A tutorial overview of model predictive control for continuous crystallization: current possibilities and future perspectives

Technische Samenvatting: Een Tutorial Overzicht van Model Voorspellende Regeling voor Continue Kristallisatie

Probleemstelling
Continue kristallisatieprocessen worden steeds vaker erkend vanwege hun vermogen om batch-tot-batch variabiliteit en operationele kosten te verminderen, met name in de farmaceutische industrie. Het implementeren van geavanceerde regelstrategieën zoals Model Voorspellende Regeling (MPC) blijft echter uitdagend. Effectieve regeling vereist nauwkeurige modellering van zowel de continue fase (concentratie, temperatuur) als de deeltjesfase (deeltjesgrootteverdeling, PSD).
De kern van de moeilijkheid ligt in de computationele complexiteit die voortvloeit uit het combineren van ruimtelijk verdeelde kristallisatormodellen (bijv. plugstroom, slugstroom) met gedetailleerde Populatie Balans Vergelijkingen (PBE's) die de volledige PSD volgen. Deze combinaties resulteren vaak in complexe partiële differentiaalvergelijkingen (PDE's) die computationeel onhandelbaar zijn voor real-time optimalisatie. Hoewel moment-gebaseerde methoden (het volgen van statistische momenten in plaats van de volledige verdeling) computationele eenvoud bieden, slagen zij er niet in de volledige vorm van de PSD vast te leggen, wat cruciaal is voor de productkwaliteit. Bovereen bestaande literatuuroverzichten behandelen deze onderwerpen vaak geïsoleerd (bijv. PBE-oplossingsmethoden, regeling van goed gemengde systemen, of algemene machine learning toepassingen), maar missen een integraal kader dat ruimtelijk verdeelde modellen, volledige PSD-resolutie en real-time MPC combineert.

Methodologie
Dit artikel biedt een tutorial overzicht en een praktische roadmap voor de implementatie van MPC in continue kristallisatie door de kloof tussen hoogwaardige first-principle modellen en real-time regeling te overbruggen. De workflow is gestructureerd in drie hoofdfasen:

1. Hoogwaardige Modellering:

   • PBE Oplossingsmethoden: De auteurs beoordelen en vergelijken vijf numerieke methoden voor het oplossen van de PBE: de Standaard Methode van Momenten (SMOM), de Quadrature Methode van Momenten (QMOM), de Gediscretiseerde Populatie Balans Vergelijking (DPBE), Orthogonale Collocatie op Eindige Elementen (OCFE), en Monte Carlo (MC) simulaties. Zij demonstreren dat hoewel moment-gebaseerde methoden efficiënt zijn, zij de volledige PSD niet kunnen resolveren. Voor volledige resolutie zijn DPBE en OCFE te verkiezen, waarbij DPBE een robuust compromis biedt tussen stabiliteit en nauwkeurigheid, vooral bij het gebruik van geometrische grids voor agglomeratie-gedomineerde systemen.
   • Kristallisator Concepten: De tutorial details de modellering van drie verschillende systemen: een enkelvoudige fase Mixed Suspension Mixed Product Removal (MSMPR) kristallisator, een twee-traps MSMPR cascade, en een buisvormige (plug-flow) kristallisator. Deze modellen koppelen de PBE aan massa- en energiebalansen voor de continue fase.

2. Surrogaatmodel Ontwikkeling:

   • Om real-time optimalisatie mogelijk te maken, worden de computationeel zware first-principle modellen benaderd met behulp van data-gedreven surrogaatmodellen.
   • Drie surrogaatmodelleringstechnieken worden geëvalueerd: Subspace Identificatie (lineair), Nonlinear Autoregressive modellen met Exogene inputs (NARX) met neurale netwerken, en Recurrent Neural Networks (RNN).
   • De studie benadrukt het verminderen van de modelcomplexiteit door alleen controle-relevante metingen te voorspellen (bijv. gemiddelde diameter $L_{43}$ of mediaan $d_{50}$) in plaats van de volledige state vector. NARX-modellen, die de temporele historie expliciet coderen in de input, vertoonden een superieure voorspellingsnauwkeurigheid vergeleken met RNN's en lineaire subspace modellen voor de geteste niet-lineaire kristallisatiesystemen.

3. Implementatie van Model Voorspellende Regeling:

   • De ontwikkelde surrogaten worden geïntegreerd in een MPC-framework met behulp van de do-mpc en CasADi toolboxes.
   • Het regeldoel behelst het volgen van specifieke deeltjesgrootte metrieken (bijv. $L_{43}$ of $d_{50}$) terwijl de voedingsstroom (opbrengst) wordt gemaximaliseerd en beperkingen op oververzadiging of temperatuur worden gerespecteerd.
   • Om te voorkomen dat de optimizer de onnauwkeurigheden in het surrogaatmodel exploiteert (model exploitatie), adviseren de auteurs het bestraffen van inputveranderingen en het zorgvuldig afstemmen van de kostenfunctie-gewichten.

Belangrijkste Bijdragen en Resultaten
Het artikel presenteert twee primaire casestudy's om de workflow te valideren:

• Casus 1: Twee-traps MSMPR Kristallisator: Dit systeem dient als een benchmark waar een first-principle model computationeel haalbaar is voor MPC. De resultaten tonen aan dat een MPC-controller die gebruikmaakt van een NARX-gebaseerd surrogaatmodel een prestatie bereikt die bijna identiek is aan de controller die het first-principle model gebruikt. De surrogaat-gebaseerde controller volgt succesvol de setpoint gemiddelde diameter en maximaliseert de voedingsstroom, met slechts een marginale toename in de closed-loop kosten en verwaarloosbare schendingen van de beperkingen.
• Casus 2: Buisvormige Kristallisator: Dit systeem vertegenwoordigt een complex, ruimtelijk verdeeld proces waar direct gebruik van het first-principle model in MPC computationeel onhaalbaar is. De surrogaat-gebaseerde MPC regelt succesvol de mediaan deeltjesgrootte ($d_{50}$) en beheert de temperatuurbeperkingen. De studie benadrukt dat hoewel het buisvormige systeem fysiek complexer is, de neurale netwerkbenadering de discretisatie-bottleneck elimineert, waardoor het regelprobleem oplosbaar wordt. Opvallend genoeg was de computationele tijd voor de MSMPR-casus hoger dan voor de buisvormige casus in de MPC-solver, vanwege de specifieke restrictiestructuren en de noodzaak om meerdere stage outputs te voorspellen.

Betekenis en Claims
De auteurs beweren dat deze tutorial een kritieke kloof in de literatuur vult door een volledig, praktisch workflow te bieden voor de toepassing van MPC op ruimtelijk verdeelde kristallisatoren met volledige PSD-resolutie.

• Haalbaarheid: Het artikel demonstreert dat het nu computationeel haalbaar is om MPC-schema's te ontwikkelen die zowel gedetailleerde PSD-modellen als ruimtelijk verdeelde kristallisatordynamiek integreren, een combinatie die voorheen als te complex werd beschouwd voor real-time optimalisatie.
• Praktische Roadmap: Door open-source code en interactieve voorbeelden te bieden, verlaagt het werk de drempel voor procesingenieurs en regelonderzoekers, wat samenwerking tussen de geavanceerde procescontrole en de kristallisatiegemeenschap bevordert.
• Strategische Begeleiding: Het biedt een beslissingskader (via een beslissingsboom) dat beoefenaars begeleidt bij de keuze wanneer surrogaatmodellen noodzakelijk zijn (bijv. voor buisvormige systemen of volledige PSD-tracking) versus wanneer vereenvoudigde first-principle modellen volstaan (bijv. goed gemengde MSMPR met moment-gebaseerde methoden).

Toekomstige Perspectieven en Beperkingen
Het artikel erkent bescheiden dat hoewel de methodologie robuust is in simulatie, experimentele validatie op echte industriële systemen nog schaars is. Het identificeert enkele openstaande uitdagingen:

• Model Geldigheid: Surrogaatmodellen zijn alleen geldig voor interpolatie binnen hun trainingsdomein; extrapolatie blijft riskant.
• Onzekerheidskwantificering: Toekomstig werk zou onzekerheidskwantificering moeten integreren (bijv. Bayesiaanse methoden, conformalized quantile regression) om robuuste of stochastische MPC mogelijk te maken, zodat controllers rekening kunnen houden met de betrouwbaarheid van voorspellingen.
• Nieuwe Systemen: Het framework moet worden aangepast voor complexe nieuwe kristallisatoren (bijv. slugstroom, oscillatory baffled) en fenomenen zoals vervuiling (fouling), die moeilijk vanuit first principles te modelleren zijn.
• Industriële Adoptie: De transitie van batch naar continue verwerking in gereguleerde sectoren (zoals de farmacie) wordt vertraagd door regelgevende hindernissen, en PID-regeling domineert nog steeds. De auteurs suggereren dat naarmate surrogaat-instrumenten volwassen worden, zij de adoptie van geavanceerde regelstrategieën zullen faciliteren.