU和/ETPU生产，经训练的模型136可以包括与反应器和预定义单元操作相关的模型部分。例如，可能存在多个不同的预定义路线，其中基于质量标准选择匹配或适合的路线，为其确定操作条件。作为通过过程链512的预定义路线的替代，可以基于目标函数定义至少一个优化问题。例如，图论可用于寻找最优操作条件以及连续过程522和批过程514的最优组合。因此，除了操作条件之外，可以训练和预测最优路线。取决于生产工厂510的质量标准和/或工作量，批过程514可以包括通过生产工厂510的不同路线。例如，对于图5A的生产线516，单元操作518和单元520可以组合使得可能在至少一个质量标准方面达到和/或确保最优。
如图5A进一步所示，生产工厂510可以由控制***556控制。控制***556包括被配置用于确定输入数据的至少一个通信接口558。通信接口558被配置用于取得生产工厂布局数据并用于接收与质量标准有关的信息。控制***556包括至少一个预测单元560，该预测单元560被配置为通过对输入数据应用至少一个经训练的模型536来确定用于操作生产工厂510的操作条件。控制***556包括被配置用于提供操作条件的至少一个输出设备562。
可以根据确定的操作条件来控制生产工厂510。可以提供每个可控元件的操作条件。经训练的模型536可以被配置用于预测可控参数，该可控参数在实际生产过程中是直接可控的。这种参数可以通过生产工厂布局文件中的元数据进行标记。特别地，聚氨酯生产过程的反应器526可以根据提供的操作条件进行控制以达到最优结果。
该方法可以包括基于所确定的操作条件来确定用于生产工厂510的运行的生产计划。该方法可以允许由控制***556和/或调度器并且特别是优化生产计划来控制生产工厂。一旦客户下达了包括所需规范的订单，就可以采用经训练的模型536确定最优操作条件。完整的生产计划可以由控制***556评估和/或可以传递给调度器，该调度器基于例如质量标准、反应器分配、操作条件、原材料奖品、紧迫性、批量大小等的相似性对进入的生产运行进行排名。此外，控制***556和/或调度器可以与运输计划***通信，用于物流触发所需的运输终端在现场拾取最终生产批次并将它们运输到客户的位置。此外，控制***556和/或调度器可能用于基于完全数字化的生产计划预测库存水平。
附图标记列表
110 生产工厂
112 过程链
114 批过程
116 生产线
118 单元操作
120 单元
122 连续过程
124 原材料
126 反应器
128 原始粉末
132 确定输入数据
134 预测步骤
136 经训练的模型
138 精加工粉末
140 控制和监视步骤
142 白盒模型
144 黑盒模型
146 输出
148 输出
150 组合输出
152 实验数据
154 理论数据
156 控制***
158 通信接口
160 预测单元
162 输出设备

Claims (20)

1.一种用于控制和/或监视化学生产工厂(110)的计算机实现的方法，其中，所述化学生产工厂(110)包括至少一个包括至少一个批过程(114)的过程链(112)，所述方法包括以下步骤：
a)确定输入数据的至少一个步骤(132)，其中，所述输入数据包括至少一个质量标准和生产工厂布局数据，其中，所述步骤包括经由至少一个通信接口(158)取得所述生产工厂布局数据和接收与所述质量标准有关的信息；
b)至少一个预测步骤(134)，其中，在所述预测步骤中，用于操作所述化学生产工厂(110)的操作条件通过对所述输入数据应用至少一个经训练的模型(136)来确定，其中，所述经训练的模型(136)通过对来自历史生产运行的传感器数据进行训练而至少部分地由数据驱动；
c)至少一个控制和/或监视步骤(140)，提供所述操作条件。
2.根据前述权利要求所述的方法，其中，所述化学生产工厂(110)包括至少两个顺序过程。
3.根据前述权利要求中任一项所述的方法，其中，根据所确定的操作条件来控制所述化学生产工厂(110)。
4.根据前述权利要求所述的方法，其中，提供每个可控元件的操作条件，其中，所述经训练的模型(136)被配置用于预测可控参数，所述可控参数在实际生产过程中是直接可控的。
5.根据前述权利要求中任一项所述的方法，其中，所述经训练的模型被配置用于提供与通过所述处理链(112)的最优路线相关的操作条件，以实现所述质量标准。
6.根据前述权利要求中任一项所述的方法，其中，基于所确定的操作条件来确定用于所述化学生产工厂(110)的运行的生产计划。
7.根据前述权利要求中任一项所述的方法，其中，与所述质量标准有关的所述信息包括至少一个客户规范，其中，所述客户规范包括用于至少一个质量参数的至少一个范围。
8.根据前述权利要求中任一项所述的方法，其中，所述生产工厂布局数据包括实时数据，其中，所述实时数据包括关于所述化学生产工厂(110)的当前状态的信息。
9.根据前述权利要求中任一项所述的方法，其中，所述生产工厂布局数据包括预定义布局参数，其中，所述预定义布局参数经由所述通信接口从至少一个数据库中取得。
10.根据前述权利要求中任一项所述的方法，其中，所述化学生产工厂(110)被配置用于连续处理(122)。
11.根据前述权利要求中任一项所述的方法，其中，所述化学生产工厂(110)的生产包括多个生产步骤，其中，所述经训练的模型(136)被配置用于预测单个生产步骤或一组生产步骤的所述操作条件。
12.根据前述权利要求中任一项所述的方法，其中，所述经训练的模型(136)是混合模型。
13.根据前述权利要求中任一项所述的方法，其中，所述经训练的模型(136)包括至少一个子模型，其中，所述子模型是白盒模型、混合模型或数据驱动模型中的一种或多种。
14.根据前述权利要求所述的方法，其中，所述经训练的模型(136)包括多个子模型，所述子模型是白盒模型或混合模型或纯数据驱动模型，其中，每个子模型负责预测操作条件或负责向预测所述操作条件的其它子模型提供输入。
15.根据前述权利要求中任一项所述的方法，其中，所述经训练的模型(136)包括白盒模型(142)和黑盒模型(144)的组合，其中，所述白盒模型(142)基于物理化学定律，其中，所述黑盒模型(144)基于来自历史生产运行的所述传感器数据。
16.根据前述权利要求所述的方法，其中，所述黑盒模型(144)通过使用机器学习、深度学习、神经网络或其它形式的人工智能中的一种或多种来构建。
17.根据前述权利要求中任一项所述的方法，其中，所述化学生产工厂(110)是被配置用于生产至少一种粉末的粉末生产工厂，其中，所述粉末是选自由以下组成的组的至少一种粉末：羰基铁粉(CIP)；铁粉；碳黑；镍；铁；氧化锌；二氧化钛。
18.一种用于控制和/或监视化学生产工厂(110)的计算机程序，特别是应用程序，其中，所述化学生产工厂(110)包括至少一个包括至少一个批过程(114)的过程链(112)，其中，所述计算机程序包括指令，当所述程序由计算机或计算机网络执行时，所述指令使所述计算机或计算机网络执行以下步骤：
i)确定输入数据，其中，所述输入数据包括至少一个质量标准和生产工厂布局数据，其中，所述步骤包括经由至少一个通信接口取得所述生产工厂布局数据并接收与所述质量标准有关的信息；
ii)通过对所述输入数据应用至少一个经训练的模型(136)来确定用于操作所述化学生产工厂(110)的操作条件，其中，所述经训练的模型(136)通过对来自历史生产运行的传感器数据进行训练而至少部分地由数据驱动；
iii)提供所述操作条件。
19.一种用于控制和/或监视化学生产工厂(110)的控制***(156)，其中，所述化学生产工厂(110)包括至少一个包括至少一个批过程(114)的过程链(112)，其中，所述控制***(156)包括被配置用于确定输入数据的至少一个通信接口(158)，其中，所述输入数据包括至少一个质量标准和生产工厂布局数据，其中，所述通信接口(158)被配置用于取得所述生产工厂布局数据和用于接收与所述质量标准有关的信息，其中，所述控制***(156)包括至少一个预测单元(160)，所述预测单元(160)被配置用于通过在所述输入数据上应用至少一个经训练的模型(136)来确定用于操作所述化学生产工厂(110)的操作条件，其中，所述经训练的模型(136)通过对来自历史生产运行的传感器数据进行训练而至少部分地由数据驱动，其中，所述控制***(156)包括被配置用于提供所述操作条件的至少一个输出设备(162)。
20.根据前述权利要求所述的控制***(156)，其中，所述控制***(156)被配置用于执行根据权利要求1至17中任一项所述的用于控制和/或监视化学生产工厂(110)的方法。
CN202080087066.2A 2019-12-20 2020-12-18 优化粉末生产 Pending CN114846422A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP19218985.0 2019-12-20
EP19218985 2019-12-20
PCT/EP2020/087327 WO2021123385A1 (en) 2019-12-20 2020-12-18 Optimized powder production

Publications (1)

Publication Number Publication Date
CN114846422A true CN114846422A (zh) 2022-08-02

Family

ID=69061105

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080087066.2A Pending CN114846422A (zh) 2019-12-20 2020-12-18 优化粉末生产

Country Status (6)

Country Link
US (1) US20230026440A1 (zh)
EP (1) EP4078313A1 (zh)
JP (1) JP2023507596A (zh)
KR (1) KR20220117292A (zh)
CN (1) CN114846422A (zh)
WO (1) WO2021123385A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114201905B (zh) * 2021-11-19 2022-12-09 苏州美昱高分子材料有限公司 一种改性粒子的生产方法和装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5197114A (en) * 1990-08-03 1993-03-23 E. I. Du Pont De Nemours & Co., Inc. Computer neural network regulatory process control system and method
US20030073787A1 (en) * 2001-09-26 2003-04-17 Stephens William D. Integrated advanced chemical process control
TW200305811A (en) * 2001-12-28 2003-11-01 Kimberly Clark Co Communication between machines and feed-forward control in event-based product manufacturing
CN104081296A (zh) * 2012-02-02 2014-10-01 福斯分析股份公司 控制生产流程的方法
CN109313443A (zh) * 2016-06-03 2019-02-05 太阳焦炭科技和发展有限责任公司 用于在工业设施中自动生成补救措施的方法和***
US20190094842A1 (en) * 2017-09-27 2019-03-28 International Business Machines Corporation Orchestration of learning and execution of model predictive control tool for manufacturing processes
CN109643085A (zh) * 2016-08-23 2019-04-16 埃森哲环球解决方案有限公司 实时工业设备生产预测和操作优化
WO2019188931A1 (ja) * 2018-03-29 2019-10-03 富士フイルム株式会社 巻き取り条件生成装置、巻き取り装置、巻き取り欠陥レベル予測値生成装置、巻き取り条件算出方法、巻き取り方法、及び巻き取り欠陥レベル予測値生成方法

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US2597701A (en) 1948-12-06 1952-05-20 Gen Aniline & Film Corp Method of producing finely divided metals
US2851347A (en) 1949-10-21 1958-09-09 Basf Ag Manufacture of iron powder
US2612440A (en) 1950-05-03 1952-09-30 Gen Aniline & Film Corp Production of metal carbonyl powders of small size
GB695925A (en) 1951-01-22 1953-08-19 Gen Aniline & Film Corp Production of carbonyl metal powders of small size
DE1433361A1 (de) 1964-11-26 1968-12-12 Friedenberg Serafima E Verfahren zur Herstellung von hochdispersem Karbonyleisenpulver
US4197118A (en) 1972-06-14 1980-04-08 Parmatech Corporation Manufacture of parts from particulate material
US4113480A (en) 1976-12-09 1978-09-12 Cabot Corporation Method of injection molding powder metal parts
DE3216362A1 (de) 1981-05-05 1982-11-25 Basf Ag, 6700 Ludwigshafen Verfahren zur herstellung von weitgehend kohlenstoff-, stickstoff- und sauerstoff-freien eisenpulvern
SU1186398A1 (ru) 1984-05-28 1985-10-23 Государственный научно-исследовательский институт химии и технологии элементоорганических соединений Способ получени карбонильного железного порошка
DE3428121A1 (de) 1984-07-31 1986-02-13 Basf Ag, 6700 Ludwigshafen Verfahren zur herstellung von eisenpulver
DE3940347C2 (de) 1989-12-06 1997-02-20 Basf Ag Verfahren zur Herstellung von Eisenwhiskers
DE102005030613A1 (de) 2005-06-30 2007-01-04 Basf Ag Magnetorheologische Flüssigkeit
WO2014049016A1 (en) 2012-09-27 2014-04-03 Basf Se Non-corrosive soft-magnetic powder
CN103046033A (zh) 2012-12-21 2013-04-17 中国钢研科技集团有限公司 一种包覆型羰基铁粉的制备方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5197114A (en) * 1990-08-03 1993-03-23 E. I. Du Pont De Nemours & Co., Inc. Computer neural network regulatory process control system and method
US20030073787A1 (en) * 2001-09-26 2003-04-17 Stephens William D. Integrated advanced chemical process control
TW200305811A (en) * 2001-12-28 2003-11-01 Kimberly Clark Co Communication between machines and feed-forward control in event-based product manufacturing
CN104081296A (zh) * 2012-02-02 2014-10-01 福斯分析股份公司 控制生产流程的方法
CN109313443A (zh) * 2016-06-03 2019-02-05 太阳焦炭科技和发展有限责任公司 用于在工业设施中自动生成补救措施的方法和***
CN109643085A (zh) * 2016-08-23 2019-04-16 埃森哲环球解决方案有限公司 实时工业设备生产预测和操作优化
US20190094842A1 (en) * 2017-09-27 2019-03-28 International Business Machines Corporation Orchestration of learning and execution of model predictive control tool for manufacturing processes
WO2019188931A1 (ja) * 2018-03-29 2019-10-03 富士フイルム株式会社 巻き取り条件生成装置、巻き取り装置、巻き取り欠陥レベル予測値生成装置、巻き取り条件算出方法、巻き取り方法、及び巻き取り欠陥レベル予測値生成方法

Also Published As

Publication number Publication date
US20230026440A1 (en) 2023-01-26
JP2023507596A (ja) 2023-02-24
EP4078313A1 (en) 2022-10-26
KR20220117292A (ko) 2022-08-23
WO2021123385A1 (en) 2021-06-24

Similar Documents

Publication Publication Date Title
US20230026440A1 (en) Optimized powder production
CN116670598A (zh) 化学生产
KR20230070252A (ko) 화학 생산 제어
KR20230070209A (ko) 화학물질 생산 제어
CN116134392A (zh) 化工生产监视
CN116615695A (zh) 化学生产
CN116018567A (zh) 化工生产
KR20230119181A (ko) 화학물질 생산
KR20230070210A (ko) 화학물질 생산 제어
Nadeem et al. Estimation of pellet size and strength of limestone and manganese concentrate using soft computing techniques
US20240061403A1 (en) Chemical Production
EP4336292A1 (en) Method for process automation of a production process
Crosby et al. Particle size control of detergents in mixed flow spray dryers
Nascu et al. Multi-Parametric Model Predictive Control Strategies for a Rotary Tablet Press in Pharmaceutical Industry
Masahiro et al. Quality-Oriented Intelligent Control for Polymer Production Processes
Sand et al. Generic vs. Engineered evolutionary algorithms in batch scheduling with recourse

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination