Digital Process Twin réduit le temps et les coûts de production de J&J

Comment un médicament naît-il chez J&J Innovative Medicine ? Le laboratoire élabore un plan chimique par étapes (un processus) pour préparer une nouvelle matière active. Une fois la phase de laboratoire terminée, la fabrication est accélérée en plusieurs phases, passant d'un litre à des dizaines de milliers de litres dans le cas de la production commerciale. Le développement a lieu dans deux installations belges, la Mini-usine de développement chimique (le CDMP, à Beerse) et l'usine pilote de développement chimique (CDPP, à Geel).

« Faire des produits chimiques, c'est un peu comme cuisiner », explique Niels. « Vous mélangez les ingrédients dans un récipient de réaction, et il en résulte quelque chose de nouveau. Dans le processus de « cuisson », vous devez vous concentrer beaucoup sur des paramètres importants tels que la température, la pression et la vitesse de mélange pour vous assurer d'obtenir toujours les bons produits en toute sécurité et avec une qualité fiable. Nous surveillons constamment ces paramètres. »

« Si nous optimisons le commutateur de solvants, nous économisons beaucoup de temps et améliorons l'efficacité à tous les niveaux. Toute entreprise veut produire aussi efficacement que possible, mais les choses deviennent encore plus urgentes lorsqu'il s'agit de vies humaines. Un commutateur optimisé nous aide également à utiliser moins de produits chimiques. Ce qui est important parce que chez J&J, nous essayons de minimiser l'impact environnemental de nos processus de production. C'est pourquoi nous avons mis sur pied un projet pilote avec le Digital Process Twin de Siemens — optimisation d'un seul commutateur de solvants dans un premier temps, dans le but ultime d'optimiser tous les commutateurs.

« Après avoir construit le modèle, nous l'avons étalonné à l'aide de données dérivées du processus, c'est-à-dire de la vie réelle. Avec ces données, nous avons créé une application numérique avec la plateforme d'applications numériques GProms, ou GDAP. Cette procédure se déroule en boucle ouverte. Ensuite, nous avons examiné la façon dont le modèle répondait à l'entrée du système de contrôle des processus, et nous nous sommes retrouvés avec une boucle fermée. Le GDAP fait constamment des prédictions en cours de route, qu'il compare ensuite aux données réelles. Cela nous permet d'améliorer constamment le processus. »

« Je le compare souvent à un GPS », ajoute Niels. « Nous voyageons d'une certaine composition de solvants — emplacement A, à une autre composition — emplacement B. Le modèle nous guidera de A à B en temps réel par le chemin le plus court, le plus rapide ou le plus écologique. Il produit l'itinéraire idéal et continue de l'optimiser en fonction des conditions réelles — y a-t-il un détour ou un accident ?

« En plus de cela, il y a aussi des avantages substantiels lorsque vous mettez en place de nouveaux processus. Le simple fait d'optimiser les commutateurs de solvants existants est très rentable en soi. Et si nous pouvons appliquer le modèle avant d'augmenter la production — c'est-à-dire en laboratoire — nous économisons encore plus de temps et de ressources. Après tout, expérimenter en laboratoire coûte beaucoup moins cher que d'expérimenter à l'échelle industrielle. Alors maintenant, nous examinons comment nous pouvons utiliser les données de laboratoire pour créer des modèles que nous pourrons appliquer ultérieurement pour une production à plus grande échelle. »

Disponibilité étendue des modèles

« Tout récemment, nous avons également utilisé le Digital Process Twin pour la mise au point d'un nouveau procédé de lyophilisation. Il s'agissait d'une réaction qui a entraîné une augmentation de la température à l'intérieur de la cuve de réaction, mais la température a également dû être maintenue en dessous d'une certaine valeur, sinon la réaction échouerait. Le processus a fonctionné en laboratoire, mais l'expansion à l'échelle industrielle modifie les paramètres. Dans ce cas, normalement, nous mettrons en place une configuration de test et expérimentons jusqu'à ce que nous obtenions les bons paramètres. Mais cette fois, nous avons pu exécuter la configuration virtuellement et le modèle a montré que le processus ne fonctionnerait tout simplement pas du tout à cette échelle. Cela nous a donc permis d'économiser beaucoup de temps et de ressources.