Digital Process Twin reduziert die Produktionszeit und die Kosten von J&J

Kochen mit pharmazeutischen Zutaten

Wie entsteht ein Medikament bei J&J Innovative Medicine? Das Labor entwickelt einen schrittweisen chemischen Plan (ein Verfahren) zur Herstellung eines neuen Wirkstoffs. Sobald die Laborphase abgeschlossen ist, wird die Fertigung in mehreren Phasen hochgefahren, von ein Liter bis Zehntausende von Litern im Fall einer kommerziellen Produktion. Die Entwicklung findet in zwei belgischen Einrichtungen statt, der Chemical Development Mini Plant (CDMP, in Beerse) und der Chemical Development Pilot Plant (CDPP, in Geel).

„Die Herstellung chemischer Produkte ist ein bisschen wie Kochen“, erklärt Niels. „Sie mischen Zutaten in einem Reaktionsgefäß und heraus kommt etwas Neues. Beim „Kochen“ müssen Sie sich sehr auf wichtige Parameter wie Temperatur, Druck und Mischgeschwindigkeit konzentrieren, um sicherzustellen, dass Sie immer die richtigen Produkte sicher und mit zuverlässiger Qualität erhalten. Wir beobachten diese Parameter ständig.“

„Wenn wir den Lösungsmittelwechsel optimieren, sparen Sie viel Zeit und steigern Sie die Effizienz auf ganzer Linie. Jedes Unternehmen möchte so effizient wie möglich produzieren, aber die Dinge werden noch dringlicher, wenn es um Menschenleben geht. Ein optimierter Schalter hilft uns auch, weniger chemische Produkte zu verwenden. Was wichtig ist, weil wir bei J&J versuchen, die Umweltauswirkungen unserer Produktionsprozesse zu minimieren. Deshalb haben wir ein Pilotprojekt mit dem Digital Process Twin von Siemens ins Leben gerufen — zunächst wurde ein Lösungsmittelschalter optimiert, mit dem ultimativen Ziel, alle Schalter zu optimieren.“

“After we built the model, we calibrated it with data derived from the process, meaning from real life. With that data, we built a digital application with the gPROMS Digital Applications Platform, or gDAP. That procedure takes place in an open loop. Then we looked at how the model responded to the input from the process control system, and we wound up with a closed loop. The gDAP constantly makes predictions along the way, which it then compares with the actual data. That lets us constantly improve the process.”

“I often compare it with a GPS,” Niels adds. “We’re traveling from a certain composition of solvents — location A, to another composition — location B. The model will guide us from A to B in real time by the shortest route, or the fastest one or the most ecological one. It outputs the ideal route and keeps optimizing it as a function of actual conditions — is there a detour or an accident?”

“On top of that, there are also substantial advantages when you’re setting up new processes. Just optimizing existing solvent switches is very profitable all by itself. And if we can apply the model before we expand production — meaning in the lab — we save even more time and resources. After all, experimenting in the laboratory is much less expensive than experimenting on an industrial scale. So now we’re looking at how we can use lab data to make models that we can apply later for larger-scale production.”

Broad availability of models

“Just recently we also used the Digital Process Twin for a new process development involving freeze-drying. This was a reaction that caused the temperature inside the reaction vessel to rise, yet the temperature also had to be kept below a certain value or the reaction would fail. The process worked in the lab, but expanding to industrial scale makes the parameters change. In that case, normally we would set up a test configuration and experiment until we get the right parameters. But this time we could run the configuration virtually and the model showed that the process just wouldn’t work at all at that scale. So that saved us a lot of time and resources.”