Digital Process Twin lyhentää J&J:n tuotantoaikaa ja kustannuksia

Ruoanlaitto farmaseuttisilla ainesosilla

Miten lääke syntyy J&J Innovative Medicinellä? Laboratorio kehittää vaiheittaisen kemiallisen suunnitelman (prosessin) uuden vaikuttavan aineen valmistamiseksi. Kun laboratoriovaihe on valmis, valmistusta jatketaan useissa vaiheissa alkaen litrasta kymmeniin tuhansiin litroihin kun kyseessä on kaupallinen tuotanto. Kehitys tapahtuu kahdessa belgialaisessa laitoksessa, kemiallisen kehityksen minitehtaassa (CDMP, Beerse) ja kemiallisen kehityksen pilottilaitoksessa (CDPP, Geelissä).

”Kemiallisten tuotteiden valmistaminen on vähän kuin ruoanlaittoa”, Niels selittää. ”Sekoitat ainesosia reaktioastiaan, ja sieltä tulee jotain uutta. 'Keittoprosessissa' on keskityttävä paljon tärkeisiin parametreihin, kuten lämpötilaan, paineeseen ja sekoitusnopeuteen varmistaaksesi, että saat aina oikeat tuotteet turvallisesti ja luotettavalla laadulla. Tarkkailemme näitä parametreja jatkuvasti.”

“Jos optimoimme liuotinkytkimen, me säästämme paljon aikaa ja parannamme tehokkuutta kaikkialla. Mikä tahansa yritys haluaa tuottaa mahdollisimman tehokkaasti, mutta asiat muuttuvat entistä kiireellisemmiksi, kun kyse on ihmishengistä. Optimoitu kytkin auttaa meitä myös käyttämään vähemmän kemiallisia tuotteita. Tämä on tärkeää, koska J&J:llä pyrimme minimoimaan tuotantoprosessiemme ympäristövaikutukset. Siksi perustimme pilottiprojekti Siemensin Digital Process Twinillä — optimoimme aluksi yhden liuotinkytkimen, jonka lopullisena tavoitteena on optimoida kaikki kytkimet.”

“Kun olemme rakentaneet mallin, kalibroimme sen prosessista johdetuilla tiedoilla, tarkoittaen todellisesta elämästä. Näiden tietojen avulla rakensimme digitaalisen sovelluksen gPROMS Digital Applications Platform, tai gDAP. Tämä menettely tapahtuu avoimessa silmukassa. Sitten tarkastelimme, miten malli reagoi prosessinohjausjärjestelmän syötteeseen, ja päädyimme suljettuun silmukkaan. gDAP tekee jatkuvasti ennusteita sitä mukaa, joita se sitten vertaa todellisiin tietoihin. Näin voimme parantaa prosessia jatkuvasti.”

“Vertaan sitä usein GPS:ään”, Niels lisää. ”Matkustamme tietystä liuotinkoostumuksesta — paikasta A, toiseen koostumukseen — paikkaan B. Malli ohjaa meitä A:sta B:hen reaaliajassa lyhyimmällä reitillä tai nopeimmalla tai ekologisimmalla reitillä. Se tuottaa ihanteellisen reitin ja optimoi sen jatkuvasti todellisten olosuhteiden mukaan — onko kyseessä kiertotie vai onnettomuus?”

“Tämän lisäksi on myös merkittäviä etuja uusien prosessien käyttöönotossa. Pelkkä olemassa olevien liuotinkytkimien optimointi on itsessään erittäin kannattavaa. Ja jos pystymme soveltamaan mallia ennen tuotannon laajentamista — eli laboratoriossa — säästämme entistä enemmän aikaa ja resursseja. Loppujen lopuksi kokeilu laboratoriossa on paljon halvempaa kuin kokeilu teollisessa mittakaavassa. Joten nyt tarkastelemme, kuinka voimme käyttää laboratoriotietoja mallien tekemiseen, joita voimme myöhemmin soveltaa laajempaan tuotantoon.”

Mallien laaja saatavuus

“Käytimme äskettäin myös Digital Process Twiniä uuteen prosessikehitykseen, johon sisältyi pakastekuivausta. Tämä oli reaktio, joka aiheutti lämpötilan nousun reaktioastian sisällä, mutta lämpötila oli myös pidettävä tietyn arvon alapuolella tai reaktio epäonnistui. Prosessi toimi laboratoriossa, mutta laajeneminen teolliseen mittakaavaan saa parametrit muuttumaan. Siinä tapauksessa normaalisti asetamme testikokoonpanon ja kokeilemme, kunnes saamme oikeat parametrit. Mutta tällä kertaa pystyimme suorittamaan kokoonpanon virtuaalisesti ja malli osoitti, että prosessi ei vain toimisi ollenkaan tässä mittakaavassa. Joten se säästi meille paljon aikaa ja resursseja.”