KI-basierte Partikelanalyse & Partikelmesstechnik

In vielen Branchen steht und fällt die Produktqualität mit Partikeln – etwa in Pharma, Lebensmitteltechnik oder bei Spezialmaterialien wie Lacken oder Pigmenten. Die Aufnahme hochauflösender Bilder mit Licht- und Elektronenmikroskopie ist nur der erste Schritt. Die eigentliche Herausforderung liegt in der Auswertung: Wie kommen wir schnell, präzise und reproduzierbar von einem Partikelbild zu validen Daten über Partikelgröße und -form?

Der Status Quo: Die manuelle Auswertung. Eine erfahrene Fachkraft benötigt für die präzise Vermessung von nur 100 Partikeln oft 30 bis 60 Minuten. Regulatorische Vorgaben verschärfen das Problem, da für Unbedenklichkeitsbetrachtungen eine Mindestanzahl von über 1.000 Partikeldetektionen gefordert ist.

Erste Automatisierung: Klassische Bildverarbeitungsmethoden. Regelbasierte Algorithmen scheitern oft an der Realität: Sobald Partikel stark überlappen oder der Kontrast schwankt, sehen diese Methoden nur helle und dunkle Pixelwerte – keine physikalischen Objekte.

Die Lösung der Zukunft: KI-basierte Objekterkennung. Ein neuronales Netz lernt durch Beispiele und erkennt Partikel selbst bei extrem hohen Dichten oder starkem Rauschen. Der Aufwand für das initiale Training amortisiert sich schnell – das Ergebnis ist eine vollautomatische Analyse in Echtzeit.

Direkte Bilder statt indirekter Signale. Laserbasierte Systeme messen Partikelgrößen über Streumuster und liefern damit indirekte Annäherungen. Bildbasierte Sensoren hingegen liefern echte Bilder der Partikel direkt im Prozess – so erkennt man nicht nur die Größe, sondern auch Form, Struktur und Agglomeratbildung.

Form und Struktur sind entscheidend. Bei vielen chemischen und pharmazeutischen Prozessen ist die Form der Partikel genauso wichtig wie ihre Größe. Bildbasierte Systeme liefern eine klare Differenzierung und quantifizierbare Daten zu allen relevanten Partikeltypen. Außerdem können Fremdpartikel oder unerwünschte Einschlüsse erkannt werden, was die Qualitätssicherung erheblich verbessert.

Beständigkeit in harschen Produktionsbedingungen. Bildbasierte Inline-Systeme erfassen Partikel fortlaufend direkt im Prozess – so lassen sich Aggregation, Dispergierung oder Bruchvorgänge sofort erkennen und Prozessanpassungen in Echtzeit durchführen.

KI-gestützte Analyse. Bildbasierte Systeme können auf künstliche Intelligenz zurückgreifen, um Partikel automatisch zu erkennen, zu klassifizieren und Parameter wie Größe, Form, Aggregatzustand oder Fremdpartikel sofort zu quantifizieren.

Optische Messgeräte funktionieren alle nach demselben Prinzip: Ein Lichtstrahl wird in das Fluid gesendet und dort verändert. Ein Detektor zeichnet die Veränderung auf.

Herausforderungen bei der Implementierung: Der optische Zugang zum Apparat muss jederzeit freigehalten werden. Die sensible Elektronik muss gegen hohe Temperaturen und Feuchtigkeit abgeschirmt sein. Die Ausrichtung der optischen Achse muss auch bei Vibrationen stabil bleiben.

Besonders heikel: die richtige Wahl der Beleuchtungsquelle. Die Beleuchtung muss stark und homogen sein, während Belichtungszeiten kurz gehalten werden müssen, um Bewegungsunschärfe zu vermeiden.

Fazit: Bildgebende optische Inline-Messgeräte lohnen sich vor allem bei Prozessen mit viel Einsparpotential, bei sensiblen Prozessschritten und in sicherheitsrelevanten Anlagenteilen.

Partikel können so viel mehr sein als feste Brocken im Strom! Immer, wenn aufgrund eines anderen Aggregatzustandes eine zweite Phase entsteht, spricht man von Partikelstrom oder Mehrphasenströmung – das kann ein festes Partikel in Flüssigkeit, eine Blase, ein Tropfen im Gasstrom oder ein Tropfen in nicht mischbarer Flüssigkeit sein.

An der Grenzfläche zwischen Medium und Partikel findet die gesamte Magie von Chemie und Verfahrenstechnik statt: Wärmeübertragung, Reaktion und Konzentrationsänderungen. Ohne Partikelströme würden viele Reaktionen nicht funktionieren.

Mit unseren Bildern liefern wir die entscheidenden Daten: Wie viele Partikel sind da? Wie groß sind sie, welche Form haben sie, wie verändern sie sich über die Zeit?

Bei einer Kristallisation entstehen aus einer flüssigen Lösung durch Abkühlung oder Verdunstung Kristalle. Welche Kristallform am Ende entsteht, ist schwer vorherzusagen: Je nach Lösungsmittel, Rührgeschwindigkeit und Abkühlrate können unterschiedliche Formen entstehen. Kristallbruch, Agglomerate – all diese Phänomene überlagern sich im Kristallisator.

Die Kristallform ist entscheidend für alle Folgeschritte: Filtration, Trocknung und Formulierung (Tablette, Pulver, Düngemittelpellet) funktionieren nur gut, wenn die Kristallform stimmt. Einheitliche und große Kristalle lassen sich besser filtern; runde Partikel fließen gut, nadelförmige neigen zum Verklumpen.

Stimmen die Parameter nicht, werden Kristalle verworfen oder wieder eingelöst – ein teurer, zeitaufwendiger Prozess. Deshalb wollen wir mit unserer Technologie diese Parameter direkt während der Kristallisation messen: Weniger Ausschuss, weniger Prozessstörungen, höhere Produktqualität.

In Trennapparaten (Destillation, Extraktion) müssen Phasen am Ausgang wieder voneinander getrennt werden. Für eine perfekte Trennung müsste der Apparat unendlich groß sein. Der Kompromiss: Ein kleiner Teil der Fremdphase wird mitgezogen – das ist das sogenannte Entrainment.

Durch Entrainment geht Wertstoff verloren, der Energiebedarf steigt und nachgeschaltete Anlagen wie Pumpen oder Verdichter können beschädigt werden. Selbst verbaute Abscheider haben irgendwann ihre Grenzen erreicht und „brechen durch".

Fazit: Entrainment ist nicht zu verhindern und bei der Anlagenplanung eingepreist. Ist es jedoch stärker als berechnet, sind Performanceeinbußen zu erwarten. Eine Echtzeitüberwachung von Entrainment in kritischen Prozessschritten ist daher dringend zu empfehlen!

Generell wird zwischen 4 Arten der Messdatenerfassung unterschieden: OFFLINE (Probe ins Labor), ATLINE (Analyse nahe der Anlage), ONLINE (Probenschleife) und INLINE (Messgerät direkt in der Anlage – die Königsdisziplin).

Inline bedeutet: wirkliche Echtzeitdaten ohne Verfälschung am Ort des Geschehens. Leicht inline zu detektierende Messgrößen sind z. B. Temperatur oder Massenstrom. Partikelgröße hingegen wird aktuell häufig noch offline gemessen!

Die Folge: Keine Echtzeitdaten, keine Möglichkeit bei fehlerhafter Partikelgröße gegenzusteuern, keine Daten bei nicht beprobbare Partikeln (Tropfen, Blasen) – und damit: ungewollte Anlagenstillstände, Entsorgung fehlgeschlagener Produkte, Trial-and-Error bei der Fehlersuche.

Deshalb: Partikelgrößen inline messen – bares Geld und wertvolle Zeit einsparen!