WO2017194308A1 - Verfahren zur bestimmung der erreichten qualität bei der herstellung von granulaten oder pellets oder von beschichtungen auf granulen oder pellets - Google Patents

Verfahren zur bestimmung der erreichten qualität bei der herstellung von granulaten oder pellets oder von beschichtungen auf granulen oder pellets Download PDF

Info

Publication number
WO2017194308A1
WO2017194308A1 PCT/EP2017/059920 EP2017059920W WO2017194308A1 WO 2017194308 A1 WO2017194308 A1 WO 2017194308A1 EP 2017059920 W EP2017059920 W EP 2017059920W WO 2017194308 A1 WO2017194308 A1 WO 2017194308A1
Authority
WO
WIPO (PCT)
Prior art keywords
analysis
sample
wavelet
granules
spectra
Prior art date
Application number
PCT/EP2017/059920
Other languages
English (en)
French (fr)
Inventor
Philipp Wollmann
Wulf Grählert
Florian Gruber
Original Assignee
Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V.
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 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. filed Critical Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V.
Priority to EP17722401.1A priority Critical patent/EP3455615A1/de
Publication of WO2017194308A1 publication Critical patent/WO2017194308A1/de

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/85—Investigating moving fluids or granular solids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N2021/8411—Application to online plant, process monitoring
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/8422—Investigating thin films, e.g. matrix isolation method
    • G01N2021/8427—Coatings
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9508—Capsules; Tablets
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/12—Circuits of general importance; Signal processing
    • G01N2201/129—Using chemometrical methods

Definitions

  • the invention relates to a method for determining the quality achieved in the production of granules or pellets or of coatings on granules or pellets. These are production processes in which suspensions are used for the production of granules or pellets or liquids or suspensions for the formation of coatings.
  • Pelletizing and granulation are shaping processes which considerably simplify and / or facilitate the handling and application of powdery materials.
  • binder materials, solvents and / or a liquid and the pulverulent target compound (s) are mixed in a recipe-based manner and the solvent and / or a liquid are expelled again (eg thermally), whereby the particles become pellets / granulates, hereinafter referred to as granules. to agglomerate in the desired size and shape.
  • the nature of these granules shape, size, solvent / liquid content
  • is a decisive quality feature is largely determined by the correct time of discontinuation of the granulation or coating process. This is e.g. a problem in the granulation of zeolite powders.
  • NIR and / or Raman spectroscopy There are methods of process control based on single-point spectroscopy (NIR and / or Raman spectroscopy).
  • Commercial systems exist especially for use in the production of medical products.
  • NIR and / or Raman spectroscopy have the following disadvantages.
  • Single-point spectrometers allow only a small sample of the system. Since the processes are preferably produced in batch processes, it is not possible for the single-point spectrometer to distinguish between solution / suspension and already formed granules. Since the individual chemical components do not change during granulation or coating. In addition, the entirety / progress of the granulation or coating can not be detected.
  • a disadvantage of NIR spectroscopy is the strong dependence on the respective possibly also during the process possibly changing water content, and in RAMAN spectroscopy aspects for laser safety are disadvantageous.
  • Mass spectrometry which is very complex and difficult to use under production conditions.
  • An indirect method of controlling granulation processes is to determine the power consumption of the granulation plant. By changing the material properties during granulation, the required force of the plant changes, allowing the end point to be estimated. However, this is not sufficient for a sufficiently accurate determination and quality control in the production.
  • a sample is preferably taken during the production or coating process.
  • the sample is homogeneously illuminated with a radiation source and electromagnetic radiation reflected from the surface of the sample is directed onto a hyperspectral imaging (HSI) camera formed with a row and column array of optical detectors.
  • HSA hyperspectral imaging
  • the detected intensities of the reflected electromagnetic radiation are recorded in terms of wavelength and spatial resolution, and from the recorded spectra, preferably by means of principal component analysis, the determining variables, which represent spectral points that differ most or substantially in an amount of the recorded wavelength spectra, and thus the variance describe between the spectra, extracted.
  • a wavelet analysis is performed and the root of the sum of squares of the coefficients of the wavelet matrix (energy) is determined, or the derivative of parameters from the wavelet analysis by entropy, grayscale matrix, or other texture analysis method is used, wherein from the determined energy values of the wavelet analysis then preferably a linear correlation, in particular by interpolation or a multivariate partial-least-square (PLS) correlation model for the respective sample is created and the result with in advance in the same way at different states, of a condition of the desired quality, treated and detected samples is compared, which is terminated with sufficient agreement with a state of the desired quality of the granulation or coating process.
  • PLS partial-least-square
  • electromagnetic radiation from the wavelength range 400 nm to 2500 nm and a wavelength-resolved detection and evaluation of electromagnetic radiation reflected by a sample should preferably be carried out with at least 20 spectral interpolation points in the stated wavelength range.
  • the electromagnetic radiation can be polarized.
  • a sample should preferably consist of several granules or pellets, which particularly preferably form a plurality of superimposed layers within a sample receiving container and / or the respective sample and the hyperspectral imaging detector, hereinafter referred to as HSI camera, are moved relative to each other.
  • the proposed procedure and the metrological set-up used to determine the end point of a granulation method or a coating method of granules works by combined evaluation of a spatially resolved (imaging) optical-spectroscopic analysis (Hyperspectral Imaging, HSI) of the sample material.
  • HSI spatially resolved optical-spectroscopic analysis
  • the principal components are used to extract the determining variables and to form the main components.
  • core values On the basis of the local distribution of the main components ("score values"), a wavelet analysis is performed and the root of the sum of the squares of the coefficients of the wavelet matrix (energy) is determined and compared with one sample each, which corresponds to the concrete
  • Granulation or coating process was taken in a memory stored.
  • a specific sample taken can then be metrologically analyzed with an HSI measurement setup and the optically detected intensities of the detected wavelengths acquired at location and wavelength resolution can be compared with the previously determined values for the individual different states. If a match is detected with sufficient specifiable accuracy, an assignment of the corresponding sample can take place. Depending on the result, the granulation or coating process can be continued or terminated.
  • grayscale matrix can also be used.
  • Other methods of texture analysis can be used. These are e.g. Local Binary Parti- tion / LBP, method for determining the edge density or gray value transition matrices.
  • the comparison of the determined energy values of the wavelet analysis with the results stored in the memory and determined beforehand is carried out by a linear correlation or a multivariate partial-least-square (PLS) correlation model.
  • the starting point for the creation of the correlation model are also known states of the granulation or coating process. In the process, the end point determination / prediction of the granulation or coating state takes place via the correlation established.
  • Other multivariate classification / regression models such as Principle Component Regression (PCR), k-nearest neighbor (knn) methods, discriminant analysis (DA) or support vector methods (SVM).
  • ⁇ Design can be adapted to the sample surface by using different optics, working distances and enlargements
  • the use of a camera solution is carried out using an algorithm for compressing the spectral / chemical information and the image information.
  • the aim of the investigation was to determine the granulation state of a zeolite granulate can be detected by a measurement with the described measuring arrangement and thus to be able to objectively determine the end point of the granulation.
  • Zeolite granules were taken from the granulation process in five different granulation states and investigated with the described measuring arrangement.
  • the measuring arrangement in this case consists of a homogeneous halogen illumination, a movement unit and a NIR hyperspectral camera.
  • the zeolite granules were poured in multiple layers and then examined.
  • the five granulation states were:
  • the five granulation states differ based on their water content and the morphology of the granule components.
  • the result of the investigation with the measuring system described are spectral images of a 2.5 ⁇ 2.5 cm section of the zeolite granules of the respective sample with a lateral resolution of 450 ⁇ m recorded with the HIS camera.
  • a complete wavelength spectrum is stored (900 nm - 2300 nm, 7 nm spectral resolution, corresponding to a total of 198 wavelengths).
  • twelve spectral images were taken.
  • the individual spectra of the images thus obtained are subjected to a simple preprocessing.
  • the reflection spectra detected with the HSI camera are converted by logarithmic transformation into absorption spectra and all spectra of the respective samples are normalized to the unit vector.
  • a principal component model is created using all measured spectra of a given sample. At least one main component, preferably the first three main components (loads) of the model obtained, describe 99.7% of the variance of all measured spectra.
  • the main component transformation also determined the affiliation with the determined loadings, these 'score values', are calculated by the scalar multiplication of the principal component vectors with the respective spectrum.
  • the distribution of the 'score values' of the principal component analysis is at least one, preferably at least three 'score images' for each spectral image taken.
  • a wavelet texture analysis is performed for each of these 'score images'.
  • a discrete wavelet decomposition to a depth of 3 determination of the fine, medium and coarse structure, carrying out in each case a further wavelet decomposition on the result of the previous wavelet decomposition), respectively for the one or preferably three axial direction ( en) (diagonal, vertical and horizontal).
  • the wavelet used here is Daubechis 8.
  • the result is at least one, preferably nine wavelet coefficient images per measured spectral image. Then, for each of the wavelet coefficient images, the energy is calculated:
  • the resulting model has a classification rate of ⁇ 97%.
  • spectral images were incorrectly classified. These are from Groups 4 and 5, which are very similar both in water content and in morphology.

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zur Bestimmung der erreichten Qualität bei der Herstellung von Granulaten oder Pellets oder von Beschichtungen auf Granulen oder Pellets, bei dem während des Herstellungs- oder Beschichtungsprozesses eine Probe mit einer Strahlungsquelle homogen beleuchtet und von der Oberfläche der Probe reflektierte elektromagnetische Strahlung auf einen hyperspektral-bildgebenden Detektor gerichtet, die mit einer Reihen- und Spaltenanordnung von optischen Detektoren gebildet ist, Intensitäten der reflektierten elektromagnetischen Strahlung weilenlängen- und ortsaufgelöst erfasst wird. Aus den aufgenommenen Spektren werden mittels Hauptkomponentenanalyse die bestimmenden Variablen, die spektrale Punkte darstellen, die sich in einer Menge der erfassten Wellenlängenspektren am meisten oder wesentlich unterscheiden und damit die Varianz zwischen den Spektren beschreiben, extrahiert. Alternativ können diese Variablen mit einem anderen mathematisch-statistischen Ansatz, der ausgewählt ist aus Diskriminanzanalyse, Varianzanalyse, Soft independent modelling by class analogy/SIMCA und künstlichen neuronalen Netzwerken(artificial neural net- work/ANN) bestimmt werden. Auf Grundlage der örtlichen Verteilung dieser Variablen wird eine Wavelet-Analyse durchgeführt und die Wurzel der Quadratsumme der Koeffizienten der Wavelet-Matrix (Energie) bestimmt aus den ermittelten Energiewerten der Wavelet-Analyse dann eine Klassifikation oder Korrelation für die jeweilige Probe erstellt wird oder es wird die Ableitung von Parametern aus der Wavelet-Analyse mittels Entropie, Grauwertematrix oder ein anderes Verfahren zur Texturanalyse genutzt und das Ergebnis mit vorab in gleicher Weise bei verschiedenen Zuständen, von denen ein Zustand der gewünschten Qualität entspricht, behandelten und detektierten Proben verglichen wird, wobei bei ausreichender Übereinstimmung mit einem Zustand der gewünschten Qualität der Granulierungs- oder Beschichtungsprozess beendet wird.

Description

Verfahren zur Bestimmung der erreichten Qualität bei der Herstellung von Granulaten oder Pellets oder von Beschichtungen auf Granulen oder Pellets
Die Erfindung betrifft ein Verfahren zur Bestimmung der erreichten Qualität bei der Herstellung von Granulaten oder Pellets oder von Beschichtungen auf Granulen oder Pellets. Dabei handelt es sich um Herstellungsverfahren bei denen Suspensionen für die Herstellung von Granulat oder Pellets oder Flüssigkeiten oder Suspensionen für die Ausbildung von Beschichtungen eingesetzt werden.
Die Erfindung kann vorteilhaft in folgenden technischen Gebieten eingesetzt werden:
- Lebensmittelindustrie
- Pharmaindustrie
- Futtermittelindustrie
- Chemische Industrie a. Zeolithproduktion
b. MOF-Produktion (Metallorganische Verbindungen)
Pelletierungen und Granulierungen sind Formgebungsverfahren die die Handhabung und Anwendung pulverförmigen Materialien deutlich vereinfachen bzw. erst ermöglichen. Während des Granulierungsprozesses werden Bindermaterialien, Lösungsmittel und/oder eine Flüssigkeit und die pulverförmigen Zielverbindung(en) rezeptbasiert gemischt und das Lösungsmittel und/oder eine Flüssigkeit wieder (z.B. thermisch) ausgetrieben, wodurch sich die Partikel zur Pellets/Granulaten, nachfolgend als Granulat bezeichnet, in gewünschter Größe und Form agglomerieren. Die Beschaffenheit dieser Granulate (Form, Größe, Lösungsmittel/Flüssigkeits-Gehalt) ist ein entscheidendes Quali- tätsmerkmal und wird maßgeblich durch den richtigen Zeitpunkt des Abbruchs des Granulier- oder Beschichtungsprozesses bestimmt. Dies ist z.B. bei der Granulierung von Zeolithpulvern ein Problem.
Derzeit ist keine Technologie bekannt, die eine zuverlässige objektive Endpunktbestimmung des Granulierprozesses erlauben und ggf. eine at-line oder in-line Endpunktbestimmung ermöglichen würden
Die Bewertung des richtigen Endpunktes des Granulierprozesses erfolgt derzeit oft subjektiv, allein durch visuelle oder manuelle erfahrungsbasierte Kontrolle von Bedien- oder Kontrollpersonal.
Herkömmliche bildgebende Verfahren haben sich bisher als nicht geeignet erwiesen.
Es gibt Methoden der Prozesskontrolle, die auf Einzelpunktspektroskopie basieren (NIR- und/oder Raman-Spektroskopie). Besonders für den Einsatz in der Produktion medizinischer Produkte existieren kommerzielle Systeme. Diese haben jedoch folgende Nachteile. Einzelpunktspektrometer erlauben nur eine geringe Stichprobe aus dem System. Da die Prozesse bevorzugt in Batch- Verfahren hergestellt werden, ist es dem Einzelpunktspektrometer nicht möglich zwischen Lösung/Suspension und schon gebildetem Granulat zu unter- scheiden, da sich die chemischen Einzelkomponenten währende der Granulierung oder Beschichtung nicht ändern. Zudem kann die Gesamtheit/Fortschritt der Granulierung oder Beschichtung nicht erfasst werden. Nachteilig in der NIR-Spektroskopie ist zu dem die starke Abhängigkeit vom jeweiligen sich auch während des Prozesses ggf. verändernden Wassergehalt, und bei der RAMAN-Spektroskopie sind Aspekte zur Lasersicherheit nachteilig.
Eine weitere Möglichkeit der Endpunkt-Bestimmung ist die online
Massenspektrometrie, die jedoch sehr aufwändig ist und unter Produktionsbedingungen nur schwer eingesetzt werden kann.
Eine indirekte Methode der Kontrolle von Granulier-Prozessen ist die Bestimmung des Energieverbrauchs (power consumption) der Granulier-Anlage. Durch die Änderung der Materialeigenschaften beim Granulieren, ändert sich die benötigte Kraft der Anlage, wodurch der Endpunkt abgeschätzt werden kann. Dies reicht zu einer ausreichend genauen Bestimmung und Qualitätskontrolle bei der Herstellung jedoch nicht aus.
Ähnliche Probleme ergeben sich auch bei Verfahren bei denen Beschichtun- gen (Coatings) auf die Oberfläche von Granulaten aufgebracht werden sollen. Dabei spielt nicht nur die Konsistenz des Schichtwerkstoffs, sondern auch die Schichtdicke eine Rolle. Besonders problematisch ist dies, wenn mehrere Schichten übereinander auf der Oberfläche einer einen Kern bildenden Granule aufgebracht werden. Mit solchen Schichten kann eine Schutz- und/oder eine retardierende Wirkung erreicht werden. Die für diese Schichten eingesetzten Suspensionen oder Flüssigkeiten sind an sich bekannt.
Neben der nicht ausreichenden Genauigkeit spielen aber auch Defizite bei der vollständigen Beurteilung mehrerer Parameter eines Granulates oder einer Beschichtung auf Granulaten eine Rolle, die in der Regel nicht gleichzeitig mit einem einzigen Messaufbau gemeinsam erfasst und berücksichtigt werden können.
Es ist daher Aufgabe der Erfindung, die Genauigkeit der Qualität oder weiterer Parameter von Granulen oder Pellets während der Herstellung oder der Ausbildung einer Beschichtung auf der Oberfläche von Granulen oder Pellets in kurzer Zeit, mit erhöhter Genauigkeit und reduziertem Aufwand bestimmen zu können.
Erfindungsgemäß wird diese Aufgabe mit einem Verfahren, das die Merkmale des Anspruchs 1 aufweist, gelöst. Vorteilhafte Ausgestaltungen und Weiterbildungen können mit in untergeordneten Ansprüchen bezeichneten Merkmalen realisiert werden.
Bei dem erfindungsgemäßen Verfahren wird bevorzugt während des Herstel- lungs- oder Beschichtungsprozesses eine Probe entnommen. Die Probe wird mit einer Strahlungsquelle homogen beleuchtet und von der Oberfläche der Probe reflektierte elektromagnetische Strahlung auf einen hyperspektral- bildgebenden Detektor (HSI-Kamera, HSI - engl, hyperspectral imaging) gerichtet, die mit einer Reihen- und Spaltenanordnung von optischen Detektoren gebildet ist. Die detektierten Intensitäten der reflektierten elektromagnetischen Strahlung werden weilenlängen- und ortsaufgelöst erfasst und aus den aufgenommenen Spektren werden bevorzugt mittels Hauptkomponentenanalyse die bestimmenden Variablen, die spektrale Punkte darstellen, die sich in einer Menge der erfassten Wellenlängenspektren am meisten oder wesent- lieh unterscheiden und damit die Varianz zwischen den Spektren beschreiben, extrahiert.
Auf Grundlage der örtlichen Verteilung dieser Variablen wird eine Wavelet- Analyse durchgeführt und die Wurzel der Quadratsumme der Koeffizienten der Wavelet-Matrix (Energie) bestimmt oder es wird die Ableitung von Parametern aus der Wavelet-Analyse mittels Entropie, Grauwertematrix oder ein anderes Verfahren zur Texturanalyse genutzt, wobei aus den ermittelten Energiewerten der Wavelet-Analyse dann bevorzugt eine lineare Korrelation insbesondere durch Interpolation oder ein multivariates Partial-Least-Square (PLS) Korrelationsmodell für die jeweilige Probe erstellt wird und das Ergebnis mit vorab in gleicher Weise bei verschiedenen Zuständen, von denen ein Zustand der gewünschten Qualität entspricht, behandelten und detektierten Proben verglichen wird, wobei bei ausreichender Übereinstimmung mit einem Zustand der gewünschten Qualität der Granulierungs- oder Beschichtungspro- zess beendet wird. Zur Bestimmung von Variablen, die zur örtlich verteilten Darstellung genutzt werden können, sind auch andere mathematisch-statistische Ansätze möglich, um diese Variablen auszuwählen, u. a. sind dies z. B. Clusteranalyse, Varianzanalyse, Soft independent modelling by class analogy/SIMCA und künstlichen neuronalen Netzwerken (artificial neural network/ANN).
Für die Beleuchtung sollte bevorzugt elektromagnetische Strahlung aus dem Wellenlängenbereich 400 nm bis 2500 nm und eine wellenlängenaufgelöste Erfassung und Auswertung von einer Probe reflektierter elektromagnetischen Strahlung mit wenigstens 20 spektralen Stützstellen/Punkten in dem genannten Wellenlängenbereich durchgeführt werden. Die elektromagnetische Strahlung kann dabei polarisiert sein.
Eine Probe sollte bevorzugt aus mehreren Granulen oder Pellets bestehen, die besonders bevorzugt mehrere übereinander angeordnete Schichten innerhalb eines Probenaufnahmebehälters ausbilden und/oder die jeweilige Probe und der hyperspektral-bildgebende Detektor, nachfolgend als HSI-Kamera bezeichnet, relativ zueinander bewegt werden. Das vorgeschlagene Vorgehen und der messtechnische Aufbau, die zur Bestimmung des Endpunktes eines Granulier-Verfahrens oder eines Beschich- tungsverfahrens von Granulen eingesetzt werden, arbeitet durch kombinierte Auswertung einer ortsaufgelösten (bildgebenden) optisch-spektroskopischen Analyse (Hyperspectral Imaging, HSI) des Probenmaterials. Zur Erstellung ei- nes Vorhersagemodelles werden Proben unterschiedlicher Zustände während des Granulier- oder Beschichtungsprozesses untersucht (Vormischung, Beginn der Granulierung, Ende der Granulierung, Ende der Beschichtung, Endpunkt des Prozesses). Aus den aufgenommenen Spektren werden mit Hilfe der Hauptkomponentenanalyse die bestimmenden Variablen extrahiert und daraus die Hauptkomponenten gebildet. Auf Grundlage der örtlichen Verteilung der Hauptkomponenten („Score-Werte") wird eine Wavelet-Analyse durchgeführt und die Wurzel der Quadratsumme der Koeffizienten der Wavelet-Matrix (Energie) bestimmt und für einen Vergleich mit jeweils einer Probe, die dem konkreten
Granulier- oder Beschichtungsprozess entnommen wurde, in einem Speicher abgelegt. Eine konkrete genommene Probe kann dann entsprechend messtechnisch mit einem HSI-Messaufbau untersucht und die optisch detektierten orts- und wellenlängenaufgelöst erfassten Intensitäten der erfassten Wellenlängen entsprechend mit den vorab ermittelten Werten für die einzelnen unterschiedlichen Zustände verglichen. Wird dabei eine Übereinstimmung mit ausreichender vorgebbarer Genauigkeit erkannt, kann eine Zuordnung der entsprechenden Probe erfolgen. Je nachdem Ergebnis kann der Granulieroder Beschichtungsprozess fortgesetzt oder beendet werden.
Möglich sind auch andere mathematisch-statistischen Ansätze (z. B. Cluster- analyse, Varianzanalyse, Soft independent modelling by class analogy/SIMCA, künstliche neuronale Netzwerke/artificial neural network/ANN).
Die Ableitung anderer Parameter aus der Wavelet-Analyse, wie z.B. Entropie, Grauwertematrix kann ebenfalls genutzt werden. Es können auch andere Verfahren zur Texturanalyse genutzt werden. Dies sind z.B. Local Binary Partiti- on/LBP, Verfahren zur Bestimmung der Kantendichte oder Grauwertüber- gangsmatrizen.
Der Vergleich der ermittelten Energiewerte der Wavelet-Analyse mit den im Speicher abgelegten und vorab ermittelten Ergebnissen erfolgt durch eine lineare Korrelation oder ein multivariates Partial-Least-Square (PLS) Korrelationsmodell. Ausgangspunkt für die Erstellung des Korrelationsmodells sind ebenfalls bekannte Zustände des Granulier- oder Beschichtungsprozesses. Im Prozess erfolgt die Endpunktbestimmung/Vorhersage des Granulier- oder Be- schichtungszustandes über die erstellte Korrelation. Möglich sind auch weitere multivariate Klassifikations-/Regressionsmodelle, wie beispielsweise Principle Component Regression (PCR), k-nächste Nachbarn (knn)-Verfahren, Diskriminanzanalyse (DA) oder Stützvektormethoden (SVM).
• Der Einsatz der Hyperspektraltechnik bzw. bildgebender Spektroskopie ermöglicht die flächige (lateral aufgelöste) Charakterisierung anhand
o der Auswertung von Spektren (diffuse Reflexion), die
gleichzeitig an unterschiedlichen Orten der Oberfläche ei- ner dem Granulier- oder Beschichtungsprozess entnommenen Probe gemessen wurden (hier in einer Linie)
o einer Relativbewegung Probe/Kamera
Voraussetzungen
o die gesamte Probe muss homogen beleuchtet werden, was das Wellenlängenspektrum und die Leuchtdichte betrifft, ansonsten überlagern laterale Intensitätsschwankungen die durch die Probe bedingten Intensitätsschwankungen (Realisierungen eines lateral homogenen Lichtfelds)
■ Dies ist z.B. mit Verwendung einer Ulbrichtkugel oder eines vergleichbaren Aufbaus zur Erzeugung eines homogenen Lichtfelds möglich
■ Aufbau kann durch Verwendung unterschiedlicher Optiken, Arbeitsabstände und Vergrößerungen an die Probenfläche angepasst werden
o Messungen in Reflexion: beliebiger Messwinkel
o Verwendung polarisierter Strahlung/Beleuchtung ist evtl. möglich
Mit der Erfindung kann auf einfache und sichere Weise eine hinreichend exakte Bestimmung des Granulier- oder Beschichtungsprozessendpunktes zur Gewährleistung einer gleichbleibenden Granulatqualität erreicht und ein zu früher oder zu später Abbruch des jeweiligen Verfahrens zur Herstellung oder Ausbildung mindestens einer Schicht auf der Oberfläche von Granulen vermieden werden.
Es erfolgt der Einsatz einer Kameralösung unter Verwendung eines Algorithmus zur Komprimierung der spektralen/chemischen Information und der Bildinformation.
Nachfolgend soll als ein Beispiel die Erstellung eines Klassifikationsmodells für die Bestimmung des Granulier-Zustandes von Zeolith-Granulat anhand der beschriebenen Methode erläutert werden.
Ziel der Untersuchung war es, den Granulier-Zustand eines Zeolith-Granulates anhand einer Messung mit der beschriebenen Messanordnung zu erkennen und somit den Endpunkt der Granulierung objektiv bestimmen zu können. Zeolith-Granulat wurde in fünf unterschiedlichen Granulier-Zuständen aus dem Granulierprozess entnommen und mit der beschriebenen Messanord- nung untersucht. Die Messanordnung besteht in diesem Fall aus einer homogenen Halogen-Beleuchtung, einer Bewegungseinheit und einer NIR- Hyperspektral-Kamera. Das Zeolith-Granulat wurde mehrlagig geschüttet und anschließend untersucht. Bei den fünf Granulier-Zuständen handelte es sich um:
· 1. Vormischung
• 2. Beginn der Granulierung
• 3. Ende der Granulierung
• 4. Fertiges Granulat (nicht gesiebt)
• 5. Fertiges Granulat (Zielkorngröße abgesiebt)
Die fünf Granulier-Zustände unterscheiden sich anhand ihres Wassergehaltes sowie der Morphologie der Granulat-Bestandteile.
Das Ergebnis der Untersuchung mit dem beschriebenen Messsystem sind spektrale Bilder eines 2,5 x 2,5 cm messenden Ausschnittes der mit der HIS- Kamera erfassten Zeolith-Granulate der jeweiligen Probe mit einer lateralen Auflösung von 450 μιη. An jedem Bildpunkt der Messungen ist ein vollständiges Wellenlängenspektrum hinterlegt (900 nm - 2300 nm, 7 nm spektrale Auflösung, entspricht insgesamt 198 Wellenlängen). Von jedem der einzelnen Granulier-Zustände wurden zwölf spektrale Bilder aufgenommen. Die Einzelspektren der so erhaltenen Bilder werden einer einfachen Vorverarbeitung unterworfen. Die mit der HSI-Kamera detektierten Reflexions- Spektren werden durch logarithmische Transformation in Absorptionsspektren umgewandelt und alle Spektren der jeweiligen Proben werden auf den Einheitsvektor normiert.
Anschließend wird mithilfe aller gemessenen Spektren einer jeweiligen Probe ein Hauptkomponentenmodell erstellt. Mindestens eine Hauptkomponente, bevorzugt die ersten drei Hauptkomponenten (Loadings) des erhaltenen Modells beschreiben 99,7 % der Varianz aller gemessenen Spektren. Für jedes Einzelspektrum wurden durch die Hauptkomponententransformation ebenso die Zugehörigkeit zu den ermittelten Loadings bestimmt, diese ,Score-Werte', werden durch die skalare Multiplikation der Hauptkomponenten-Vektoren mit dem jeweiligen Spektrum berechnet. Die Verteilung der ,Score-Werte' der Hauptkomponentenanalyse ist mindestens ein, bevorzugt sind mindestens drei ,Score-Bilder' für jedes aufgenommene spektrale Bild.
Im nächsten Schritt wird für jedes dieser ,Score-Bilder' eine Wavelet-Textur- Analyse durchgeführt. Dafür wird eine diskrete Wavelet-Dekomposition bis zu einer Tiefe von 3 (Ermittlung der Fein-, Mittel- und Grobstruktur; Durchführung jeweils einer weiteren Wavelet-Dekomposition auf dem Ergebnis der vorherigen Wavelet-Dekomposition), jeweils für die eine oder bevorzugt drei Achsrichtung(en) (diagonal, vertikal und horizontal) durchgeführt. Das dabei verwendete Wavelet ist Daubechis 8. Das Ergebnis ist mindestens ein, bevorzugt sind es neun Wavelet-Koeffizienten-Bilder pro gemessenes spektrales Bild. Anschließend wird für jedes der Wavelet-Koeffizienten-Bilder die Energie berechnet:
Energie =
Figure imgf000011_0001
mit p(i,j) - Koeffizient des Wavelet-Koeffizienten-Bildes an der Position (i,j).
Das Resultat daraus ist/sind insgesamt mindestens ein, bevorzugt neun Ener- gie-Wert(e) pro spektralem Bild, das/die ihre spektralen und lateralen Informationen beschreiben. Auf diesem Wege wurde gleichzeitig eine erhebliche Reduktion redundanter Information vorgenommen.
Anhand dieser Energiewerte wird ein k-Nächste-Nachbarn Klassifikationsmodell (k = 3) für die 5 Granulat-Klassen, die den vorab untersuchten Proben entsprechen, trainiert und durch leave-one-out Kreuzvalidierung validiert. Das erhaltene Modell hat eine Klassifikationsrate von ~97 %. Es wurden demzufolge nur zwei spektrale Bilder falsch klassifiziert. Diese stammen aus den Gruppen 4 und 5, die sich sowohl vom Wassergehalt, als auch morphologisch sehr ähnlich sind.

Claims

Patentansprüche
Verfahren zur Bestimmung der erreichten Qualität bei der Herstellung von Granulaten oder Pellets oder von Beschichtungen auf Granulen oder Pellets, bei dem während des Herstellungs- oder Beschichtungs- prozesses eine Probe mit einer Strahlungsquelle homogen beleuchtet und von der Oberfläche der Probe reflektierte elektromagnetische Strahlung auf einen hyperspektral-bildgebenden Detektor gerichtet, die mit einer Reihen- und Spaltenanordnung von optischen Detektoren gebildet ist, Intensitäten der reflektierten elektromagnetischen Strahlung weilenlängen- und ortsaufgelöst erfasst wird;
aus den aufgenommenen Spektren werden mittels Hauptkomponentenanalyse die bestimmenden Variablen, die spektrale Punkte darstellen, die sich in einer Menge der erfassten Wellenlängenspektren am meisten oder wesentlich unterscheiden und damit die Varianz zwischen den Spektren beschreiben, extrahiert
oder
diese Variablen werden mit einem anderen mathematischstatistischen Ansatz, der ausgewählt ist aus Diskriminanzanalyse, Varianzanalyse, Soft independent modelling by class analogy/SIMCA und künstlichen neuronalen Netzwerken(artificial neural network/ANN) bestimmt und auf Grundlage der örtlichen Verteilung dieser Variablen eine Wavelet- Analyse durchgeführt und die Wurzel der Quadratsumme der Koeffizienten der Wavelet-Matrix (Energie) bestimmt oder
die Ableitung von Parametern aus der Wavelet-Analyse mittels Entropie, Grauwertematrix oder ein anderes Verfahren zur Texturanalyse genutzt wird, wobei
aus den ermittelten Energiewerten der Wavelet-Analyse dann eine Klassifikation oder Korrelation für die jeweilige Probe erstellt wird und das Ergebnis mit vorab in gleicher Weise bei verschiedenen Zuständen, von denen ein Zustand der gewünschten Qualität entspricht, behandelten und detektierten Proben verglichen wird, wobei bei ausreichender Übereinstimmung mit einem Zustand der gewünschten Qualität der Granulierungs- oder Beschichtungsprozess beendet wird.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass für die Beleuchtung Strahlung aus dem Wellenlängenbereich 400 nm bis 2500 nm und eine wellenlängenaufgelöste Erfassung und Auswertung von einer Probe reflektierter elektromagnetischen Strahlung mit mindestens 20 spektralen Stützstellen/Punkten durchgeführt wird.
Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass die Probe bevorzugt aus mehreren Granulen oder Pellets besteht, die besonders bevorzugt mehrere übereinander angeordnete Schichten innerhalb eines Probenaufnahmebehälters ausbilden und/oder die jeweilige Probe und der hyperspektral-bildgebende Detektor relativ zueinander bewegt werden.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die mit dem hyperspektral-bildgebenden Detektor detektierten Reflexions-Spektren durch logarithmische Transformation in Absorptionsspektren umgewandelt und alle Spektren der jeweiligen Proben auf einen Einheitsvektor normiert werden.
Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass elektromagnetische Strahlung auf die bevorzugt aus dem Granulierungs- oder Beschichtungsprozess entnommene Probe gerichtet wird.
Verfahren nach dem vorhergehenden Anspruch, dadurch gekennzeichnet, dass im Anschluss an die Normierung auf den Einheitsvektor für die jeweilige Probe ein Hauptkomponentenmodell erstellt und mit Hilfe von mindestens einer, bevorzugt drei Hauptkomponenten für jedes gemessene Spektrum, mindestens einer Variablen durch die skala- re Multiplikation der Hauptkomponenten-Vektoren mit dem jeweiligen Spektrum berechnet und im Ergebnis mindestens ein, bevorzugt drei Bilder von Variablen (Score-Bilder) für jedes aufgenommene spektrale Bild erhalten werden.
7. Verfahren nach den beiden vorhergehenden Ansprüchen, dadurch gekennzeichnet, dass in einem nachfolgenden Schritt für jedes dieser Bilder eine Wavelet-Textur-Analyse eine diskrete, zweidimensionale Wavelet-Dekomposition, bevorzugt bis zu einer Tiefe von 3 zur Bestimmung der Fein-, Mittel- und Grobstruktur in mindestens einer Achsrichtung, bevorzugt in drei Achsrichtungen, durchgeführt und mit mindestens einer, bevorzugt neun Wavelet-Koeffizienten-Bildern pro gemessenem spektralen Bild für die Wavelet-Koeffizienten-Bilder die Energie berechnet wird.
8. Verfahren nach einem der beiden vorhergehenden Ansprüche, dadurch gekennzeichnet, dass mindestens einer, bevorzugt neun Energie-Werte pro spektralem Bild, die ihre spektralen und lateralen Informationen beschreiben, erhalten und berücksichtigt werden.
9. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass Anhand erhaltener Energiewerte ein Korrelationsmodell erstellt wird, wobei bekannte Zustände des Granulier- /Pelletierprozesses als Referenz genutzt werden und ein Zustand des Granulier-/Pelltierprozesses der gewünschten Qualität entspricht.
10. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass anhand erhaltener Energiewerte ein k-Nächste- Nachbarn Korrelationsmodell (k = 3) für mehrere, bevorzugt fünf Klassen trainiert und durch leave-one-out Kreuzvalidierung validiert werden.
PCT/EP2017/059920 2016-05-11 2017-04-26 Verfahren zur bestimmung der erreichten qualität bei der herstellung von granulaten oder pellets oder von beschichtungen auf granulen oder pellets WO2017194308A1 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
EP17722401.1A EP3455615A1 (de) 2016-05-11 2017-04-26 Verfahren zur bestimmung der erreichten qualität bei der herstellung von granulaten oder pellets oder von beschichtungen auf granulen oder pellets

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102016208087.3A DE102016208087B3 (de) 2016-05-11 2016-05-11 Verfahren zur Bestimmung der erreichten Qualität bei der Herstellung von Granulaten oder Pellets oder von Beschichtungen auf Granulen oder Pellets
DE102016208087.3 2016-05-11

Publications (1)

Publication Number Publication Date
WO2017194308A1 true WO2017194308A1 (de) 2017-11-16

Family

ID=58585500

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2017/059920 WO2017194308A1 (de) 2016-05-11 2017-04-26 Verfahren zur bestimmung der erreichten qualität bei der herstellung von granulaten oder pellets oder von beschichtungen auf granulen oder pellets

Country Status (3)

Country Link
EP (1) EP3455615A1 (de)
DE (1) DE102016208087B3 (de)
WO (1) WO2017194308A1 (de)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110487808A (zh) * 2019-08-22 2019-11-22 广东智源机器人科技有限公司 一种用于自动化炒锅锅胆的卫生状态检测方法及系统
CN111398211A (zh) * 2020-03-09 2020-07-10 浙江工业大学 一种苍术颗粒剂的信息区分处理方法
CN116038649A (zh) * 2023-03-28 2023-05-02 浙江大学 一种检测流化床制粒过程中多质量指标的机器人及方法
CN118096734A (zh) * 2024-04-23 2024-05-28 武汉名实生物医药科技有限责任公司 一种基于大数据的产品质量监测方法及系统

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11609181B2 (en) 2017-10-16 2023-03-21 Hamamatsu Photonics K.K. Spectral analysis apparatus and spectral analysis method
CN109086254A (zh) * 2017-12-29 2018-12-25 东北电力大学 基于高光谱技术石蜡内部组分综合等级评定
WO2020041307A1 (en) * 2018-08-21 2020-02-27 Battelle Memorial Institute Active hyperspectral imaging with a laser illuminator and without dispersion

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
AMIGO J M ET AL: "Study of pharmaceutical samples by NIR chemical-image and multivariate analysis", TRAC TRENDS IN ANALYTICAL CHEMISTRY, ELSEVIER, AMSTERDAM, NL, vol. 27, no. 8, 1 September 2008 (2008-09-01), pages 696 - 713, XP024338651, ISSN: 0165-9936, [retrieved on 20080620], DOI: 10.1016/J.TRAC.2008.05.010 *
GENDRIN C ET AL: "Pharmaceutical applications of vibrational chemical imaging and chemometrics: A review", JOURNAL OF PHARMACEUTICAL AND BIOMEDICAL ANALYSIS, NEW YORK, NY, US, vol. 48, no. 3, 4 November 2008 (2008-11-04), pages 533 - 553, XP025479157, ISSN: 0731-7085, [retrieved on 20080822], DOI: 10.1016/J.JPBA.2008.08.014 *
JOSÃ CR MANUEL AMIGO: "Practical issues of hyperspectral imaging analysis of solid dosage forms", ANALYTICAL AND BIOANALYTICAL CHEMISTRY, SPRINGER, BERLIN, DE, vol. 398, no. 1, 23 May 2010 (2010-05-23), pages 93 - 109, XP019839363, ISSN: 1618-2650 *
MAIDER VIDAL ET AL: "Pre-processing of hyperspectral images. Essential steps before image analysis", CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS, vol. 117, 1 August 2012 (2012-08-01), NL, pages 138 - 148, XP055331442, ISSN: 0169-7439, DOI: 10.1016/j.chemolab.2012.05.009 *
PRATS-MONTALBÃ N J M ET AL: "Multivariate image analysis: A review with applications", CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS, ELSEVIER SCIENCE PUBLISHERS B.V. AMSTERDAM, NL, vol. 107, no. 1, 4 March 2011 (2011-03-04), pages 1 - 23, XP028206259, ISSN: 0169-7439, [retrieved on 20110311], DOI: 10.1016/J.CHEMOLAB.2011.03.002 *
SVENSSON O ET AL: "An evaluation of 2D-wavelet filters for estimation of differences in textures of pharmaceutical tablets", CHEMOMETRICS AND INTELLIGENT LABORATORY SYSTEMS, ELSEVIER SCIENCE PUBLISHERS B.V. AMSTERDAM, NL, vol. 84, no. 1-2, 1 December 2006 (2006-12-01), pages 3 - 8, XP024894914, ISSN: 0169-7439, [retrieved on 20061201], DOI: 10.1016/J.CHEMOLAB.2006.04.019 *
TARJA RAJALAHTI ET AL: "Multivariate data analysis in pharmaceutics: A tutorial review", INTERNATIONAL JOURNAL OF PHARMACEUTICS, ELSEVIER, AMSTERDAM, NL, vol. 417, no. 1, 10 February 2011 (2011-02-10), pages 280 - 290, XP028281391, ISSN: 0378-5173, [retrieved on 20110216], DOI: 10.1016/J.IJPHARM.2011.02.019 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110487808A (zh) * 2019-08-22 2019-11-22 广东智源机器人科技有限公司 一种用于自动化炒锅锅胆的卫生状态检测方法及系统
CN111398211A (zh) * 2020-03-09 2020-07-10 浙江工业大学 一种苍术颗粒剂的信息区分处理方法
CN116038649A (zh) * 2023-03-28 2023-05-02 浙江大学 一种检测流化床制粒过程中多质量指标的机器人及方法
CN118096734A (zh) * 2024-04-23 2024-05-28 武汉名实生物医药科技有限责任公司 一种基于大数据的产品质量监测方法及系统

Also Published As

Publication number Publication date
DE102016208087B3 (de) 2017-05-11
EP3455615A1 (de) 2019-03-20

Similar Documents

Publication Publication Date Title
DE102016208087B3 (de) Verfahren zur Bestimmung der erreichten Qualität bei der Herstellung von Granulaten oder Pellets oder von Beschichtungen auf Granulen oder Pellets
EP3368872B1 (de) Verfahren zum ermitteln von texturparametern eines lacks
EP3156782B1 (de) Verfahren zur spektralen analyse von in einem graphitrohr atomisierten proben
DE102010027144A1 (de) Trainingsverfahren für einen adaptiven Auswertealgorithmus, ein hyperspektrales Messgerät, sowie eine Vorrichtung zum Ausbringen eines Betriebsmittels
DE102009033098A1 (de) Verfahren und Vorrichtung zum Ermitteln von Eigenschaften von strukturierten Oberflächen
DE60029343T2 (de) Verfahren und vorrichtung zum kontrollieren der herstellungsqualität einer bewegten bahn
EP2068135B1 (de) Verfahren und Vorrichtung zur Modellierung und Simulation optischer Eigenschaften von Effektstofflacken und Bestimmung von Beleuchtungs- und Messgeometrien für Spektralphotometer
DE112018006287T5 (de) Inspektionssystem, inspektionsverfahren, programm und speichermedium
EP3903077B1 (de) Verfahren und vorrichtung zum auffinden und anpassen von effektfarbformulierungen unter abgleich mit der visuellen wahrnehmung von textureigenschaften
DE112018004567T5 (de) Spektralanalyseeinrichtung und Spektralanalyseverfahren
DE102009050075B4 (de) Verfahren zur Messung der Wolkigkeit von Lackierungen auf Prüftafeln
DE102011002464A1 (de) Schnelles Farbverifikationssystem unter Verwendung eines digitalen Bildgebungs- und Kurvenvergleichsalgorithmus
EP3707496B1 (de) Identifizierung eines oder mehrerer spektraler merkmale in einem spektrum einer probe für eine inhaltsstoffanalyse
AT7250U1 (de) Verfahren zum identifizieren, klassifizieren und sortieren von gegenständen, objekten und materialien sowie ein dafür vorgesehenes erkennungssystem
WO2009137855A1 (de) Charakterisierung von physiko-chemischen eigenschaften eines feststoffes
EP3325941B1 (de) Anordnung zur bestimmung der permeationsrate einer probe
EP4356108A1 (de) Verfahren und vorrichtung zum inspizieren von lackierten oberflächen mit effektpigmenten
EP0308741B1 (de) Kontrollverfahren bezüglich des Dispersionsgrades magnetischer Pigmente in einer Dispersion
EP3612835A1 (de) Verfahren zur detektion der ranzigkeit von ölfrüchten, samen und nüssen
DE4328357C2 (de) Verfahren zur quantitativen Erfassung der nichtflüchtigen von Pigmenten und Füllstoffen unterschiedlichen Komponenten von Überzugsmitteln oder Überzugsmittelbestandteilen
AT505885B1 (de) Verfahren zum ähnlichkeitsvergleich von zwei gegenständen
EP3999838A1 (de) Verfahren zur untersuchung von substanzen, computerprogrammprodukt zur verwendung in diesem verfahren, sowie mobiles elektronisches gerät
DE102020104239A1 (de) Analyse durch Interferometrie mit niedriger Kohärenz von pharmazeutischen Zusammensetzungen unter Verwendung von maschinellem Lernen
EP1219919B1 (de) Verfahren, Anordnung und System zur Ermittlung von Prozessgrössen
WO2024120818A1 (de) Verfahren und vorrichtung zum inspizieren von lackierten oberflächen mit effektpigmenten

Legal Events

Date Code Title Description
NENP Non-entry into the national phase

Ref country code: DE

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17722401

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2017722401

Country of ref document: EP

Effective date: 20181211