Digital Process Twin skraca czas produkcji i koszty produkcji J&J

ycznymi Jak powstaje lek w J&J Innovative Medicine? Laboratorium opracowuje stopniowy plan chemiczny (proces) przygotowania nowego składnika aktywnego. Po zakończeniu fazy laboratoryjnej produkcja jest przyspieszana w kilku fazach, od jednego litra do dziesiątek tysięcy litrów w przypadku produkcji komercyjnej. Rozwój odbywa się w dwóch belgijskich zakładach: Mini Zakładzie Rozwoju Chemicznego (CDMP, w Beerse) i pilotażowym zakładzie rozwoju chemicznego (CDPP, w Geel).

„Tworzenie produktów chemicznych przypomina trochę gotowanie” - wyjaśnia Niels. „Mieszasz składniki w naczyniu reakcyjnym, a wychodzi coś nowego. W procesie „gotowania” musisz skoncentrować się na ważnych parametrach, takich jak temperatura, ciśnienie i prędkość mieszania, aby mieć pewność, że zawsze otrzymujesz odpowiednie produkty bezpiecznie i niezawodnej jakości. Ciągle obserwujemy te parametry”.

„Jeśli zoptymalizujemy przełącznik rozpuszczalnika, oszczędzamy dużo czasu i zwiększymy wydajność w całym zakresie. Każda firma chce produkować tak wydajnie, jak to tylko możliwe, ale sprawy stają się jeszcze pilniejsze, jeśli chodzi o ludzkie życie. Zoptymalizowany przełącznik pomaga nam również używać mniej produktów chemicznych. Co jest ważne, ponieważ w J&J staramy się minimalizować wpływ naszych procesów produkcyjnych na środowisko. Dlatego stworzyliśmy projekt pilotażowy z Digital Process Twin firmy Siemens — optymalizacja jednego przełącznika rozpuszczalnikowego na początku, a ostatecznym celem jest optymalizacja wszystkich przełączników.”

„Po zbudowaniu modelu skalibrowaliśmy go za pomocą danych pochodzących z procesu, czyli z prawdziwego życia. Na podstawie tych danych zbudowaliśmy aplikację cyfrową z platformą GPRoms Digital Applications Platform lub GDA P. Procedura ta odbywa się w otwartej pętli. Następnie przyjrzeliśmy się, jak model reagował na dane wejściowe z systemu sterowania procesem i zakończyliśmy zamkniętą pętlę. GDAP stale dokonuje progno z po drodze, które następnie porównuje z rzeczywistymi danymi. To pozwala nam stale ulepszać ten proces.”

„Często porównuję to z GPS” - dodaje Niels. „Podróżujemy od pewnego składu rozpuszczalników — lokalizacji A, do innej kompozycji — lokalizacji B. Model poprowadzi nas z punktu A do punktu B w czasie rzeczywist ym najkrótszą, najszybszą lub najbardziej ekologiczną trasą. Wyprowadza idealną trasę i optymalizuje ją w zależności od rzeczywistych warunków — czy jest to objazd czy wypadek?”

„Co więcej, istnieją również znaczne zalety konfigurowania nowych procesów. Sama optymalizacja istniejących przełączników rozpuszczalnikowych jest bardzo opłacalna sama w sobie. A jeśli uda nam się zastosować model przed rozszerzeniem produkcji — czyli w laboratorium — oszczędzamy jeszcze więcej czasu i zasobów. W końcu eksperymentowanie w laboratorium jest znacznie tańsze niż eksperymentowanie na skalę przemysłową. Teraz zastanawiamy się, w jaki sposób możemy wykorzystać dane laboratoryjne do tworzenia modeli, które możemy zastosować później do produkcji na większą skalę”.

Szeroka dostępność modeli

„Niedawno korzystaliśmy również z Digital Process Twin do rozwoju nowego procesu obejmującego suszenie liofilizacyjne. Była to reakcja, która spowodowała wzrost temperatury wewnątrz naczynia reakcyjnego, ale temperatura również musiała być utrzymywana poniżej określonej wartości, w przeciwnym razie reakcja zakończyła się niepowodzeniem. Proces działał w laboratorium, ale rozszerzenie na skalę przemysłową powoduje zmianę parametrów. W takim przypadku normalnie skonfigurowalibyśmy konfigurację testową i eksperymentowalibyśmy, aż uzyskamy odpowiednie parametry. Ale tym razem mogliśmy uruchomić konfigurację wirtualnie, a model pokazał, że proces po prostu nie zadziałał w tej skali. To zaoszczędziło nam dużo czasu i zasobów.