Digital Process Twin скорочує час виробництва й витрати компанії J&J

Приготування з аптечними інгредієнтами

Як виникає препарат в J&J Innovative Medicine? Лабораторія розробляє поетапний хімічний план (процес) для підготування нового активного інгредієнта. Після завершення лабораторного етапу в кілька фаз розгортається виробництво — від одного літра до десятків тисяч літрів у випадку комерційного виробництва. Розробка відбувається на двох бельгійських підприємствах, мінізаводі хімічних розробок (CDMP, у м. Берсе) та пілотному заводі хімічних розробок (CDPP, у м. Гель).

«Виготовлення хімічних продуктів — це трохи схоже на приготування їжі», — пояснює Нільс. — «Ви змішуєте інгредієнти в реакційній посудині, і виходить щось нове. У процесі «приготування» ви повинні зосередитися на важливих параметрах, як-от температура, тиск і швидкість перемішування, щоб переконатися, що ви отримуєте правильні продукти безпечно та надійної якості. Ми спостерігаємо за цими параметрами безперервно.»

«Якщо ми оптимізуємо заміну розчинника, ми можемо заощадити багато часу та й підвищити ефективність у всьому. Будь-який бізнес хоче працювати якомога ефективніше, але це стає ще актуальнішим, якщо йдеться про людські життя. Оптимізований процес заміни також допомагає нам використовувати менше хімічних реагентів. Це важливо, оскільки J&J прагне мінімізувати вплив виробничих процесів на довкілля. Ось чому ми створили пілотний проєкт із Digital Process Twin від Siemens — спочатку оптимізували один процес заміни розчинника, а наша кінцева мета — оптимізувати всі такі процеси».

«Після того, як модель побудували, її відкалібрували з даними, отриманими з процесу, тобто з реального життя. З цими даними ми створили цифровий додаток за допомогою платформи цифрових додатків gPROMS або gDAP. Ця процедура відбувається у відкритому циклі. Потім ми подивилися, як модель реагувала на вхід від системи управління процесом, і закінчили замкнутим циклом. gDAP безперервно робить прогнози протягом процесу, які потім порівнює з фактичними даними. Це дозволяє нам постійно вдосконалювати процес».

«Я часто порівнюю це з GPS», — додає Нільс. — «Ми рухаємося від певного складу розчинників - місця А, до іншого складу — місця B. Модель буде керувати рухом від А до Б в режимі реального часу найкоротшим шляхом, найшвидшим або найбільш екологічним. Він виводить ідеальний маршрут і продовжує оптимізувати його залежно від фактичних умов — чи є об'їзд, чи аварія?»

«Крім того, є також суттєві переваги в налаштуванні нових процесів. Просто оптимізація наявних процесів заміни розчинників є дуже вигідною сама по собі. І якщо ми зможемо застосувати модель до розширення виробництва — тобто в лабораторії — ми заощадимо ще більше часу й ресурсів. Адже експериментувати в лабораторії набагато дешевше, ніж експериментувати в промислових масштабах. Тож тепер ми вивчаємо, як використовувати лабораторні дані для створення моделей, які ми зможемо застосувати пізніше для більш масштабного виробництва».

Широка доступність моделей

«Нещодавно ми також використовували Digital Process Twin для розробки нового процесу, що включає сушіння за низьких температур. Це була реакція, яка спричиняє підвищення температури всередині реакційної посудини, але температуру потрібно було підтримувати нижче певного значення, інакше реакція пройде невдало. Процес відбувався в лабораторії, але розширення до промислових масштабів спричиняє зміну параметрів. У цьому випадку зазвичай ми встановлюємо тестову конфігурацію та експериментуємо, поки не отримаємо правильні параметри. Але цього разу ми могли запустити конфігурацію віртуально, і модель показала, що процес просто не працюватиме взагалі в такому масштабі. Це заощадило нам багато часу й ресурсів.»