جدول المحتويات
تحليل الدفعة الذهبية (golden batch) يقارن كل دفعة جديدة بمرجع مبني على دفعات جيدة سابقة، فتظهر الانحرافات والدفعة ما تزال قيد التشغيل. ويذهب التنبؤ بجودة الدفعة خطوة أبعد: نموذج مدرَّب على مسارات الدفعات السابقة ونتائجها المخبرية يقدّر الجودة النهائية قبل انتهاء الدفعة، مما يترك وقتًا للتدخل.
أهم النقاط
- الدفعة «الأفضل» الواحدة مرجع ضعيف. فالمقارنة بها تتجاهل التفاعلات بين المتغيرات والتباين الطبيعي، بينما يعطي ملف مرجعي مبني على دفعات مقبولة كثيرة نتيجة أفضل (Chemical Processing).
- المراقبة متعددة المتغيرات للدفعات، التي طوّرها Nomikos وMacGregor في تسعينيات القرن الماضي، لا تحتاج إلا إلى قاعدة بيانات تاريخية للدفعات الناجحة السابقة.
- نادرًا ما تسير الدفعات بالوتيرة نفسها، لذلك يجب محاذاتها حسب المراحل، أو بمتغير يعبّر عن التقدم، أو بالمواءمة الزمنية الديناميكية قبل مقارنتها.
- يمكن لطريقة PLS متعددة الأبعاد (multiway PLS) أن تقدّم تنبؤات آنية بالجودة النهائية للمنتج مع فترات ثقة تقريبية. ويبقى المختبر صاحب القرار في الإفراج.
ما هي الدفعة الذهبية؟
في الإنتاج بالدفعات، كالراتنجات وزيوت التشحيم والكيماويات المتخصصة والمنظفات والصناعات الغذائية والأدوية، تتبع كل دفعة وصفة من الشحن والتسخين والتفاعل والاستبقاء والتفريغ. وتوفّر سلسلة المعايير ISA-88 الخاصة بالتحكم في العمليات بالدفعات بنية مشتركة لهذه المصانع، من بينها نموذج لسجلات إنتاج الدفعات (الجزء 4).
و«الدفعة الذهبية» أبسط طريقة لاستغلال هذه السجلات. يختار المهندسون دفعة جرت على ما يرام، ويضعون منحنيات حرارتها وضغطها وجرعاتها فوق منحنيات كل دفعة جديدة، ثم يفحصون المواضع التي تبتعد فيها الدفعة الجديدة عنها.
ومن التحسينات الشائعة استخدام غلاف (envelope). عند كل لحظة زمنية، يُحسب متوسط عدة دفعات جيدة وتُرسم حدود عند زائد أو ناقص ثلاثة انحرافات معيارية. وقد بنت دراسة صدرت عام 2024 على عملية تخمير بنسلين محاكاة ملفها المرجعي بهذه الطريقة، بتجميع بيانات عدة دفعات عالية الجودة، ثم قيّمت كل دفعة جديدة بمقدار ابتعادها عن هذا الملف.
لماذا تُعدّ الدفعة الذهبية الواحدة مرجعًا ضعيفًا؟
يطرح مقال كتبه مهندس من Lubrizol ومسؤولة من Emerson المشكلة بوضوح. فالمقارنة بالدفعة الذهبية «نهج أحادي المتغير لمشكلة هي في الواقع متعددة المتغيرات». إذ تتجاهل التفاعلات بين المدخلات ومتغيرات العملية والجودة، ولا تميّز بين التباين المقبول وغير المقبول. ويشبّه الكاتبان محاولة استنساخها بمطاردة «ذهب الحمقى».
وتقف وراء هذا الحكم ثلاثة أسباب عملية.
المواد الأولية تتغير. فالقيم المرجعية نفسها إذا طُبّقت على حصة أخرى من المادة قد تعطي نتيجة مختلفة. ويشير دليل PAT الصادر عن FDA إلى أن نقاط انتهاء العمليات المحددة بالزمن، مثل «الخلط لمدة 10 دقائق»، لا تأخذ في الحسبان في بعض الحالات تأثير الفروق الفيزيائية بين المواد الأولية. وفي هذا الإطار، تنتهي العملية عند بلوغ الخاصية المطلوبة في المادة، لا بعد مدة ثابتة.
الدفعة الواحدة عينة واحدة. فقد تكون أفضل دفعة جيدة جزئيًا بفضل الصدفة. وهي لا تقول شيئًا عن حجم التباين الطبيعي.
المتغيرات تتحرك معًا. فقد تُبقي الدفعة كل منحنى داخل غلافه ومع ذلك تكون غير طبيعية، لأن التركيبة غير مألوفة: مثل درجة حرارة طبيعية مع تدفق طبيعي لماء التبريد يدلّان معًا على حرارة منبعثة أقل من المعتاد.
| المرجع | يُبنى من | ما يكشفه | ما يفوته |
|---|---|---|---|
| دفعة ذهبية واحدة | دفعة سابقة واحدة | الانحرافات الكبيرة عن تلك الدفعة | التباين الطبيعي؛ التفاعلات بين المتغيرات |
| غلاف أحادي المتغير (المتوسط ± 3 انحرافات معيارية) | عدة دفعات جيدة، متغير واحد في كل مرة | متغير خارج نطاقه الطبيعي في لحظة معينة | التركيبات غير المألوفة لمتغيرات يقع كل منها داخل نطاقه |
| ملف مرجعي متعدد المتغيرات (PCA أو PLS متعددة الأبعاد) | دفعات جيدة كثيرة، كل المتغيرات معًا | القيم الخارجة عن النطاق والتركيبات غير المألوفة؛ ويمكن ربطه بالجودة النهائية | الأعطال التي لم تظهر في بيانات التدريب تُرصد لكن لا تُشخَّص؛ يحتاج عددًا كافيًا من الدفعات الممثِّلة |
ما البيانات اللازمة؟
لبيانات الدفعات ثلاثة أبعاد: الدفعات والمتغيرات والزمن. ويصفها الباحثون بأنها مصفوفة ثلاثية الأبعاد يجب فردها في جدول ثنائي الأبعاد قبل تطبيق PCA أو PLS التقليديتين عليها.
عمليًا، اجمعوا أربعة أنواع من البيانات لكل دفعة:
- المسارات من قاعدة البيانات التاريخية (historian) لكل متغير مهم، بدقة زمنية أدق من ديناميكية العملية.
- الظروف الابتدائية: حصص المواد الأولية وقيم شهاداتها أو فحوص استلامها، والكميات المشحونة، والمعدات المستخدمة.
- علامات المراحل من نظام التحكم في الدفعات: بداية كل مرحلة ونهايتها، لتقسيم الدفعات.
- الجودة النهائية من نظام LIMS، مرتبطة برقم الدفعة، بما في ذلك الدفعات التي فشلت.
نادرًا ما يتطابق الطابع الزمني في قاعدة البيانات التاريخية ومعرّف الدفعة في نظام التحكم ورقم الدفعة في LIMS دون جهد. وربطها هو عادة المهمة الأولى والأطول.
كيف نحاذي دفعات تسير بسرعات مختلفة؟
لا تستغرق دفعتان الوقت نفسه تمامًا. فقد تطول مرحلة التسخين في يوم بارد، وقد يسرع التفاعل مع حصة مادة أكثر تفاعلية. وعندئذ تكون مقارنة الدقيقة 90 من دفعة بالدقيقة 90 من أخرى مقارنة بين مرحلتين مختلفتين من العملية.
توجد أربعة أساليب شائعة:
| الأسلوب | طريقة عمله | متى يناسب |
|---|---|---|
| التقسيم حسب المراحل | نمذجة كل مرحلة على حدة باستخدام علامات المراحل في نظام الدفعات | الوصفات ذات المراحل الواضحة؛ وقد بنى مشروع Lubrizol نموذجًا منفصلًا لكل مرحلة من مراحل العملية |
| متغير التقدم | استبدال الزمن الفعلي بمتغير يزداد بانتظام، مثل التغذية التراكمية أو نسبة التحويل | عند وجود مثل هذا المتغير؛ ويقترح Westerhuis وزملاؤه أساليب للتنبؤ بنسبة إنجاز الدفعات غير المتساوية المدة |
| نضج مقدَّر بنموذج | نموذج PLS يتنبأ بنضج الدفعة من جميع المتغيرات، وتُحدَّد الحدود على امتداد هذا المحور | عندما لا يتتبع أي متغير منفرد تقدم الدفعة؛ وطريقة batch maturity من Eigenvector أحد تطبيقاتها |
| المواءمة الزمنية الديناميكية (DTW) | تمدّ كل مسار وتضغطه ليطابق مرجعًا، بحد أدنى من المعرفة بالعملية | توقيت غير منتظم دون متغير تقدم طبيعي |
لا تهملوا معلومات التوقيت. ففي دراسة لتشخيص الأعطال في مجفف صناعي يعمل بالدفعات، كان توقيت مراحل الدفعة من مجموعات المتغيرات المرتبطة بتدني جودة المنتج.
كيف يراقب نموذج متعدد المتغيرات دفعة جارية؟
تستخدم الطريقة التي نشرها Nomikos وMacGregor تحليل المكونات الرئيسية (PCA) متعدد الأبعاد لضغط جميع مسارات جميع الدفعات الجيدة في عدد قليل من الدرجات (scores). وتُسقَط الدفعة الجديدة على النموذج نفسه أثناء سيرها، وتبيّن مخططات ضبط متعددة المتغيرات ما إذا كانت ما تزال تتبع النمط الطبيعي. وتُستمد حدود الضبط من التوزيع المرجعي للدفعات الناجحة السابقة، وقد طُبّقت الطريقة على مفاعل بلمرة صناعي يعمل بالدفعات. ولأن النموذج ينظر إلى كل المتغيرات معًا، فبإمكانه رصد دفعة يقع كل متغير فيها داخل نطاقه لكن تركيبتها غير مألوفة.
وعندما يطلق المخطط إنذارًا، تبيّن مخططات المساهمة (contribution plots) المتغيرات التي تقف وراء الانحراف. وفي دراسة المجفف، ساعدت هذه المخططات على تحديد السمات التي تميّز الدفعات الجيدة عن الرديئة.
وتذكر التجربة الميدانية لشركة Lubrizol في مصنعها بمدينة روان (Rouen)، التي استخدمت 18 متغير إدخال و38 متغير عملية و4 متغيرات إخراج تُسجَّل كل دقيقة، مشكلات كُشفت بهذه الطريقة، منها مشكلة لم تُكتشف من قبل في مقياس تدفق كتلي لمكوّن رئيسي، ومكوّن كان يُضاف ببطء زائد. ويجب قراءة ذلك على أنه تقرير حالة مرتبط بمورّد، لا تقييمًا مستقلًا.
كيف نتنبأ بالجودة النهائية للدفعة قبل انتهائها؟
المراقبة تقول «هذه الدفعة غير مألوفة». والتنبؤ يقول «ستنتهي هذه الدفعة بلزوجة قدرها X». وتربط طريقة المربعات الصغرى الجزئية (PLS) متعددة الأبعاد المسارات بنتائج المختبر النهائية، وتستخرج أجزاء المسارات الأكثر ارتباطًا بالجودة. وفي صيغة Nomikos وMacGregor، تقدّم مخططات المراقبة أيضًا تنبؤات آنية بالخصائص النهائية للمنتج، مع فترات ثقة تقريبية.
في بداية الدفعة يكون جزء كبير من المسار مجهولًا، لذلك تحمل التنبؤات المبكرة قدرًا من عدم اليقين أكبر من التنبؤات المتأخرة. اعرضوا الفترة لا القيمة وحدها. وفي تجربة Lubrizol، كان بإمكان المشغلين رؤية الجودة المتوقعة في نهاية الدفعة مع حدود الثقة على منحنى منفصل، ولا يذكر المقال أي أرقام عن الدقة.
والعينات الوسيطة مفيدة. ففي دراسة بالمحاكاة لعملية بلمرة مشتركة في مستحلب، يذكر Duchesne وMacGregor أن قياسات الجودة الوسيطة يمكن أن تقلّص بشكل ملموس عدد الدفعات اللازمة للتحليل، وأن النماذج نفسها تشير إلى تعديلات في المسارات تحسّن الجودة النهائية.
والفكرة قريبة من المستشعر البرمجي الذي يقدّر الجودة باستمرار في عملية مستمرة. وتنطبق القواعد نفسها: التحقق على فترة زمنية لاحقة، والمقارنة بالمختبر، وتعيين مسؤول محدد. وللاطلاع على نماذج العمليات التي تتجاوز الإحصاء، راجعوا مقال النماذج البديلة للعمليات الكيميائية.
كيف نبدأ خطوة بخطوة؟
- اختيار منتج واحد ومشكلة جودة واحدة، مثل لزوجة خارج المواصفات أو تفاوت مدة التفاعل من دفعة لأخرى، مع كلفة يمكن تحديدها.
- تجميع سجلات الدفعات: المسارات وعلامات المراحل وحصص المواد الأولية ونتائج المختبر النهائية، بما في ذلك الدفعات الفاشلة والمعاد معالجتها.
- تصنيف كل دفعة جيدة أو رديئة مقارنة بالمواصفات، وتدوين الأسباب المعروفة للدفعات الرديئة.
- تقسيم الدفعات ومحاذاتها حسب المراحل، ثم بمتغير التقدم أو المواءمة الزمنية عند الحاجة.
- بناء نموذج المراقبة على الدفعات الجيدة وحدها، ثم اختباره على دفعات جيدة مستبعدة من التدريب وعلى الدفعات الرديئة المعروفة. ويجب أن يرصد الدفعات الرديئة دون إغراق المشغلين بإنذارات كاذبة.
- بناء نموذج التنبؤ بالجودة والتحقق منه على دفعات أحدث لم يرها، بمقارنة التنبؤات في عدة لحظات من الدفعة بنتيجة المختبر النهائية.
- تشغيله بالتوازي مع التشغيل العادي. يرى المشغلون المخططات والتنبؤات لكنهم لا يتصرفون إلا وفق الإجراءات القائمة. ويتناول دليلنا حول دمج الذكاء الاصطناعي مع أنظمة SCADA وOT جانب الربط.
- صيانته. إعادة بناء المجموعة المرجعية بعد تغيير المعدات أو الموردين أو الوصفات، ومراجعة الإنذارات مع المشغلين.
وقبل استخدام بيانات المصنع، يمكن للفريق التدرّب على مجموعة البيانات العامة IndPenSim: 100 دفعة محاكاة لعملية تخمير بنسلين سعتها 100,000 لتر، أُديرت بالتحكم وفق الوصفة، وبالمشغلين، وبالتحكم المتقدم، ومن بينها عشر دفعات تتضمن أعطالًا. ولا ننسَ أنها بيانات محاكاة.
ماذا تتوقع الجهات التنظيمية؟
في الصناعة الدوائية، تدعم أدلة FDA الأمريكية هذا النهج. فدليل PAT يذكر أن الضبط الإحصائي متعدد المتغيرات للعمليات يمكن أن يكون ممكنًا وذا قيمة للاستفادة من القياسات الآنية. ويطلب دليل التحقق من صلاحية العمليات (process validation) تحليل اتجاهات البيانات إحصائيًا، وينص على أن فحص التباين داخل الدفعة الواحدة وبين الدفعات جزء من التحقق المستمر من العملية. كما يحذّر من المبالغة في رد الفعل على أحداث منفردة.
هذه أدلة أمريكية. ولمعرفة المتطلبات التي تنطبق على مصنعكم في الجزائر، راجعوا نصوص الجهة التنظيمية المعنية وتأكدوا منها مع مستشار قانوني.
ما لاحظناه في KABAS AI
مشاريعنا المنشورة تخص البحث والتطوير في التركيبات، لا مراقبة الدفعات في الإنتاج، لكنها تواجه المشكلات الأساسية نفسها.
ففي ADFC (مجمع سوناطراك)، كان تباين المواد الأولية بين الدفعات والموردين من التحديات المذكورة، وتوجّه المقارنة بين النتائج المحاكاة والفعلية عمليات التحسين. وفي ENAD Shymeca، تذكر دراسة الحالة متطلبات التوثيق والتتبع لأغراض الامتثال، والحاجة إلى حفظ معارف الباحثين ذوي الخبرة المقبلين على التقاعد. وفي الحالتين، كان العمل الأول هو تنظيم سجلات متفرقة في قاعدة قابلة لإعادة الاستخدام، وهي أيضًا الخطوة الأولى والأطول في أي مشروع للدفعة الذهبية.
يتيح Virtual Lab للفرق اختبار الجرعات والتسلسلات ودرجات الحرارة وغيرها من معاملات العملية افتراضيًا قبل التجارب المخبرية أو التجريبية، ويحتفظ بسجل كامل للاختبارات مع قواعد للقبول والرفض، ويرتبط بأنظمة LIMS وERP. وتذكر صفحة الصناعة التحويلية الإنتاج بالدفعات، مثل زيوت التشحيم والكيماويات الدقيقة، ضمن أنواع الإنتاج التي ندعمها، وتتناول صفحة الكيمياء مراقبة الجودة وتحسين العمليات. وللاطلاع على المنهج العام، اقرؤوا مقالنا المرجعي عن Virtual Lab للبحث والتطوير الصناعي، ولجانب الوصفات مقال تحسين التركيبات بالذكاء الاصطناعي. وقبل البدء، تستحق قائمة التحقق في مقال لماذا تفشل مشاريع الذكاء الاصطناعي الصناعي القراءة.
المصادر
- Wojewodka and Marruchella, Online Analytics Improves Batch Operations, Chemical Processing, 2011
- Nomikos and MacGregor, Monitoring batch processes using multiway principal component analysis, AIChE Journal 40, 1994
- Nomikos and MacGregor, Multivariate SPC charts for monitoring batch processes, Technometrics 37, 1995
- Nomikos and MacGregor, Multi-way partial least squares in monitoring batch processes, Chemometrics and Intelligent Laboratory Systems 30, 1995
- Kassidas, MacGregor and Taylor, Synchronization of batch trajectories using dynamic time warping, AIChE Journal 44, 1998
- Westerhuis, Kourti and MacGregor, Comparing alternative approaches for multivariate statistical analysis of batch process data, Journal of Chemometrics 13, 1999
- Duchesne and MacGregor, Multivariate analysis and optimization of process variable trajectories for batch processes, Chemometrics and Intelligent Laboratory Systems 51, 2000
- García-Muñoz et al., Troubleshooting of an industrial batch process using multivariate methods, Industrial and Engineering Chemistry Research 42, 2003
- Eigenvector Research, Batch Maturity documentation
- Luo et al., The golden batch-driven root cause analysis for anomalies in bioreactor fermentation process, Frontiers in Manufacturing Technology, 2024
- Goldrick et al., IndPenSim data: Modern day monitoring and control challenges outlined on an industrial-scale benchmark fermentation process, Mendeley Data, 2019
- ISA, ISA-88 Standards
- US FDA, PAT: A Framework for Innovative Pharmaceutical Development, Manufacturing, and Quality Assurance, 2004
- US FDA, Process Validation: General Principles and Practices, 2011
الأسئلة الشائعة
ما الفرق بين الدفعة الذهبية والملف المرجعي الذهبي (golden profile)؟
الدفعة الذهبية دفعة واحدة سابقة، هي عادة الأفضل، تُستخدم مرجعًا لجميع الدفعات الأخرى. أما الملف المرجعي فيُبنى من دفعات مقبولة كثيرة، فيصف المسار النموذجي والتشتت الطبيعي حوله معًا. ويلتقط الملف المرجعي متعدد المتغيرات أيضًا طريقة تحرك المتغيرات معًا، وهو ما لا تستطيع دفعة واحدة إظهاره.
كم دفعة سابقة نحتاج لبناء نموذج؟
لا يوجد رقم عام. فالأساليب الموصوفة هنا لا تحتاج إلا إلى قاعدة بيانات تاريخية للدفعات الجيدة السابقة، لكن هذا السجل يجب أن يغطي التباين الطبيعي في المواد الأولية والمعدات وفرق التشغيل الذي ستواجهه الدفعات الجديدة. واحتفظوا أيضًا بالدفعات الرديئة المعروفة، فهي أفضل اختبار لقدرة النموذج على كشف المشكلات.
هل يمكن للتنبؤ بجودة الدفعة أن يحل محل تحليل الإفراج النهائي؟
في أغلب المصانع، لا. فالتنبؤ ينبّه المشغلين مبكرًا إلى أن الدفعة تنحرف عن هدفها، بينما تبقى نتيجة المختبر هي التي تقرر الإفراج. وفي الصناعة الدوائية، تصف إدارة الغذاء والدواء الأمريكية (FDA) الإفراج الآني المبني على بيانات العملية، لكنها تنص على وجوب الحصول على موافقتها قبل تطبيقه على منتجات مشمولة بطلب ترخيص تسويق.
ماذا لو لم تكن مدة دفعاتنا متساوية؟
هذه هي الحالة المعتادة، ولهذا يجب محاذاة الدفعات قبل مقارنتها. ومن الأساليب الشائعة تقسيم الدفعة حسب المراحل، أو استبدال الزمن الفعلي بمتغير يعبّر عن تقدم الدفعة مثل نسبة التحويل، أو استخدام المواءمة الزمنية الديناميكية (dynamic time warping). وكثيرًا ما تكون مدة كل مرحلة معلومة مفيدة في حد ذاتها.
هل التنبؤ بجودة الدفعة هو نفسه المستشعر البرمجي؟
هما متقاربان. فالمستشعر البرمجي يقدّر عادة متغيرًا نوعيًا بشكل مستمر في عملية مستمرة. أما التنبؤ بجودة الدفعة فيقدّر الجودة التي ستكون عليها الدفعة عند انتهائها، انطلاقًا من الجزء المقيس حتى الآن من مسارها.
هل يمكن تشغيل هذه النماذج على خوادمنا الخاصة؟
نعم. فنماذج المراقبة متعددة المتغيرات والتنبؤ بالجودة، مثل PCA وPLS، صغيرة الحجم وتعمل على خوادم عادية داخل شبكة المصنع. وغالبًا ما تكون سجلات الدفعات والوصفات حساسة، لذلك تفضّل شركات كثيرة إبقاء البيانات والنماذج معًا داخل مقراتها.



