Nell’industria delle bioscienze, innovazioni ed eccellenza operativa sono essenziali, ma sono soprattutto i lavoratori ad essere una componente fondamentale per il successo.
In un impianto, i vostri operatori devono prendere decisioni tempestive per garantire che i processi si svolgano entro determinati parametri di riferimento e rispettino i requisiti per ottenere l’autorizzazione alla commercializzazione. Tuttavia, man mano che i prodotti biotecnologici e altri prodotti farmaceutici diventano più complessi, lo stesso avviene per il monitoraggio e l’ottimizzazione dei processi.
Qual è, dunque, il problema?
Mentre i dispositivi intelligenti e i sistemi complessi generano una grande quantità di dati, gli operatori dispongono spesso di poche informazioni per poter prendere decisioni più efficaci.
Grazie ai recenti sviluppi dei sistemi di analisi avanzati e del machine learning, adesso è possibile sfruttare la scienza dei dati all’interno di un impianto, aiutare in tempo reale gli operatori a prendere decisioni migliori e a condividere le informazioni con tutta l’azienda.
Diamo uno sguardo ad alcuni esempi.
Migliorare il processo decisionale con i sensori virtuali
Ogni azione di un operatore ha il potere di influenzare la qualità del vostro prodotto o il rendimento del vostro processo. La strategia di miglioramento del processo decisionale offre un supporto in tempo reale utilizzando modelli di machine learning che prevedono le prestazioni future e indicano azioni per mitigare gli effetti negativi.
Come?
Ecco un recente caso d’uso che abbiamo sviluppato. Immaginiamo che si debba raggiungere un determinato livello di umidità per una sostanza farmaceutica granulare. La sostanza liquida viene fatta passare attraverso un essiccatore a letto fluido. Il processo di essiccazione viene regolarmente interrotto per testare l’umidità dei campioni fisici, creando dei ritardi nel processo di essiccazione.
Per prevedere il contenuto di umidità e sviluppare un sensore virtuale o “soft sensor” in grado di dedurre in modo affidabile quando il contenuto di umidità è ottimale, è stato utilizzato un sistema di controllo predittivo basato su modello (MPC) per addestrare un modello di machine learning.
Il modello di machine learning viene addestrato nel cloud, ma viene eseguito sulla macchina per fornire informazioni critiche e indicare in tempo reale all’operatore le azioni da intraprendere.
In primo luogo, il modello di machine learning viene addestrato con il set di dati storici per determinare come le molteplici variabili indipendenti - tra cui la temperatura di ingresso e di scarico, la velocità della ventola dell’essiccatore e altre condizioni ambientali - abbiano un impatto sulla variabile dipendente del livello di umidità. Una volta addestrato il modello, MPC utilizza i dati in tempo reale dei sensori, lo stato corrente del processo, il modello MPC addestrato e i valori target e limite delle variabili di processo per calcolare con un elevato livello di affidabilità i cambiamenti futuri della variabile dipendente dei livelli di umidità.
Il risultato è una riduzione del tempo del processo di essiccazione con meno interruzioni per il campionamento fisico e le misurazioni.
Infatti, utilizzando questa soluzione, uno dei nostri clienti ha ottenuto una riduzione del 28%-30% del tempo ciclo di essiccazione.
Verifica continua del processo
I sistemi di analisi avanzati e il machine learning supportano il processo decisionale anche in situazioni che hanno un certo livello di tolleranza alla latenza. In altre parole, possono supportare i processi decisionali in situazioni che non richiedono una risposta immediata da parte dell’operatore. La verifica continua del processo (CPV) ne è un esempio.
Storicamente, l’industria farmaceutica ha adottato un approccio retrospettivo per confermare che un lotto soddisfi tutti i requisiti di qualità, sicurezza ed efficacia specifici per l’autorizzazione alla commercializzazione. Gli operatori rivedono i parametri di processo critici ottenuti dopo la realizzazione del lotto, scartando i lotti che non rispettano i requisiti richiesti.
Oggi il settore sta adottando sempre più spesso la verifica CPV come alternativa a questo approccio. Il sistema monitora continuamente e in tempo reale i processi di produzione, utilizza metodi di controllo statistico per delineare gli andamenti del processo in modo che gli operatori possano vedere immediatamente se rispetta i setpoint definiti e approvati e identificare eventuali deviazioni o trend che si manifestano. In questo modo è possibile intraprendere le necessarie azioni correttive per eliminare le deviazioni e rispettare i valori previsti.
Una soluzione a livello d’impresa
Quali sono, allora, le prospettive? L’analisi avanzata e il machine learning possono essere applicati a molteplici casi d’uso per supportare il processo decisionale degli operatori di tutta la catena di valore del settore delle bioscienze.
Per iniziare il vostro percorso, formate un gruppo multifunzionale composto da vari stakeholder chiave, quindi pianificate e raggiungete degli obiettivi a breve termine con casi d’uso in linea con la vostra visione digitale.
Ogni caso d’uso può fornire risultati straordinari su una linea di processo. Il valore aumenta però quando questi nuovi approcci vengono istituzionalizzati e implementati su più linee e impianti.
L’obiettivo finale? Per molti, si tratta di sviluppare una Manufacturing Control Tower (MCT), in grado di fornire una visione aggregata di informazioni predittive, analisi e azioni suggerite in tutto lo scenario di produzione e di consentire un migliore processo decisionale in tutta l’azienda.
Scoprite di più su come i sistemi di analisi avanzati possono trasformare la produzione farmaceutica.
Noi possiamo aiutarvi a raggiungere i vostri obiettivi – scoprite come.
