Digital Process Twin, J&J üretim süresini ve maliyetlerini azaltır

Farmasötik bileşenlerle pişirme

J&J Innovative Medicine'de bir ilaç nasıl ortaya çıkıyor? Laboratuvar, yeni bir aktif bileşen hazırlamak için aşamalı bir kimyasal plan (bir süreç) geliştirir. Laboratuvar aşaması tamamlandıktan sonra, imalat birkaç aşamada hızlandırılır, bir litre ila on binlerce litre Ticari üretim durumunda. Geliştirme, iki Belçika tesisinde, Kimyasal Geliştirme Mini Tesisinde (Beerse'deki CDMP) ve Kimyasal Geliştirme Pilot Tesisinde (CDPP, Geel'de) gerçekleşiyor.

Niels, “Kimyasal ürünler yapmak biraz yemek pişirmeye benzer” diye açıklıyor. “Malzemeleri bir reaksiyon kabında karıştırıyorsunuz ve yeni bir şey çıkıyor. “Pişirme” sürecinde, doğru ürünleri her zaman güvenli ve güvenilir kalitede aldığınızdan emin olmak için sıcaklık, basınç ve karıştırma hızı gibi önemli parametrelere çok odaklanmanız gerekir. Bu parametreleri izliyoruz sürekli.”

“Çözücü anahtarını optimize edersek, çok zaman kazanın ve genel olarak verimliliği artırın. Herhangi bir işletme olabildiğince verimli üretim yapmak ister, ancak insan hayatının söz konusu olduğu yerde işler daha da acil hale gelir. Optimize edilmiş bir anahtar ayrıca daha az kimyasal ürün kullanmamıza yardımcı olur. Bu önemli çünkü J&J'de üretim süreçlerimizin çevresel etkisini en aza indirmeye çalışıyoruz. Bu nedenle Siemens'in Digital Process Twin ile bir pilot proje başlattık; ilk başta tek bir solvent anahtarını optimize etmek ve nihai hedefi tüm anahtarları optimize etmek.”

“Modeli oluşturduktan sonra, onu süreçten, yani gerçek hayattan elde edilen verilerle kalibre ettik. Bu verilerle, dijital bir uygulama oluşturduk GPROMs Dijital Uygulamalar Platformu, veya GDAP. Bu prosedür açık bir döngüde gerçekleşir. Daha sonra modelin proses kontrol sisteminden gelen girdiye nasıl tepki verdiğine baktık ve kapalı bir döngü ile sonuçlandık. GdAP sürekli tahminler yapar yol boyunca, daha sonra gerçek verilerle karşılaştırır. Bu da süreci sürekli geliştirmemizi sağlıyor.”

Niels, “Sık sık GPS ile karşılaştırırım” diye ekliyor. “Belirli bir çözücü bileşiminden - A konumu, başka bir bileşime - B konumuna gidiyoruz. Model bize rehberlik edecek A'dan B'ye gerçek zamanlı olarak en kısa yoldan, en hızlı veya en ekolojik yoldan. İdeal rotayı çıkarır ve gerçek koşulların bir fonksiyonu olarak optimize etmeye devam eder - bir dolambaçlı yol veya bir kaza var mı?”

“Bunun da ötesinde, yeni süreçler kurarken önemli avantajlar da var. Sadece mevcut solvent anahtarlarını optimize etmek tek başına çok karlı. Ve üretimi genişletmeden önce modeli uygulayabilirsek - yani laboratuvarda - daha da fazla zaman ve kaynak tasarrufu sağlarız. Sonuçta, laboratuvarda deney yapmak endüstriyel ölçekte denemekten çok daha ucuzdur. Şimdi, daha sonra daha büyük ölçekli üretim için uygulayabileceğimiz modeller yapmak için laboratuvar verilerini nasıl kullanabileceğimize bakıyoruz.”

Modellerin geniş kullanılabilirliği

“Kısa bir süre önce Digital Process Twin'i dondurarak kurutmayı içeren yeni bir süreç geliştirme için kullandık. Bu, reaksiyon kabının içindeki sıcaklığın yükselmesine neden olan bir reaksiyondu, ancak sıcaklığın da belirli bir değerin altında tutulması gerekiyordu, aksi takdirde reaksiyon başarısız olurdu. Süreç laboratuvarda çalıştı, ancak endüstriyel ölçekte genişlemek parametrelerin değişmesine neden oldu. Bu durumda, normalde doğru parametreleri elde edene kadar bir test yapılandırması ayarlar ve deney yaparız. Ancak bu sefer yapılandırmayı sanal olarak çalıştırabilirdik ve model, sürecin bu ölçekte hiç çalışmayacağını gösterdi. Böylece bize çok zaman ve kaynak kazandırdı.”