Von Experimenten zu industriell anwendbarer Prozessintelligenz

Seit zwei Jahrzehnten unterstützt Tempris Pharmaunternehmen dabei, die tatsächliche Produkttemperatur direkt im Vial zu erfassen – vom Labormaßstab über Scale-up und Technologietransfer bis zur kommerziellen Produktion.

Produkttemperaturdaten schließen eine wesentliche Lücke: Anlagenparameter beschreiben den Betrieb des Gefriertrockners. Die Produkttemperatur zeigt, wie das Produkt unter diesen Bedingungen tatsächlich reagiert.

Doch die Erfahrung zeigt auch: Die Verfügbarkeit robuster Messdaten ist heute nicht mehr die einzige Herausforderung.

Die nächste Herausforderung besteht darin, diese Daten systematisch in übertragbares Prozesswissen zu verwandeln.

In der Prozessentwicklung werden häufig mehr experimentelle Daten erzeugt, als sich theoretisch begründen oder auf den industriellen Maßstab übertragen lassen.

Ein einzelner Lyo-Lauf liefert Temperaturkurven, Prozessparameter, Endpunktinformationen und Qualitätswerte. Diese Daten beschreiben zunächst nur, was unter den jeweiligen Versuchsbedingungen geschehen ist.

Dadurch entstehen isolierte Versuchsergebnisse. Für jeden neuen Scale-up, Transfer oder Anlagenvergleich beginnt ein Teil der Interpretation erneut.

Daten werden dokumentiert – aber nicht konsequent als wiederverwendbares Prozessmodell weiterentwickelt.

Genau hier liegt der nächste wirtschaftliche Hebel.

Eine gemessene Produkttemperaturkurve ist keine vollständige Prozesserklärung. Sie ist die reale Antwort des Produkts auf Wärmeübertragung, Druck, Trocknungsfortschritt, Produktwiderstand und Anlagenbedingungen.

Wird diese Antwort mit physikalischen Wärme- und Stofftransportmodellen verbunden, können weiterführende Zusammenhänge bewertet werden:

Der entscheidende Fortschritt besteht darin, einzelne Runs nicht länger nur als abgeschlossene Experimente zu betrachten. Jeder Run erweitert ein bestehendes Modell des Produkt- und Prozessverhaltens.

Damit ändert sich die Entwicklungslogik:

Mit dem Digitalen Zwilling des Tempris-Systems ist es möglich, reale Produkttemperaturen mit den Positionen der Produkte im Gefriertrockner zu verknüpfen. Veränderliche Farbdarstellungen zeigen, wie sich die Temperatur an den instrumentierten Vial-Positionen während des Prozesses verändert.

Diese Darstellung beantwortet eine wichtige Frage: Wo verändert sich das Produktverhalten?

Das Bild allein erklärt jedoch noch nicht, welche wiederkehrenden Zusammenhänge dieser Veränderung zugrunde liegen.

Der zusätzliche Erkenntnisgewinn entsteht, wenn die vollständigen Temperaturzeitreihen miteinander verglichen werden:

Der Digitale Zwilling entwickelt sich somit von einer räumlichen Visualisierung zu einem vergleichenden Modell des tatsächlichen Produktverhaltens.

Die Farbdarstellung macht eine Veränderung sichtbar. Der Zeitreihenvergleich macht ihre Struktur analysierbar.

Ein Mensch kann einzelne Temperaturkurven vergleichen und deutliche Unterschiede erkennen. Bei vielen Sensoren, Positionen, Prozessläufen und Anlagen wächst die Zahl der möglichen Beziehungen jedoch sehr schnell.

Artificial Neural Networks (ANN) können vollständige Temperaturzeitreihen systematisch miteinander vergleichen. Sie suchen nach subtilen, wiederkehrenden oder gruppenspezifischen Mustern, die in einer Einzelwertbetrachtung oder einer rein visuellen Auswertung nicht ohne Weiteres erkennbar sind.

ANN kann beispielsweise unterstützen:

ANN berechnet dabei nicht unabhängig den Kv-Wert und ersetzt auch kein physikalisches Modell. Die Zeitreihenanalyse zeigt vielmehr, welche Strukturen und Unterschiede bei der Kv-orientierten Bewertung berücksichtigt werden sollten.

Damit ergänzen sich drei Erkenntnisebenen:

Die Verbindung von realer Produkttemperatur, räumlichem Kontext, physikalischem Modell und Zeitreihenanalyse verändert die Funktion jedes Versuchs. Ein Run bleibt nicht länger ein isoliertes Ergebnis. Er wird Teil einer wachsenden, vergleichbaren Wissensbasis über Produkt, Prozess und Anlage.

Damit verschiebt sich der Arbeitsansatz:

Der wirtschaftliche Nutzen entsteht dort, wo dieses Wissen die nächste Entscheidung verbessert: in der Versuchsplanung, beim Scale-up, im Technologietransfer, bei Engineering Runs und PPQ sowie später in CPV und Abweichungsbewertung.

Tempris liefert damit nicht nur Daten über einen Run. Tempris schafft die Grundlage, aus jedem Run gezielter für die nächste industrielle Entscheidung zu lernen.