在生命科学行业,加速创新和卓越运营是成功的关键。工人是全局中的关键一环。
在工厂车间,操作员必须及时做出决定,确保工艺参数保持在设定范围内,同时满足药品上市许可要求。随着生物制药和其他药品变得越来越复杂,过程监控和优化也日益复杂化。
问题的关键是什么?
智能设备和复杂系统会生成大量数据,但是能够为操作员提供决策支持的信息通常非常有限。
得益于高级分析和机器学习的新发展成果,您现在可以将数据科学应用于工厂车间,帮助操作员实时采取行动,使数据洞察力拓展至整个企业。
以下介绍一些应用实例。
通过软传感器确定生产线的下一步最佳行动
归根结底,操作员采取的每项操作都有可能影响产品质量或过程产出。“生产线的下一步最佳行动”策略使用机器学习模型提供实时决策支持,既能预测未来性能,又能给出建议措施以减轻负面影响。
具体如何实现呢?
来看看我们最近开发的一个用例。假设工厂必须达到颗粒状原料药的临界含水量。原料药以液体状态通过流化床干燥机。测定实样含水量时,干燥过程通常会停止,因此需要考虑延迟时间。
利用模型预测控制 (MPC) 方法训练用于预测含水量的机器学习模型,从而创建专用的虚拟传感器或“软传感器”,可靠推断出何时达到最佳含水率。
在云端训练时,机器学习模型在边缘运行,向操作员实时提供关键信息和行动指南。
首先,使用历史数据集训练机器学习模型,以确定多个自变量 (包括进气和排气温度、干燥机风扇转速和其他环境条件) 如何影响含水量因变量。模型训练完成后,MPC 基于实时传感器数据、过程当前动态参数、设定 MPC 算法以及过程变量目标和限定值可靠计算含水量因变量的未来变化。
最终缩短了干燥过程循环周期,同时减少了取样和测量中断次数。
事实上,我们有一家客户利用上述解决方案将干燥机循环周期缩短了 28%-30%。
持续工艺验证
在允许出现一定延迟的应用场合下,高级分析和机器学习也可提供决策支持。也就是说,它们可以在无需操作员立即响应的情况下提供决策支持。而持续工艺验证 (CPV) 便是其中一例。
以前,制药行业采用追溯法确认批次是否满足与药品上市许可相关的质量、安全性和有效性要求。工人在批次执行完成后检查是否达到临界工艺参数值,并报废不符合药品上市许可要求的批次。
如今,业界越来越多地使用持续工艺验证,以主动响应方法替代追溯法。系统持续实时监测生产过程,使用统计过程控制方法生成趋势图,确保操作员可以立即看到工艺参数是否在预先设定的正常范围内,并识别任何偏差或异常趋势。然后可以采取补救措施应对偏差或异常趋势,避免工艺参数超出正常范围。
扩大应用规模,引领整个企业走向成功
站在全局角度来看,我们又能获得哪些价值呢? 高级分析和机器学习可应用于多个用例,在整个生命科学价值链中为操作员提供决策支持。
启动项目前,您需要集合来自不同职能部门的利益相关者,同时确保所有用例与您的数字愿景一致,为取得短期成功做好规划。
每个用例都可以在各条生产线上实现非凡成果。但如果能将这些新方法制度化,并拓展至多条生产线和多家工厂,价值便会大大增加。
最终愿景是什么? 不少企业希望打造一个制造指挥控制系统 (MCT),在整个生产环境中提供行动指南以及分析性和预测性信息,确保在全企业范围内做出更明智的决策。
深入了解高级分析如何该改变制药业。
我们可以帮助您实现自身愿景 – 敬请了解。