Η παρουσίαση φορτώνεται. Παρακαλείστε να περιμένετε

Η παρουσίαση φορτώνεται. Παρακαλείστε να περιμένετε

Σχεδιασμός Χημικών Προϊόντων Δημήτρης Χατζηαβραμίδης Σχολή Χημικών Μηχανικών Εθνικό Μετσόβιο Πολυτεχνείο 10/10/20131ΔΧ.

Παρόμοιες παρουσιάσεις


Παρουσίαση με θέμα: "Σχεδιασμός Χημικών Προϊόντων Δημήτρης Χατζηαβραμίδης Σχολή Χημικών Μηχανικών Εθνικό Μετσόβιο Πολυτεχνείο 10/10/20131ΔΧ."— Μεταγράφημα παρουσίασης:

1 Σχεδιασμός Χημικών Προϊόντων Δημήτρης Χατζηαβραμίδης Σχολή Χημικών Μηχανικών Εθνικό Μετσόβιο Πολυτεχνείο 10/10/20131ΔΧ

2 10/10/2013 Σχεδιασμός Προϊόντων Προϊόντα o Βασικά Χημικά (commodities), π.χ., αμμωνία o Μοριακά, π.χ., φαρμακευτικά ενεργή ουσία o Δομημένα, π.χ., κάψουλα φαρμάκου o Συσκευές, π.χ., συσκευή αιμοκάθαρσης Αλληλουχία Σχεδιασμού σύμφωνα με τον Cussler & Moggridge (Chemical Product Design, Cambridge U. Press, 2 nd ed., 2011) ΔΧ2 ΣΣ Ανάγκη Ω ΙδεΙ Ιδέα Σχεδιασμός Διεργασιών Σχεδιασμός Προϊόντος Ανάπτυξη Προϊόντος Βιομηχανική Παραγωγή

3 10/10/2013ΔΧ3 Ανάγκη Ω ΙδεΙ Ιδέα ΣΣ Σχεδιασμός Διεργασιών Σχεδιασμός Προϊόντος Ανάπτυξη Προϊόντος Βιομηχανική Παραγωγή ΙδεΙ Κρίσιμα Χαρακτηριστικά Σχεδιασμός Προϊόντων Μια καινούργια αλληλουχία Σχεδιασμού (ΔΧ)

4 10/10/2013ΔΧ4 Ανάγκες Διαλεύκανση αναγκών του πελάτη σε τρία στάδια: 1.Συνεντεύξεις πελατών, 2.Αναγνώριση αναγκών, 3.Μετάφραση αναγκών σε προδιαγραφές προϊόντος Προσοχή να μη περιοριστεί ο ορισμός του προϊόντος πρόωρα Στο στάδιο αυτό, εστίαση στην αναγνώριση αναγκών και όχι στο πώς θα ικανοποιηθούν ανάγκες Ταυτοποίηση πελατών: 1.Άτομα, 2.Επιχειρήσεις ή δημόσιοι οργανισμοί, 3.«Ηγετικοί χρήστες» (lead users) – συχνά εφευρίσκουν μικρές βελτιώσεις στο προϊόν από μόνοι τους και μπορούν να εκφράσουν με σαφήνεια τι είναι λάθος στο προϊόν Παράδειγμα - Πελάτες για κούκλες Βarbie Παιδικό παιχνίδι για κορίτσια που εισάχθηκε στην αγορά το 1959 σαν “teenage fashion doll” και έκανε την Ms. Handler που είχε την ιδέα πλούσια και την εταιρεία της Mattel μείζονα παραγωγό παιδικών παιχνιδιών. Πελάτες: κορίτσια Ανάγκες: Θέλουν να προσποιούνται ότι είναι μητέρες και ενήλικες

5 5 Ανάγκες Παράδειγμα - Πελάτες για εγχείρηση καταρράκτη Καταρράκτης: θόλωμα του κρυσταλλικού φακού του ματιού που συχνά αναπτύσσεται με την ηλικία. Ο φακός μπορεί να αντικατασταθεί με εγχείρηση. Ο χειρούργος οφθαλμίατρος κάνει μια μικρή εντομή στο μάτι και αφαιρεί το φακό. Ο νέος πλαστικός φακός, που είναι τυλιγμένος ώστε να προσαρμόζεται στη βελόνα μιας σύριγγας, τοποθετείται στο μάτι όπου παραμένει μόνιμα. Ο πελάτης κανονικά πηγαίνει σπίτι του την ίδια μέρα. Αν η εταιρεία σας είναι αυτή που κατασκευάζει τους πλαστικούς φακούς, είναι ο πελάτης σας ο ασθενής, ο χειρούργος οφθαλμίατρος ή ο ασφαλιστικός φορέας ιατροφαρμακευτικής περίθαλψης; Πελάτες: Στο πιο γενικό επίπεδο, και οι τρείς. Πελάτης κλειδί είναι ο γιατρός. Ανάγκες: Ο φακός πρέπει να (1) είναι εύκολο να εμφυτευθεί, (2) διορθώνει την όραση, (3) έχει λογική τιμή Εναλλακτικές λύσεις για συνεντεύξεις πελατών: 1.Ομάδες στόχου (focus group) 2.Ομάδες εμπειρογνωμόνων (expert panels) Yπόδειγμα συνέντευξης πελάτη Τι δουλειά κάνετε; Πως μεταχειρίζεστε το (υπάρχον) προϊόν Α Ποια από τα χαρακτηριστικά του είναι λειτουργικά; Ποια από τα χαρακτηριστικά του δεν είναι λειτουργικά; Πως αγοράζετε το προϊόν Α; 10/10/2013ΔΧ

6 10/10/2013ΔΧ6 Ανάγκες Η αξία της συνέντευξης πελατών εξαρτάται από την ικανότητα αυτού που παίρνει τη συνέντευξη να αποσπά χρήσιμες απαντήσεις Γενικές οδηγίες για τη συνέντευξη: 1.Ενθαρρύνετε συζήτηση σε παραπλήσια θέματα 2.Τονώστε συζήτηση με εναλλακτικά θέματα 3.Ζητείστε απαντήσεις όταν οι περιορισμοί αφαιρούνται 4.Να είστε σε ετοιμότητα για εκπλήξεις Αναγνώριση αναγκών Ανάγκες: Βασικές ή κρίσιμες, επιθυμητές, χρήσιμες Το νέο προϊόν πρέπει να: 1.Ικανοποιεί όλες τις βασικές, 2.Ικανοποιεί αρκετές από τις επιθυμητές, ιδίως αν τα προϊόντα των ανταγωνιστών δεν τις ικανοποιούν, 3.Αναγνωρίζει την ύπαρξη χρήσιμων χωρίς να τις ικανοποιεί Παράδειγμα - Εκτίμηση οστεοπόρωσης Γίνεται με μέτρηση της πυκνότητας των οστών με ακτίνες Χ ή υπερήχους, όργανα που κοστίζουν ακριβά. Αναζητείται μια φθηνότερη λύση που δεν θα δίνει απόλυτη τιμή της πυκνότητας, αλλά σχετική. Ανάγκες: Βασικές-όργανο που μετράει τις αλλαγές σε ένα μέγεθος ανάλογο της πυκνότητας για ορισμένο χρονικό διάστημα. Επιθυμητές-όργανο μικρό σε μέγεθος και εύκολο να χρησιμοποιηθεί. Χρήσιμες-όργανο κοστίζει φθηνά και μπορεί να πάρει την έγκριση του FDA

7 10/10/2013ΔΧ7 Παράδειγμα – Εναλλακτικά υγρά για αποπάγωση (de-icing) αεροπλάνων To αεροδρόμιο της Minneapolis-St.Paul έχει πάνω από 400 πτήσεις ημερησίως. Η πόλη είναι γνωστή για τους εξαιρετικά κρύους χειμώνες. Το χειμώνα, το χιόνι συσσωρεύεται πάνω στα αεροπλάνα που περιμένουν στις πύλες (gates) αναχώρησης. Το χιόνι απομακρύνεται από τα αεροπλάνα με ψεκασμό (spraying) με αποπαγωτικά (de-icing) υγρά όπως η προπυλενογλυκόλη που εκκενώνονται στην αποχέτευση μετά τη χρήση. Σε αεροδρόμια άλλων χωρών, τα αποπαγωτικά υγρά μετά τη χρήση τους διοχετεύονται στο υπέδαφος, παρά το γεγονός ότι τα υγρά αυτά είναι τοξικά και με τον τρόπο αυτό περνούν στα υπόγεια ύδατα (groundwater). Στην περίπτωση του αεροδρομίου της Minneapolis-St.Paul, τα απορριπτόμενα αποπαγωτικά υγρά προκαλούν μεγάλο πρόβλημα στο τοπικό εργοστάσιο επεξεργασίας λυμάτων. Στην οποιαδήποτε περίπτωση τα απορριπτόμενα αποπαγωτικά υγρά προκαλούν μέγιστη ρύπανση (pollution). Παίρνονται συνεντεύξεις από τους ανθρώπους του αεροδρομίου και των αεροπορικών εταιρειών. Ερώτηση: Πως γίνεται η αποπάγωση του αεροσκάφους; Απάντηση: Το αεροσκάφος προς απογείωση, πριν την επιβίβαση, μεταφέρεται σε κεντρικό σημείο του αεροδρομίου και ψεκάζεται πρώτα με διάλυμα 50% προπυλενογλυκόλη και 50% νερό. Ψεκάζουμε για 10 λεπτά ή ώσπου να μην υπάρχει χιόνι, όποιο έρθει πιο γρήγορα. Το απορρέον υγρό συλλέγεται σε υπόγειες δεξαμενές και από εκεί διοχετεύεται στο εργοστάσιο επεξεργασίας λυμάτων. Ύστερα ψεκάζουμε με υδροπηκτές (hydrogels) που προσκολλώνται στην εξωτερική επιφάνεια του αεροσκάφους και για όσο χρόνο περιμένει το αεροσκάφος στο έδαφος πρίν την απογείωση του. Οι υδροπηκτές απομακρύνονται από το αεροσκάφος στην απογείωση από τις διατμητικές τάσεις που αναπτύσσονται

8 10/10/2013ΔΧ8 Παράδειγμα – Εναλλακτικά υγρά για αποπάγωση (de-icing) αεροπλάνων Ερώτηση: Τι χαρακτηριστικά του προϊόντος είναι λειτουργικά; Απάντηση: Είναι καλό προϊόν. Δουλεύει ακόμη και στους -30 ο C. Δεν είναι πτητικό. Δεν προκαλεί διάβρωση (corrosion), όπως το αλάτι. Είναι δύσκολο στην καύση. Ερώτηση: Τι χαρακτηριστικά του προϊόντος δεν είναι λειτουργικά; Απάντηση: Έχει κάποια οσμή και μερικοί επιβάτες αδιαθετούν. Είναι τοξικό και για ανθρώπους και ψάρια. Χαρακτηριστικά Βασικά ή κρίσιμαΕπιθυμητάΧρήσιμα Λυώνει το χιόνιΜη καρκινογόνοΦθηνό ΕυκολόχρηστοΜη εύφλεκτοΑναμείξιμο με νερό Μη διαβρωτικόΑνακυκλώσιμοΔιαθέσιμο από πολλούς προ- μηθευτές

9 10/10/2013ΔΧ9 Παράδειγμα – Εναλλακτικά υγρά για αποπάγωση (de-icing) αεροπλάνων Τα αποπαγωτικά ενεργούν με καταστολή του σημείου πήξης του νερού (freezing point depression) που υπολογίζεται από τη σχέση R είναι η σταθερά των αερίων, x di είναι το μοριακό κλάσμα του αποπαγωτικού, ΔΗ f είναι η ενθαλπία σύντηξης (enthalpy of fusion) του νερού. Η πιο σημαντική μεταβλητή για την επιλογή του αποπαγωτικού είναι το x di. Εκτίμηση των αναγκών των καταναλωτών Για να αποτιμήσουμε τις ανάγκες των καταναλωτών έχουμε δυό ειδών κλίμακες μέτρησης την ηδονιστική (hedonic), που μετράει τι αρέσει στον καταναλωτή, και αυτήν της έντασης (intensity), που μετράει τι αισθάνεται ο καταναλωτής.

10 10/10/2013ΔΧ10 Παράδειγμα – Εναλλακτικά υγρά για αποπάγωση (de-icing) αεροπλάνων Εκτίμηση των αναγκών των καταναλωτών (α) (β) (γ) (δ) (α)-(β) Εκτιμήσεις πελάτη ως προς τη γεύση με μεταβολή συγκέντρωσης της ζάχαρης. (α) – Ηδονιστική κλίμακα, (β) – Κλίμακα έντασης, ανεξάρτητη από υποκειμενικότητα πελάτη, όχι απαραίτητα γραμμική σχέση (γ)-(δ) Εκτιμήσεις πελάτη ως προς τη σκληρότητα και επαλειψιμότητα με μεταβολή συγκέντωσης πηλού. (γ), (δ) – Κλίμακες έντασης, σκληρότητα και επαλειψιμότητα συνδέονται μεταξύ τους και επαλειψιμότητα με μεταβολή σκληρότητας παράγει σχέση παρόμοια με αυτή της (δ)

11 10/10/2013ΔΧ11 Κρίσιμα Χαρακτηριστικά Προϊόντος Απάντηση στην ερώτηση «Τι προϊόν θα παράγουμε;» οδηγεί στο Ανάγκη/-ες → y = (y 1, y 2, …, y N ) Τ όπου y 1, …, y N είναι μετρήσιμα φυσικά μεγέθη που αντιπροσωπεύουν την ποιότητα ή λειτουργικότητα του προϊόντος Απάντηση στην ερώτηση «Πως θα παράγουμε το συγκεκριμένο προϊόν;» οδηγεί στην Ιδέα κι αυτή με τη σειρά της στην αναγνώριση των κρίσιμων παραμέτρων, δηλαδή, των κρίσιμων χαρακτηριστικών (attributes) πρώτων υλών (raw materials), z = (z 1, …, z L ) Τ, και των κρίσιμων παραμέτρων διεργασίας, x = (x 1, …, x M ) Τ H βάση για το σχεδιασμό και την αυτόματη ρύθμιση και έλεγχο είναι ο προσδιορισμός της σχέσης y = y(z, x)

12 10/10/2013ΔΧ12 Κρίσιμα Χαρακτηριστικά Προϊόντος (ΚΧΠ) Επιλογή ΚΧΠ 80/20 κανόνας του Pareto

13 10/10/2013ΔΧ13 Κρίσιμα Χαρακτηριστικά Προϊόντος (ΚΧΠ) Επιλογή ΚΧΠ Ανάλυση Αποτυχίας και Αποτελεσμάτων (Failure Mode Effect Analysis) Σοβαρότητα – αξιολογεί τη σοβαρότητα του αποτελέσματος πιθανής αποτυχίας στο επόμενο στοιχείο, υποσύστημα ή σύστημα. Μετράται σε κλίμακα από 1 μέχρι 10 Συχνότητα – εκτιμάται η πιθανότητα να παρουσιασθεί ειδική αιτία αποτυχίας. Από σύγκριση με δεδομένα του παρελθόντος (historical data), αναγνωρίζονται μεταβλητές που χρειάζονται περισσότερη ρύθμιση Διάγνωση – αξιολογεί τη δυνατότητα του συστήματος ρύθμισης να διαγνώσει αποτυχία Αριθμός Προτεραιότητας Διακινδύνευσης (Risk Priority Number) ΑΠΔ (RPN) = (Σοβαρότητα) x (Συχνότητα) x (Διάγνωση)

14 10/10/2013ΔΧ14 Κριτήρια Υπολογισμού Σοβαρότητας FMEA Αποτέλεσμα Βαθμολογία Επικίνδυνο χωρίς προειδοποίηση (hazardous w/o warning) 10 Επικίνδυνο με προειδοποίηση (hazardous w warning) 9 Πάρα πολύ (very high) σοβαρό 8 Πολύ (high) σοβαρό 7 Αρκετά (moderately) σοβαρό 6 Λίγο (low) σοβαρό 5 Πολύ λίγο (very low) σοβαρό 4 Ελάχιστα (minor) σοβαρό 3 Πολύ ελάχιστα (very minor) σοβαρό 2 Καθόλου σοβαρό1

15 10/10/2013ΔΧ15 Κριτήρια Υπολογισμού Συχνότητας FMEA Πιθανότητα Αποτυχίας Βαθμολογία Πολύ μεγάλη (very high)  Αποτυχία αναπόφευκτη>1 στα στα 3 9 Μεγάλη (high)  Επαναλαμβανόμενη αποτυχία 1 στα στα 20 7 Μέτρια (moderate)  1 στα στα στα 2,000 4 Χαμηλή (low)  Λίγες σχετικά αποτυχίες 1 στα 15, στα 150,000 2 Απομακρυσμένη (remote)  αποτυχία είναι απίθανη1 στα 1,500,000 1

16 10/10/2013ΔΧ16 Κριτήρια Υπολογισμού (Βεβαιότητας) Διάγνωσης FMEA Διάγνωση Βαθμολογία Απόλυτη αβεβαιότητα (absolute uncertainty)10 Πολύ απομακρυσμένη (very remote) βεβαιότητα 9 Απομακρυσμένη (remote) βεβαιότητα 8 Πολύ μικρή (very low) βεβαιότητα 7 Μικρή (low) βεβαιότητα 6 Μέτρια (moderate) βεβαιότητα 5 Αρκετά υψηλή (moderately high) βεβαιότητα 4 Υψηλή (high) βεβαιότητα 3 Πολύ Υψηλή (very high) βεβαιότητα 2 Σχεδόν βέβαιη (almost certain) 1

17 17 Κρίσιμοι Παράμετροι Διεργασίας (Critical Process Parameters) AN(alysis)O(f)VA(riance) y = y (x 1, x 2, …, x k )y: 1 KXΠx i, i = 1,…, I: I Παράμετροι Διεργασίας (ΠΔ) x ij, j = 1,…, J: J τιμές του x i y ijk, k = 1,…, K: K μετρήσεις του y για κάθε j τιμή του x i

18 10/10/2013ΔΧ18 Κρίσιμοι Παράμετροι Διεργασίας (Critical Process Parameters) AN(alysis)O(f)VA(riance) y = y (x 1, x 2, …, x k )y: 1 KXΠx i, i = 1,…, I: I ΠΔ x ij, j = 1,…, J: J τιμές του x i y ijk, k = 1,…, K: K μετρήσεις του y για κάθε j τιμή του x i _______________________________________________________________________ ΠηγήΆθροισμαΒαθμοί Μέσος ΜεταβλητότηταςΤετραγώνωνΕλευθερία Τετραγώνων _______________________________________________________________________ Μετρήσεις y για συγκεκριμένη τιμή x SS iΜ J – 1 MS Μ Λάθος SS iE J (K – 1)MS E Σύνολο (μετρήσεων για όλες τις τιμές x i ) SS iT J K – 1

19 10/10/2013ΔΧ19 Κρίσιμοι Παράμετροι Διεργασίας (Critical Process Parameters) AN(alysis)O(f)VA(riance) y = y (x 1, x 2, …, x k )y: 1 KXΠx i, i = 1,…, I: I ΠΔ x ij, j = 1,…, J: J τιμές του x i y ijk, k = 1,…, K: K μετρήσεις του y για κάθε j τιμή του x i Aν F i0 > F α,J-1,K(J-1) (α = 0.01 ή 0.05 επίπεδο σημαντικότητας ⇒ 99% ή 95% βεβαιότητα στην απόρριψη της μηδενικής υπόθεσης), η παράμετρος x i είναι σημαντική πηγή μεταβλητότητας για το κρίσιμο χαρακτηριστικό προϊόντος y, δηλαδή, είναι κρίσιμη παράμετρος διεργασίας

20 10/10/2013ΔΧ20 Κρίσιμοι Παράμετροι Διεργασίας (Critical Process Parameters) Σχεδιασμός Πειραμάτων Επιλογής (Screening Design Of Experiments) Στο DOE, με τον ελάχιστο αριθμό πειραμάτων παίρνουμε τη μέγιστη πληροφορία Στο DOE, αντίθετα με τον παραδοσιακό τρόπο σχεδιασμού και εκτέλεσης πειραμάτων, οι τιμές όλων των ανεξάρτητων μεταβλητών μεταβάλλονται ταυτόχρονα σε κάθε πείραμα (παραγοντικό DOE – factorial DOE) Στο DOE επιλογής, κάθε ανεξάρτητη μεταβλητή παίρνει μόνο 2 τιμές (DOE 2 επιπέδων), μια χαμηλή (-) και μία υψηλή (+). Σε ένα DOE επιλογής, ο ελάχιστος αριθμός πειραμάτων για την απόκτηση της μέγιστης πληροφορίας είναι 2 n όπου n είναι ο αριθμός των ανεξάρτητων μεταβλητών Στο DOE επιλογής, οι φυσικές τιμές (με διαστάσεις) κάθε ανεξάρτητης μεταβλητής, που παριστάνονται με Χ (κεφαλαίο), με το μετασχηματισμό x = [Χ – (Χ + + Χ - )/2] / [ (Χ + - Χ - )/2], όπου οι φυσικές τιμές (με διαστάσεις) οι κωδικοποιημένες με x (μικρό), Χ + και Χ - είναι οι επιλεγμένες φυσικές τιμές, υψηλή και χαμηλή, αντίστοιχα, και x + = +1 και x - = -1 οι κωδικοποιημένες τιμές, υψηλή και χαμηλή, αντίστοιχα

21 10/10/2013ΔΧ21 Χαμηλό (-) Χαμηλό (-) Υψηλό (+) Υψηλό (+) xBxB xAxA b a ab (1) Κρίσιμοι Παράμετροι Διεργασίας (Critical Process Parameters) Eξετάζουμε την περίπτωση y = y(x A, x B ) Mε 2 ανεξάρτητες μεταβλητές ή παράγοντες (factors), x A, x B, χρειαζόμαστε 2 2 πειράματα που παριστάνονται στην εικόνα από τα 4 σημεία στις κορυφές του τετραγώνου Η τιμή που παίρνει η ανεξάρτητη μεταβλητή ή απόκριση, y, παριστάνεται από ένα μικρού χαρακτήρα (όχι κεφαλαίο) γράμμα, π.χ., a, b σε κάθε κορυφή του τετραγώνου (αντιστοιχεί σε ένα πείραμα). Άν ένα γράμμα είναι σε συγκεκριμένη κορυφή, ο αντίστοιχος παράγοντας έχει την υψηλή του τιμή στο σημείο αυτό. Αν το γράμμα λείπει από την κορυφή, ο παράγοντας έχει χαμηλή τιμή για τη συγκεκριμμένη δοκιμή, π.χ., για τη κορυφή με το a οι παράγοντες, x A και x B, είναι στό υψηλό και χαμηλό επίπεδο, αντίστοιχα. Η κορυφή με τους δυο παράγοντες σε χαμηλό επίπεδο παριστάνεται από το (1)

22 22 Χαμηλό (-) Χαμηλό (-) Υψηλό (+) Υψηλό (+) xBxB xAxA b a ab (1) Κρίσιμοι Παράμετροι Διεργασίας (Critical Process Parameters) Eξετάζουμε την περίπτωση y = y(x A, x B ) Για να υπολογίσουμε τήν κύρια επίδραση του x A στο y, Α, υπολογίζουμε το μέσο των μετρήσεων στη δεξιά πλευρά του τετραγώνου, όταν το x A είναι σε υψηλό επίπεδο, και αφαιρούμε από αυτό το μέσο των μετρήσεων στην αριστερή πλευρά του τετραγώνου όπου το x A είναι σε χαμηλό επίπεδο, δηλαδή, όπου n είναι ο αριθμός επανάληψης των 4 πειραμάτων (δοκιμών) του τετραγώνου. Παρόμοια για τήν κύρια επίδραση του x B στο y, Β, Στο DOE, υπάρχει και η αλληλοεπίδραση (interaction) των x A και x B, ΑΒ, που είναι η διαφορά του μέσου του y στα σημεία όπου οι παράγοντες δεν βρίσκονται στο ίδιο, χαμηλό ή υψηλό, επίπεδο, y AB-,από το μέσο του y στα σημεία όπου οι παράγοντες βρίσκονται στο ίδιο, χαμηλό ή υψηλό, επίπεδο, y AB+

23 10/10/2013ΔΧ23 Χαμηλό (-) Χαμηλό (-) Υψηλό (+) Υψηλό (+) xBxB xAxA b a ab (1) Κρίσιμοι Παράμετροι Διεργασίας (Critical Process Parameters) Eξετάζουμε την περίπτωση y = y(x A, x B ) Aπό το DOE επιλογής ή 2-επιπέδων προκύπτει η ακόλουθη σχέση y = β 0 + β Α x A + β B x B + β ΑB x A x B Όπου β 0 = y = [(1) + a + b + ab]/4n β Α = A/2 β B = B/2 β ΑB = AB/2 Από τη σύγκριση των συντελεστών β Κ, Κ = A, Β, ΑΒ, μπορούμε να επιλέξουμε ως κρίσιμους τους παράγοντες x Κ, Κ = A, Β, ΑΒ, που έχουν τη μεγαλύτερη επίπτωση στήν μέση τιμή, μ y, ή την μεταβλητότητα, σ y, του y

24 10/10/2013ΔΧ24 Κρίσιμοι Παράμετροι Διεργασίας (Critical Process Parameters) Eξετάζουμε την περίπτωση y = y(x A, x B, x C ) Tο DOE επιλογής ή 2-επιπέδων γίνεται με το λογισμικό MINITAB και τα αποτελέσματα δίνονται με τη μορφή Σημαντικοί, δηλαδή, κρίσιμοι είναι οι παράγοντες για τους οποίους F 0 > F α,1,15, όπου α = 0.05 ή 0.01, με βεβαιότητα 95% ή 99% αντίστοιχα

25 Ιδέες 1.Το πρόβλημα χωρίζεται σε μικρότερα, 2.΄Ερευνα για υπάρχουσες ιδέες (αγορά: καταναλωτές, παραγωγοί, internet, βιβλιογραφία) 3.Έρευνα για νέες ιδέες (άκριτη σταχυολόγηση ιδεών από μέλη ομάδας σχεδιασμού), 4. Κατασκευάζονται δένδρα ιδεών (ideas tree) και χάρτες νόησης (mind maps) που παρατείνουν το χωρισμό του προβλήματος και υποδεικνύουν ανεξάρτητους τρόπους επίλυσης 4.Διερεύνηση συνδυασμού ιδεών, και 5.Δημιουργία καταλόγου και ταξινόμηση ιδεών γιά επιλογή της καλλίτερης και πραγματοποιήσιμης ιδέας 10/10/2013ΔΧ25

26 10/10/2013ΔΧ26 ΑΝΑΛΥΣΗ ΙΔΕΩΝ ΓΙΑ ΕΠΙΛΟΓΗ ΚΑΛΛΙΤΕΡΗΣ 1.Προσεκτική επιλογή ιδέας-για-αναφορά (benchmark) a.Υπάρχον προϊόν με μεγαλύτερο μερίδιο της αγοράς b.Προϊόν που πιστεύεται πως είναι το καλλίτερο c.Το υπό σχεδιασμό προϊόν με τις προδιαγραφές του 2.Επιλογή των σπουδαιότερων παραγόντων για αξιολόγηση του προϊόντος και συντελεστών στάθμισης (weighting factors) a.Ωριμότητα σε επιστημονική γνώση (scientific maturity) b.Ευκολία σε μηχανική εφαρμογή (engineering ease) c.Βαθμός διακινδύνευσης (degree of risk) d.Ασφάλεια (safety) e.Μικρή επίδραση στο περιβάλλον (low environmental impact) f.Βιωσιμότητα (sustainability) Κανονικοποίηση παραγόντων στάθμισης 3.Διαμόρφωση Πίνακα Επιλογής Ιδέας (Concept-Screening Matrix) 4.Ανάλυση ευαισθησίας (sensitivity analysis) για παράγοντες στάθμισης

27 10/10/2013ΔΧ27 ΑΝΑΛΥΣΗ ΙΔΕΩΝ ΓΙΑ ΕΠΙΛΟΓΗ ΚΑΛΛΙΤΕΡΗΣ 1.Προσεκτική επιλογή ιδέας-για-αναφορά (benchmark) 2.Επιλογή των σπουδαιότερων παραγόντων για αξιολόγηση του προϊόντος και συντελεστών στάθμισης (weighting factors) 3.Διαμόρφωση Πίνακα Επιλογής Ιδέας (Concept-Screening Matrix) α.Βαθμολόγηση από διατμηματική ομάδα (sales, engineering, marketing, HSE) b.Βαθμολόγηση από εμπειρογνώμονες c.Βαθμολόγηση με συναίνεση (consensus) i - παράγοντας j – ιδέα s ij – βαθμός i-παράγοντα S j – βαθμός ιδέας H υπόθεση ότι ο βαθμός ιδέας, S j, είναι γραμμική συνάρτηση των βαθμών παραγόντων, s ij, ισχύει κατά προσέγγιση για παρόμοια προϊόντα με μικρές διαφορές. Δεν ισχύει όταν α.Το κριτήριο για βαθμολόγηση είναι ψηφιακό, π.χ., το προϊόν κάνει θόρυβο ή όχι β.Το προϊόν δεν λειτουργεί όπως αναμένεται, π.χ., διαχωριστική συσκευή για ολεφίνες και παραφίνες με μεμβράνη από κοίλες ίνες (hollow fibers) γ. Καινοτομίες: προϊόντα που η σύλληψη της ιδέας τους είναι πέρα από το σύγχρονο τρόπο σκέψης (out-of-the box; game changers, show stoppers) 4. Ανάλυση ευαισθησίας (sensitivity analysis) για παράγοντες στάθμισης

28 Ιδέες Παράδειγμα: Θεραπεία διαβήτη Πρόβλημα  Θεραπεία διαβήτη τύπου 1  Αρχή  Διαχείρηση σακχάρου στο αίμα  Μέθοδος  Ένεση ινσουλίνης, μεταμόσχευση, γονιδιακή θεραπεία  Συσκευή / Υλικό  ?  Τμήμα (συσκευής) / Συστατικό (υλικού)  ?  Λεπτομέρειες  ? 10/10/2013ΔΧ28

29 Ιδέες Παράδειγμα: Θεραπεία διαβήτη Επιλογή καλλίτερης και πραγματοποιήσιμης μεθόδου 1. Ινσουλίνη ταχείας αποτελεσματικότητας, 2.Παρακολούθηση γλυκόζης στο αίμα από ασθενή, 3.Ένεση ινσουλίνης από ασθενή 10/10/2013ΔΧ29

30 Ιδέες Παράδειγμα: Θεραπεία διαβήτη Επιλογή Συσκευής / Υλικού (Σύριγγα, / Διάλυμα ινσουλινης) Κριτήρια για σύστημα ένεσης: (Από ανάγκες καταναλωτή) - Ανώδυνο - Μικρή δύναμη για ενεργοποίηση - Ακριβές - Φορητό (Από ανάγκες παραγωγού) - Εύκολο να κατασκευαστεί - Κόστος κατασκευής μικρό 10/10/2013ΔΧ30

31 10/10/2013ΔΧ31 Ιδέες Παράδειγμα: Θεραπεία διαβήτη - Επιλογή Συσκευής / Υλικού Πίνακες κριτηρίων/αξιολόγησης (τύπων συσκευής)

32 10/10/2013ΔΧ32 Ιδέες Παράδειγμα: Θεραπεία διαβήτη - Επιλογή Συσκευής / Υλικού & Τμήματος (Βελόνας) / Συστατικού απολυμαντικό δίσκος ελέγχου οδοντωτός τροχός γρανάζι

33 10/10/2013ΔΧ33 Ιδέες Παράδειγμα: Θεραπεία διαβήτη - Επιλογή Συσκευής / Υλικού & Τμήματος (Βελόνας) / Συστατικού Για τελική επιλογή: 1.Επιλογή γενικών ιδεών 2.Απόρριψη παραλόγων (nonsense) και μη πραγματοποιήσιμων (no-go) ιδεών 3.Αξιολόγηση γενικών ιδεών με επί μέρους σχεδιασμό για κάθε μιά 4.Επιλογή καλλίτερης και πραγματοποιήσιμης ιδέας Τεχνικές χρήσιμες για την επιλογή: υπολογισμοί με τη Μηχανική και πίνακες κριτηρίων/αξιολόγησης

34 10/10/2013ΔΧ34 Ιδέες Παράδειγμα: Θεραπεία διαβήτη - Επιλογή Συσκευής / Υλικού & Τμήματος (Βελόνας) / Συστατικού Υπολογισμοί με τη μηχανική Λύση στο πρόβλημα: χρήση πολύ λεπτών βελόνων Οι βελόνες έχουν μήκος 6-8 mm για να εγχέουν ινσουλίνη σε κατάλληλο βάθος. Υπάρχουν δυό πιθανοί περιορισμοί: 1. Αν η βελόνα είναι λεπτή, κάμπτεται εύκολα 2. Αν ο αγωγός της βελόνας είναι μικρός, η δύναμη στον εμβολέα είναι μεγάλη Η βελόνα είναι μία λεπτή κολόνα με ένα σταθερό και ένα ελεύθερο στήριγμα Δύναμη για να συμβεί κάμψη: F = 2 ・ π ・ E ・ I / L 2 (Euler) Ε: μέτρο ελαστικότητας ή ακαμψίας, Ι: η δεύτερη ροπή της επιφάνειας, και L: μήκος της βελόνας Για σωλήνα ακτίνας r και πάχους w: I = (π/4) [r 4 − (r − w) 4 ] E = 2 x N m −2 για χάλυβα, r = 0.15 x10 −3 m, w = 0.08 x 10 −3 m, L= 8 x10 −3 m  F = 74 N περίπου ίση με τη δύναμη κάμψης άν η βελόνα πιεστεί πάνω σε σκληρή επιφάνεια

35 10/10/2013ΔΧ35 Ιδέες Παράδειγμα: Θεραπεία διαβήτη - Επιλογή Συσκευής / Υλικού & Τμήματος (Βελόνας) / Συστατικού Υπολογισμοί με τη μηχανική Σύριγγα για χορήγηση δόσης 0.60 mL σε μικρό χρόνο 2 δευτερόλεπτα (seconds) Διαφορά πίεσης κατά μήκος τριχοειδούς:Δp = 8 η L΄v / (r − w) 2 (Poiseuille) η: ιξώδες υγρού, L΄: μήκος ροής στο τριχοειδές, v ταχύτητα ροής στο τριχοειδές:v= V / [π (r − w) 2 t ] V: όγκος υγρού που ρέει στο τριχοειδές σε χρόνο t Δύναμη στο έμβολο:F = (π/4) D 2 Δp = 2 η V L΄D 2 / [(r − w) 4 t ] Ιξώδες τουλάχιστον ίσο με του νερού, πιθανόν υψηλότερο, η = 10 −3 Pa s Μέρος του τριχοειδούς μέσα στην θήκη της βελόνας  μήκος ροής μεγαλύτερο από το μήκος της βελόνας, L΄ = 12 x10 −3 m Mε V = 0.6 x10 −6 m 3, t = 2 s, D = 9.4 x10 −3 m  F = 26 N Το κάτω όριο της δύναμης είναι επίσης σημαντικό. Για λεπτότερες βελόνες η δύναμη αυξάνεται δραστικά

36 Σχεδιασμός Από την ιδέα στη «συνταγή» Τα ενδιάμεσα βήματα: Κατανόηση προβλήματος Καταγραφή όλων των μεταβλητών, αναγνώριση κρίσιμων μεταβλητών και αλληλοεπιδράσεων Διαμερισμός προβλήματος σε κομμάτια Υπολογισμοί με μοντέλα και περιορισμένος αριθμός πειραμάτων υποβοηθούν κατανόηση. Εκτέλεση πειραμάτων παράλληλα Ενδιάμεσα βήματα επαναλαμβάνονται ώσπου να βρεθεί βέλτιστο Παράδειγμα: Επικάλυψη επιφανειών με στρώμα σκόνης (powder coating) Πλεονεκτήματα της μεθόδου έναντι της επικάλυψης με χρώμα: (1) περιβαλλοντικά (δεν χρησιμοποιεί διαλύτες και το υλικό που δεν χρησιμοποιήθηκε ανακυκλώνεται) (2) αρκετά παχύ στρώμα σε μια επεξεργασία, (3) κόστος 10/10/2013ΔΧ36

37 ΔΧ Σχεδιασμός προϊόντος Παράδειγμα: Επικάλυψη επιφανειών με στρώμα σκόνης (powder coating) 3 μονομερή για το τελικό πολυμερές: Βήμα 1: ΝPG και TPA αντιδρούν 240 ο C και σχηματίζουν πολυεστέρα ΙΡΑ * Μονομερή και πολυμερές: υγρά * Μέσο μήκος πολυμερικής αλυσίδας εξαρτάται από λόγο ποσοτήτων αντιδραστηρίων * Απαιτείται περίσσεια ΝPG για καλή ανάμειξη αντιδραστηρίων * Νερό από αντίδραση απομακρύνεται με εξάτμιση στην αναρoή (reflux) 10/10/201337

38 10/10/2013ΔΧ38 Σχεδιασμός προϊόντος Παράδειγμα: Επικάλυψη επιφανειών με στρώμα σκόνης (powder coating) Βήμα 2: Προστίθεται αρκετό IPA για να αναγκάσει τις αλυσίδες να έχουν όξινες ομάδες στα άκρα. IPA κάνει την αλυσίδα λιγότερο κανονική για να μην κρυσταλλωθεί (πολυμερή με μεγάλη κρυσταλλικότητα είναι δύσκολα για κατεργασία). Το τήγμα ψύχεται και ακολουθεί άλεση σε σκόνη Θερμοπλαστικά λεπτά στρώματα γραμμικών πολυεστέρων δεν έχουν καλές μηχανικές και χημικές ιδιότητες. Αποκτούν τέτοιες ιδιότητες με σταυροσυνδέσεις (cross-linking). Για τις σταυροσυνδέσεις χρησιμοποιείται τριγλυκιδυλικός-ισο-κυανιούχος αιθέρας ή TGIC που είναι στερεό στη θερμοκρασία δωματίου και κονιοποιείται. TGIC είναι καρκινογενές και πρέπει να χρησιμοποιείται με προσοχή. Όμως, το σταυροσυνδεδεμένο πολυμερές δεν είναι

39 10/10/2013ΔΧ39 Σχεδιασμός προϊόντος Παράδειγμα: Επικάλυψη επιφανειών με στρώμα σκόνης (powder coating) TGIC και πολυεστέρας σε μορφή σκόνης αναμειγνύονται σε εκβολέα στους 120 ◦ C. Μπορεί να προστεθούν άλλες ουσίες, π.χ., χρώματα Εκβολέας λειτουργεί κάτω από θερμοκρασίες τήξης συστατικών γιά να αποφεύγεται δημιουργία σταυροσυνδέσεων πρίν την επικάλυψη επιφάνειας με σκόνη (σωματίδια πολυεστέρα και TGIC προσκολλώνται αλλά δεν αναμειγνύονται σε μοριακή κλίμακα)

40 Σχεδιασμός προϊόντος Παράδειγμα: Επικάλυψη επιφανειών με στρώμα σκόνης (powder coating) Μίγμα αλέθεται σε σκόνη που θα χρησιμοποιηθεί για επικάλυψη Παράμετροι σωματιδίων σκόνης: διάμετρος σωματιδίου σκόνης, D p, διάμετρος σωματιδίου πολυεστέρα, D polyester,διάμετρος TGIC σωματιδίου, D TGIC, ποσοστό όγκου κατειλημένου από TGIC, ε TGIC Αντίδραση σταυροσύνδεσης: πάνω από θερμοκρασία τήξης σκόνης, ταχεία (διάρκεια100 s σε 220 ο C)  μικρός χρόνος για τηγμένα σωματίδια να απλωθούν για να σχηματίσουν επίπεδο λεπτό στρώμα πολυμερούς Συνθήκες δημιουργίας αποδεκτού λεπτού στρώματος επικάλυψης ? Χρειάζονται πειράματα 10/10/2013ΔΧ40

41 Σχεδιασμός προϊόντος Παράδειγμα: Επικάλυψη επιφανειών με στρώμα σκόνης (powder coating) Πόσα πειράματα; Μεταβλητές: (1) τύπος διόλης, (2) τύπος διοξέος 1, (3) τύπος διοξέος 2, (4) ποσοστό διοξέος 2, (5) μήκος αλυσίδας πολυεστέρα, (6) ποσότητα υλικού για σταυροσύνδεση (σταυροσυνδετήρας-cross linker), (7) μέγεθος σωματιδίου πολυεστέρα, (8) μέγεθος σωματιδίου υλικού για σταυροσυνδέσεις, (9) μέγεθος σωματιδίου σκόνης επικάλυψης, (10) θερμοκρασία ωρίμανσης (curing), (11) χρόνος ωρίμανσης, (12) πάχος στρώματος επικάλυψης Για DOE 2-επιπέδων (αναγνώριση κρίσιμων μεταβλητών), όπου κάθε μεταβλητή παίρνει τιμές σε 2 μόνο σημεία, χαμηλό και υψηλό): 4096 πειράματα Με 1 πείραμα την ημέρα, χρειάζονται: 11 χρόνια  χρειάζεται διαφορετική προσέγγιση, π.χ., μοντέλα για καθορισμό χώρου σχεδιασμού (design space) 10/10/2013ΔΧ41

42 10/10/2013ΔΧ42 Σχεδιασμός προϊόντος Παράδειγμα: Επικάλυψη επιφανειών με στρώμα σκόνης (powder coating) - Σκόνη ψεκάζεται (απλώνεται) στο υπόστρωμα (substrate). Προσκολάται λόγω ηλεκτρικής φόρτισης -Υπόστρωμα με επικολημμένη σκόνη θερμαίνεται σε φούρνο πάνω από θερμοκρασία μαλάκυνσης  (1) Πολυεστέρας ρέει και απλώνεται πάνω στο υπόστρωμα, (2) TGIC διαχέεται στο πολυμερές και δημιουργεί σταυροσυνδέσεις  στερεό, σταυροσυνδεδεμένο στρώμα πολυμερούς επικάλυψης Μείωση αριθμού μεταβλητών - Στρώμα επικάλυψης έχει ωρισμένες τιμές για ελαστικότητα, αντοχή στην κρούση, θερμοκρασία μαλάκυνσης (ιδιότητες του πολυμερούς)  επιλογή πολυμερούς από βιβλιογραφία - Ποσότητα υλικού για σταυροσυνδέσεις αρκετή για ποσότητα πολυεστέρα ⇒ ποσοστό όγκου TGIC στη σκόνη καθορίζεται από το μήκος πολυμερικής αλυσίδας ⇒ 6 πρώτες μεταβλητές απαλείφονται

43 Σχεδιασμός προϊόντος Παράδειγμα: Επικάλυψη επιφανειών με στρώμα σκόνης (powder coating) Μεταβλητές, D p, D polyester, D TGIC - Σωματίδια πολυεστέρα μικρά  ομοιογένεια στην κατανομή υλικού σταυροσυνδέσεων  D polyester = D TGIC - Ανάλυση ψεκασμού (spraying)  D p ~ 30 μm Μέγιστο πάχος λεπτού στρώματος ~ α D p, 1< α < 10 - Σωματίδιο σκόνης τήκεται και διαβρέχει το υπόστρωμα. Υγρό σύρεται πάνω στην επιφάνεια από γραμμική τάση σ, που εξαρτάται από διεπιφανειακές τάσεις υγρού, στερεού και αερίου. Στην γραμμική τάση σ αντιτίθενται οι ιξώδεις τάσεις - Ισοπέδωση της σταγόνας υγρού εξαρτάται από αρχικό μέγεθος R 0 και σταγόνα γίνεται πιό επίπεδη με αυξανόμενο χρόνο, t 10/10/2013ΔΧ43

44 Σχεδιασμός προϊόντος Παράδειγμα: Επικάλυψη επιφανειών με στρώμα σκόνης (powder coating) Διαστατική (Dimensional) Ανάλυση είναι ένα χρήσιμο εργαλείο Πείρα δείχνει ότι ενδιαφέροντα πράγματα συμβαίνουν όταν αδιάστατες ομάδες παίρνουν την τιμή 1. Έτσι βρέθηκε χρόνος ισοπέδωσης σταγόνας ίσος με 100 s Παρόμοια, υπολογίζεται χρόνος διάχυσης TGIC στο πολυμερές. Ισοπέδωση σταματά όταν πολυμερές σταυροσυνδέεται. Αυτό δεν συμβαίνει πρίν τη διάχυση του TGIC. TGIC διαχέεται στο τηγμένο πολυμές ώσπου αρκετή ποσότητα φθάνει σε απόσταση R 1 (το μισό της απόστασης μεταξύ σωματιδίων TGIC) και η διάχυση σταματά. Ο χρόνος διάχυσης t D εξαρτάται από το συντελεστή και την απόσταση διάχυσης. Για τιμή αδιάστατης ομάδας ίση με 1, και απόσταση διάχυσης 3 μm (ισοδυναμεί με ακτίνα σωματιδίου1 μm περίπου), ο χρόνος περάτωσης σταυρο- σύνδεσης είναι της τάξης1000 s (μεγαλύτερος από χρόνο ισοπέδωσης) 4410/10/2013ΔΧ

45 10/10/2013ΔΧ45 Σχεδιασμός προϊόντος Παράδειγμα: Επικάλυψη επιφανειών με στρώμα σκόνης (powder coating) Σύνοψη - Επιλογή πολυμερούς από δεδομένα για bulk ιδιότητες  Μεταβλητές (1)-(6), τύπος διόλης, τύπος διοξέος 1, τύπος διοξέος 2, ποσοστό διοξέος 2, μήκος αλυσίδας πολυεστέρα, ποσότητα υλικού για σταυροσύνδεση, αντικαθίστανται από ιδιότητες - Διάχυση δείχνει ότι μεταβλητή (7), μέγεθος σωματιδίου πολυεστέρα, δεν είναι κρίσιμη - Όρια από ανάλυση ψεκασμού  μεταβλητές (9), μέγεθος σωματιδίου σκόνης, και (12), πάχος στρώματος, δεν χρειάζεται να εξετασθούν - Χρόνος ωρίμανσης: πολλαπλάσιο του χρόνου σταυροσύνδεσης - Απομένουν 2 μεταβλητές: 1. Μέγεθος σωματιδίου υλικού για σταυροσύνδεση, και 2. Θερμοκρασία ωρίμανσης, λίγο υψηλότερη από θερμοκρασία τήξης πολυμερούς Να βρεθούν οι τιμές μεγέθους σωματιδίου υλικού για σταυροσύνδεση και θερμοκρασία ωρίμανσης που βελτιστοποιούν την ποιότητα (ομαλότητα επιφάνειας) του λεπτού στρώματος επικάλυψης

46 10/10/2013 ΔΧ 46 Κλιμάκωση (Scale up) Πολλές διαφορές μεταξύ εργαστηριακής και βιομηχανικής παραγωγής: Στα αρχικά στάδια της ανάπτυξης, οι πρώτες ύλες σε εργαστηριακή κλίμακα είναι τυποποιημένες χημικές ενώσεις με πολύ υψηλότερη ποιότητα και τιμή από αυτές που χρησιμοποιούνται στο εργοστάσιο. Σε μεταγενέστερα στάδια, αν είναι δυνατό, οι ίδιες πρώτες ύλες χρησιμοποιούνται και για τις δύο κλίμακες Το ίδιο ισχύει για όλα τα βοηθητικά υλικά, π.χ., πληρωτικό υλικό για στήλες, υλικό φίλτρων, καταλύτες, κλπ Τις περισσότερες φορές, διεργασίες σε εργαστηριακή κλίμακα είναι διαλείποντος έργου (batch), ενώ διεργασίες σε βιομηχανική κλίμακα είναι συνεχείς. Διεργασίες διαλείποντος έργου είναι πιό εύκολες και ευέλικτες από συνεχείς διεργασίες Τέλος, υπάρχουν πολλές διαφορές στον εξοπλισμό μεταξύ εργαστηριακής και βιομηχανικής κλίμακας

47 10/10/2013 Κλιμάκωση Παράδειγμα – Ινουλίνη Πολυσακχαρίτης από ρίζες ραδίκιού. Ουσία υγιεινή, μη παχυντική, με γλυκεία γεύση, που χρησιμοποιείται στη βιομηχανία τροφίμων. Μπορεί να χρησιμοποιηθεί σαν πληρωτικό- συνδετικό υλικό σε δισκία φαρμάκων; Παράγεται σε ποσότητες tn/yr, μικρότερες από αυτές για τη ζάχαρη. Η εκχύλιση και ο καθαρισμός της είναι παρόμοιος με αυτόν των ζαχαροτεύτλων. Κρυσταλλική ινουλίνη είναι δύσκολο να συμπιεσθεί. Παράγεται σε άμορφη φάση από ξήρανση με ψεκασμό (spray drying), όπου τα σωματίδια δημιουργούνται τόσο γρήγορα ώστε να μην μπορούν να κρυσταλ- λωθούν. Αυτό είναι το κρίσιμο στάδιο για να κατασκευαστεί καλό συνδετικό υλικό. Η μηχανή που κατασκευάζει τα δισκία εργά- ζεται με ρυθμό εκατοντάδων χιλιάδων δισκί- ων την ώρα. Ο χρόνος που διατίθεται για την πλήρωση της υποδοχής με κοκκώδες υλικό για συμπίεση είναι μερικά μικρο-δευτερόλεπτα 47ΔΧ

48 Κλιμάκωση Παράδειγμα – Ινουλίνη Το έμβολο για τη συμπίεση του κοκκώδους υλικού πρέπει να έχει λιπαντικό αλλά το λιπαντικό επιδρά αρνητικά στην αποτελεσματικότητα του συνδετικού υλικού Ο παρακάτω πίνακας συγκρίνει τη μικροκρυσταλλική ινουλίνη με τη μικροκρυσταλλική κυτταρίνη (MCC), όξινο φωσφορικό ασβέστιο και μαννιτόλη (ένα άλλο σακχαρίτη). Η ινουλίνη συγκρίνεται ευνοϊκά με τις άλλες ουσίες σε πολλά σημεία. Μπορούμε να κάνουμε ένα καλό συνδετικό υλικό σε μικρή κλίμακα, κι άν αυτό είναι δυνατό, μπορούμε να κάνουμε το ίδιο σε μεγάλη κλίμακα; Θα προσπαθήσουμε να απαντήσουμε αυτές τις ερωτήσεις σε σχέση με τις ρεολογικές ιδιότητες και της σύνδεσης (των κόκκων) Η εικόνα που ακολουθεί δείχνει τους κόκκους της ινουλίνης που παράγονται από ξήρανση με ψεκασμό. Οι κόκκοι είναι σφαιρικά υαλώδη σωματίδια, τα μεγαλύτερα με διάμετρο 5 μm, και πολλά με κοίλο πυρήνα. Οι ρεολογικές ιδιότητες της ινουλίνης σε κοκκώδη μορφή αναμένεται να είναι καλές αν τα σωματίδια (1) δεν είναι πολύ μικρά και (2) δεν προσκολλώνται το ένα στο άλλο 10/10/201348ΔΧ

49 10/10/2013ΔΧ49 Κλιμάκωση Παράδειγμα – Ινουλίνη Η προσκόλληση των σωματιδίων αποφεύγεται, αν αυτά έχουν χαμηλή θερμοκρασία και μηδενική υγρα- σία. Επίσης τα σωματίδια πρέπει να είναι μεγάλα Τα σωματίδια είναι διαφόρων μεγεθών. Κάθε σωματί- διο έχει διάμετρο ισοδύναμης μάζας που είναι η διά- μετρος σφαίρας με μάζα ίση με τη μάζα του σωματι- δίου. Στο πάνω μέρος της εικόνας παρακάτω δίνεται η αθροιστική (cumulative) κατανομή των μεγεθών που δείχνει το κλάσμα της μάζας των σωματιδίων με διάμετρο μικρότερη μιας ορισμένης τιμής. Στο κάτω μέρος δίνεται η κατανομή συχνότητας που δίνει τις πιό συνηθισμένες τιμές για τη διάμετρο και προέρχεται από την αθροιστική κατανομή στο πάνω μέρος. Τα σωματίδια είναι δυνατό να χαρακτηρι- στούν με μια διάμετρο, d 32 (Sauter) ή d 50 (μέση) ή d max, κλπ. Η κάθε μια από αυτές τις διαμέτρους έχει τις δικές της χρήσεις. Στο παράδειγμα μας η πιο ενδιαφέρουσα είναι η d max

50 10/10/2013ΔΧ50 Κλιμάκωση Παράδειγμα – Ινουλίνη Η εικόνα παράπλευρα δείχνει τη μεταβολή της αν- τοχής του δισκίου με τη δύναμη συμπύκνωσης (compaction). Από την εικόνα αυτή φαίνεται πως η αντοχή του δισκίου δεν εξαρτάται από το λιπαντι- κό (στεατικό μαγνήσιο), που είναι επιθυμητό για συστήματα κοκωδών υλικών Όταν τα σωματίδια πιέζονται, καθένα με τα γειτονικά του, οι επιφάνειες που καλύπτονται με λιπαντικό δεν έχουν καλή συνδεσιμότητα. Αν όμως τα σωματίδια έχουν κοίλο πυρήνα, όπως στην περίπτωση της ινουλίνης, η θραύση τους δημιουργεί καινούργιες επιφάνειες οι οποίες έχουν καλή συνδεσιμότητα Είναι φανερό πως χρειάζονται ξηρά σφαιρικά σωματίδια του συνδετικού υλικού (ινουλίνης) με το ίδιο μέγεθος και κοίλο πυρήνα για διαφορετικές κλίμακες παραγωγής

51 10/10/2013ΔΧ51 Κλιμάκωση Παράδειγμα – Ινουλίνη Για την παραγωγή των σωματιδίων της ινουλίνης χρησιμοποιείται ο ξηραν- τήρας με ψεκασμό στην εικόνα που ακολουθεί. Είναι ένα μεγάλο κυλινδρικό δοχείο το κάτω μέρος του οποίου απολήγει σε κόλουρο κώνο. Θερμός αέρας εισέρχεται στον ξηραντήρα από πάνω. Υδατικό διάλυμα με υψηλή συγκέντρωση ινουλίνης διασπείρεται σε μορφή μικρών σταγόνων που εκσφενδονίζονται προς τα έξω από περιστρεφόμενο τροχό και ξηραίνονται γρήγορα από τον ζεστό αέρα. Οι ξηροί κόκκοι συλλέγονται στον πυθμένα του ξηραντήρα. Ο θερμός αέρας εγκαταλείπει τον ξηραντήρα με σωλήνα στο κωνικό τμήμα. Οι κόκκοι που παρασύρονται από το ρεύμα του θερμού αέρα διαχωρίζονται σε κυκλώνα Είναι φανερό πως χρειάζονται ξηραντήρες, ένας μικρός για γρήγορο και εύκολο πειραματισμό στο στάδιο της ανάπτυξης, κι ένας μεγάλος που ανταποκρίνεται στις απαιτήσεις της παραγωγής. Χρειάζεται διαφορετική προσέγγιση στο σχεδιασμό των ψεκαστήρων για τους δύο ξηραντήρες

52 Κλιμάκωση Παράδειγμα – Ινουλίνη Είναι επιθυμητό οι δυο ξηραντήρες να παράγουν το ίδιο προϊόν, δηλαδή, να δημιουργούν σταγόνες του ιδίου μεγέθους με τις ίδιες συνθήκες ξήρανσης Η εικόνα που ακολουθεί δείχνει το εσωτερικό του ξηραντήρα Σταγόνες εκτοξεύονται από το άκρο του τροχού με ταχύτητα περίπου ίση με την ταχύτητα του άκρου, 100 ms -1, επι- βραδύνονται σε μικρή απόσταση από τον περιβάλλοντα αέρα και μεταφέρονται με την κυκλοφορία του αέρα. Το εξωτερικό τους πρέπει να είναι ξηρό πριν κτυπήσουν το τοίχωμα του ξηραντήρα. Στην αντίθετη περίπτωση, ο ξηραντήρας χρειάζεται καθάρισμα. Η κυκλοφορία του αέρα είναι μεγάλη και, σαν αποτέλεσμα, η θερμοκρασία και η υγρασία είναι περίπου σταθερές. ΄Ετσι, οι σταγόνες ξηραίνονται με περίπου σταθερό ρυθμό. O χρόνος ξήρανσης, t dry, είναι μερικά δευτερόλεπτα. Επίσης, t dry ~ d drop 10/10/2013ΔΧ52

53 Κλιμάκωση Παράδειγμα – Ινουλίνη Ο ψεκαστήρας είναι κυλινδρικός τροχός με σχισμές και πτερύγια στην παράπλευρη επιφάνεια. Από τις σχισμές εξέρχονται λεπτά στρώματα υδατικού διαλύματος με μεγάλη συγκέντρωση ινουλίνης, τα οποία διασπώνται σε σταγόνες. Με κατάλληλες συνθήκες, το εξατμιζόμενο νερό μεταφέρει ινουλίνη στην επιφάνεια της σταγόνας όπου δημιουργεί φλοιό (skin) και, τελικά, σφαιρικό σωματιδιο με κοίλο πυρήνα. Η μέγιστη διάμετρος των σταγόνων συνδέεται με το ρυθμό ροής, τις διαστάσεις του τροχού, την ταχύτητα περιστροφής, τον αριθμό πτερυγίων Περιορισμοί: (1) 0.05 < Ρυθμός ροής < 0.5 (kg m -1 s -1 ), (2) 0.05 < Διάμετρος ψεκαστήρα (m) 10/10/2013ΔΧ53

54 10/10/2013ΔΧ54 Κλιμάκωση Παράδειγμα – Ινουλίνη O χρόνος που είναι διαθέσιμος για τις σταγόνες να διανύσουν απόσταση ίση με την ακτίνα του ξηραντήρα είναι t = D / (2 v air ) Απαιτούμενα: Μικρός ξηραντήρας: μικρή ταχύτητα εκ- τόξευσης σταγόνων, μικρή ταχύτητα κυκλοφορίας αέρα Μεγάλος ξηραντήρας: μεγάλες ταχύτητες για να αποφευχθούν συγκρούσεις και συσσωμάτωση Για να παράγουν οι ξηραντήρες μικρού και μεγάλου μεγέθους το ίδιο προϊόν πρέπει να έχουν την ίδια θερμοκρασία και υγρασία. Οι διαστάσεις τους δίνονται στον πίνακα πραπλεύρως


Κατέβασμα ppt "Σχεδιασμός Χημικών Προϊόντων Δημήτρης Χατζηαβραμίδης Σχολή Χημικών Μηχανικών Εθνικό Μετσόβιο Πολυτεχνείο 10/10/20131ΔΧ."

Παρόμοιες παρουσιάσεις


Διαφημίσεις Google