Digital Process Twin mažina J&J Innovative Medicine gamybos laiką ir sąnaudas.

Gamyba naudojant farmacines medžiagas

Kaip J&J Innovative Medicine sukuriamas vaistinis preparatas? Laboratorijoje parengiamas nuoseklus cheminis planas (procesas), skirtas naujai veikliajai medžiagai pagaminti. Užbaigus laboratorinį etapą, gamyba palaipsniui didinama keliais etapais, pradedant nuo nuo vieno litro iki dešimčių tūkstančių litrų Komercinės gamybos atveju plėtra vyksta dviejuose Belgijos padaliniuose: Cheminių medžiagų plėtros mini gamykloje (CDMP, Beerse mieste) ir Cheminių medžiagų plėtros pilotinėje gamykloje (CDPP, Geel mieste).

Cheminių produktų gamyba šiek tiek primena maisto gaminimą“, – paaiškina Niels Vandervoort. „Sumaišai medžiagas reakcijos indelyje, ir gaunasi kažkas naujo. „Gaminimo“ proceso metu reikia labai atidžiai stebėti svarbius parametrus, tokius kaip temperatūra, slėgis ir maišymo greitis, kad visada saugiai gautum tinkamus produktus ir užtikrintum patikimą kokybę. Mes nuolat stebime šiuos parametrus nuolat.”

„Jei optimizuotume tirpiklio keitimą, mes sutaupytume daug laiko ir padidintume efektyvumą visuose procesuose. Kiekviena įmonė nori gaminti kuo efektyviau, tačiau situacija tampa dar svarbesnė, kai kalbama apie žmonių gyvybes. Optimizuotas tirpiklio keitimas taip pat padeda naudoti mažiau cheminių medžiagų. Tai svarbu, nes J&J Innovative Medicine stengiasi kuo labiau sumažinti savo gamybos procesų poveikį aplinkai. Todėl įgyvendinome pilotinį projektą, naudodami Siemens „Digital Process Twin“ — pirmiausia optimizuodami vieną tirpiklio keitimą, o galutinis tikslas yra optimizuoti visus keitimus."

„Kai sukūrėme modelį, jį kalibravome naudodami duomenis, gautus iš proceso, t. y. iš realaus gyvenimo. Remdamiesi tais duomenimis sukūrėme skaitmeninę programą su gPROMS Digital Applications Platform, arba gDAP. Šis procesas vyksta atviru ciklu. Tada stebėjome, kaip modelis reaguoja į duomenis iš proceso valdymo sistemos, ir taip gavome uždarą ciklą. gDAP constantly makes predictions kelyje, kurį vėliau lygina su faktiniais duomenimis. Tai leidžia mums nuolat tobulinti procesą.“

„Dažnai tai palyginu su GPS“, – priduria Niels Vandervoort. „Mes keliaujame nuo tam tikros tirpiklių sudėties – vietos A – iki kitos sudėties – vietos B.Modelis mus nukreips nuo A iki B realiu laiku trumpiausiu keliu, greičiausiu arba ekologiškiausiu. Jis pateikia idealią maršruto parinktį ir nuolat ją optimizuoja pagal faktines sąlygas – ar yra nukrypimas ar avarija?“

„Be to, yra ir reikšmingų pranašumų kuriant naujus procesus. Net vien esamų tirpiklių keitimų optimizavimas yra labai naudingas. O jei modelį galime taikyti prieš plečiant gamybą – tai yra laboratorijoje – sutaupome dar daugiau laiko ir išteklių.“Juk eksperimentavimas laboratorijoje kainuoja gerokai mažiau nei eksperimentavimas pramoniniu mastu. Taigi dabar nagrinėjame, kaip galime panaudoti laboratorijos duomenis modeliams kurti, kuriuos vėliau galėsime pritaikyti didesnio masto gamyboje.“

Platus modelių prieinamumas

„Visai neseniai taip pat naudojome „Digital Process Twin“ naujo proceso kūrimui, susijusiam su džiovinimu šalčiu. Tai buvo reakcija, kurios metu reagento indelio viduje kildavo temperatūra, tačiau temperatūra taip pat turėjo būti palaikoma žemiau tam tikros ribos, kitaip reakcija nepavyktų. Procesas laboratorijoje veikė, tačiau plečiant jį iki pramoninio masto parametrai keičiasi. Tokiu atveju paprastai nustatytume testinę konfigūraciją ir eksperimentuotume, kol surastume tinkamus parametrus. Tačiau šį kartą galėjome konfigūraciją vykdyti virtualiai, ir modelis parodė, kad procesas tokio masto apskritai neveiktų. Tai sutaupė mums daug laiko ir išteklių.”