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

Abstract

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.

Polymer extrusion is one of the main processing technologies and widely used to produce pipes, profiles, foils and other products in extrusion lines. These production lines are characterized by a multistage process structure with nonlinear dynamics and long transport delays influenced by ambient conditions, machine wear and variations in the material feed. Conventionally, research efforts are either focused on individual parts of the extrusion line neglecting the multistage setup or rely on static models ignoring the process dynamics. Apart from that, computationally intense analytical models are mainly used for offline optimization but are unsuited for online applications. Consequently, disturbances along the extrusion line lead to increased material and energy consumption, production scrap and unplanned downtime generally affecting economic and ecological efficiency. This work aims to address these challenges and substantially improve the operating conditions for complex extrusion lines by developing data-driven methods for process modeling, data-efficient soft sensors and nonlinear control designs while considering the process from an end-to-end perspective and integrating physical knowledge. Moreover, to ensure industrial applicability of the proposed methods, two real-world pipe extrusion lines are used for development and validation purposes. As a result of this work, unknown process delays and heat transfer coefficients are accurately identified based on process measurements while a reduced order model allows to efficiently estimate the temperature distribution in multi-step cooling and conditioning processes. Additionally, using physics-informed machine learning based on mass conservation allows to reduce prediction errors by 60 % effectively addressing severe data scarcity. To model the end-to-end dynamic process behavior, a method based on autoregressive multi-task learning is introduced showing superior performance with a percentage error of 0.09 % for 2 hour forecasts of the pipe diameter. The resulting multi-task learning models are used in a nonlinear model predictive control to optimize entire extrusion lines and reduce dominant oscillations by 62 %. Consequently, due to online soft sensors, operators can steer the process proactively while closed-loop predictive control enables fully automated process optimization. Furthermore, the generic and modular characteristics of the methods increase the applicability in related domains and contribute to economic and ecological process efficiency.