AS_06_2021

Automazione e Strumentazione Settembre 2021 FARMACEUTICO applicazioni 61 lotto. Gli input venivano quindi impostati senza otti- mizzare il processo, con conseguente potenziale spreco di energia e materie prime, riduzione della qualità e della resa del prodotto. L’azienda aveva bisogno di un modo migliore per prevedere la qualità dei lotti per aver una produzione ottimale. Lo stesso problema affliggeva un’azienda produt- trice di birra . In questo caso, durante il processo di riposo del diacetile per le ‘lager’ si richiede l’aumento della temperatura alla fine della fermentazione per ottenere una birra di qualità - il diacetile è un sot- toprodotto naturale della fermentazione, specialmente della birra, che influisce sul gusto della bevanda. Ma i dati di qualità relativi al processo vengono misurati solo offline, quindi è importante riuscire a monito- rare i parametri online per garantire la qualità del prodotto. La soluzione: un modello di riferimento Utilizzando Seeq, i chimici farmaceutici hanno costru- ito un modello di qualità del processo basato sui dati dell’archivio storico PI System di OSIsoft. Il team utilizza il modello per prevedere la qualità dei lotti in corso, consentendo modifiche durante la produzione prima che un lotto debba essere scartato per un pro- blema di qualità. Questa analisi utilizza misurazioni di processo tipiche come la temperatura, il volume e la concentrazione del reattore come parametri di processo per il controllo della resa. I dati grezzi vengono filtrati per l’operazione di interesse desiderata, la parte del processo di riscalda- mento del reattore. Viene quindi generato un modello predittivo per la resa sulla base di parametri di processo statisticamente significativi. Il modello è stato distribu- ito online per rilevare lotti anomali. Nel caso della produzione della birra, l’approccio è stato di monitorare la temperatura in base alle curve storiche; creare un profilo di riferimento della temperatura durante il periodo di riposo del dia- cetile (<0,1 ppm) basato su lotti di alta qualità (nella Figura 2 , i profili ottimali scelti con funzioni ‘point & click’ di Seeq) e quindi applicare questo profilo ai lotti, o batch, futuri per monitorare in tempo reale la qualità del prodotto . I risultati: rilevazione precoce delle deviazioni Invece di aspettare che i test di qualità tornino dal laboratorio, la casa farmaceutica ha potenzialmente risparmiato cifre dell’ordine dei milioni acquisendo la capacità di identificare e analizzare rapidamente l’analisi della causa principale di lotti anomali , tramite la modellazione . Può così ridurre il numero di lotti fuori specifica regolando i parametri di pro- cesso durante lo sviluppo di uno specifico batch. L’azienda ha anche risparmiato sulla riduzione degli sprechi di energia e materiali. Lo sviluppo e l’implementazione di un modello pre- dittivo online della qualità e della resa del prodotto può aiutare anche nel rilevamento dei guasti, grazie al monitoraggio dei risultati e consentire una rapida analisi delle cause profonde, contri- buendo a garantire il mantenimento degli standard di qualità con ogni lotto grazie all’analitica avanzata applicata online. Nel caso del produttore di birra, dopo il progetto può ora rilevare precocemente delle deviazioni di tempe- ratura, rendere ottimali i tempi di riposo del diacetile per ottenere una qualità del prodotto costante e quindi migliorare la qualità della birra con livelli di diacetile mantenuti entro le specifiche. Il risultato è distribuito online con visualizzazione a cruscotto, in collaborazione, e report. Figura 2 - Fasi dei batch importati dal PI System in Seeq, insieme con i dati di laboratorio per l’analisi. Raffrontandoli si potrà definire il ‘golden batch’ e quindi prevenire in tempo reale eventuali deviazioni Figura 3 - Definizione del ‘profilo di riferimento’, con la curva media +/- 3 . La media è costruita con i batch ‘buoni’, selezionati col mouse scegliendo un profilo-tipo, uno per uno o fissando inizio/fine sul trend.