Table des Matières
L'analyse golden batch compare chaque nouveau lot à une référence construite à partir de bons lots passés, afin que les écarts apparaissent pendant que le lot est encore en cours. La prédiction de la qualité va plus loin : un modèle entraîné sur les trajectoires et les résultats de laboratoire des lots passés estime la qualité finale avant la fin du lot, ce qui laisse le temps d'agir.
Points clés
- Un seul « meilleur » lot est une référence fragile. S'y comparer ignore les interactions entre variables et la variabilité normale ; un profil construit sur de nombreux lots acceptables fait mieux (Chemical Processing).
- Le suivi multivarié des lots, développé par Nomikos et MacGregor dans les années 1990, n'exige qu'une base historique de lots passés réussis.
- Les lots avancent rarement au même rythme : ils doivent être alignés par phase, par une variable d'avancement ou par alignement temporel dynamique avant d'être comparés.
- La PLS multivoie peut fournir des prédictions en ligne de la qualité finale du produit avec des intervalles de confiance approximatifs. Le laboratoire décide toujours de la libération.
Qu'est-ce qu'un golden batch ?
En fabrication par lots (résines, lubrifiants, chimie de spécialité, détergents, agroalimentaire ou pharmacie), chaque lot suit une recette : chargements, chauffe, réaction, maintien et vidange. ISA-88, la série de normes sur la conduite des procédés par lots, donne à ces usines une structure commune, dont un modèle pour les dossiers de production de lot (partie 4).
Le « golden batch » est la façon la plus simple d'exploiter ces dossiers. Les ingénieurs choisissent un lot qui s'est bien passé, superposent ses courbes de température, de pression et de dosage à celles de chaque nouveau lot, et examinent les endroits où le nouveau lot s'en écarte.
Une amélioration courante est l'enveloppe. À chaque instant, on prend la moyenne de plusieurs bons lots et on trace des limites à plus ou moins trois écarts-types. Une étude de 2024 sur une fermentation de pénicilline simulée a construit son profil de référence ainsi, en agrégeant les données de plusieurs lots de haute qualité, puis a évalué chaque nouveau lot selon son écart au profil.
Pourquoi un seul golden batch est-il une référence fragile ?
Un article co-écrit par un ingénieur de Lubrizol et une responsable d'Emerson pose le problème sans détour. Se comparer à un golden batch est « une approche univariée d'un problème qui est en réalité multivarié ». Elle ignore les interactions entre entrées, variables procédé et qualité, et n'a aucune notion de variabilité acceptable ou inacceptable. Les auteurs comparent la tentative de le reproduire à une course après « l'or des fous ».
Trois raisons pratiques expliquent ce verdict.
Les matières premières changent. Les mêmes consignes appliquées à un autre lot de matière peuvent donner un autre résultat. Le guide PAT de la FDA note que les fins d'opération définies par une durée, comme « mélanger 10 minutes », dans certains cas ne tiennent pas compte des différences physiques entre matières premières. Dans ce cadre, la fin d'une opération est l'atteinte de l'attribut matière visé, et non une durée fixe.
Un lot n'est qu'un échantillon. Le meilleur lot a pu être bon en partie par chance. Il ne dit rien de l'ampleur de la variabilité normale.
Les variables évoluent ensemble. Un lot peut garder chaque courbe dans sa propre enveloppe et être pourtant anormal, parce que la combinaison est inhabituelle : par exemple, une température normale et un débit d'eau de refroidissement normal qui, ensemble, indiquent moins de chaleur dégagée que d'habitude.
| Référence | Construite à partir de | Ce qu'elle détecte | Ce qu'elle manque |
|---|---|---|---|
| Golden batch unique | Un seul lot passé | Les grands écarts par rapport à ce lot | La variabilité normale ; les interactions entre variables |
| Enveloppe univariée (moyenne ± 3 écarts-types) | Plusieurs bons lots, une variable à la fois | Une variable hors de sa plage normale à un instant donné | Les combinaisons inhabituelles de variables qui sont chacune dans leur plage |
| Profil de référence multivarié (PCA ou PLS multivoie) | De nombreux bons lots, toutes les variables ensemble | Les valeurs hors plage et les combinaisons inhabituelles ; peut être relié à la qualité finale | Les défauts jamais vus à l'apprentissage sont signalés mais pas identifiés ; exige assez de lots représentatifs |
De quelles données a-t-on besoin ?
Les données de lot ont trois dimensions : lots, variables et temps. Les chercheurs les décrivent comme un tableau à trois voies qu'il faut déplier en tableau à deux dimensions avant de pouvoir appliquer une PCA ou une PLS classique.
En pratique, rassemblez quatre types de données par lot :
- Les trajectoires issues de l'historian pour chaque variable pertinente, à une résolution plus fine que la dynamique du procédé.
- Les conditions initiales : lots de matières premières et leurs valeurs de certificat ou de contrôle à réception, quantités chargées, équipements utilisés.
- Les marqueurs de phase du système de conduite batch : début et fin de chaque phase, pour pouvoir segmenter les lots.
- La qualité finale issue du LIMS, reliée au numéro de lot, y compris pour les lots non conformes.
L'horodatage de l'historian, l'identifiant de lot dans le système de contrôle et le numéro de lot dans le LIMS concordent rarement sans travail. Les relier est en général la première tâche, et la plus longue.
Comment aligner des lots qui n'avancent pas au même rythme ?
Deux lots ne durent jamais exactement le même temps. Une montée en température peut être plus longue par temps froid, et une réaction plus rapide avec un lot de matière plus réactif. Comparer la minute 90 d'un lot avec la minute 90 d'un autre revient alors à comparer des étapes différentes du procédé.
Quatre approches sont courantes :
| Approche | Principe | Quand l'utiliser |
|---|---|---|
| Segmentation par phase | Modéliser chaque phase séparément, à partir des marqueurs de phase du système batch | Recettes à phases bien distinctes ; le projet Lubrizol a construit un modèle distinct pour chaque étape du procédé |
| Variable d'avancement | Remplacer le temps horloge par une variable qui croît régulièrement, comme l'alimentation cumulée ou la conversion | Quand une telle variable existe ; Westerhuis et ses collègues proposent des méthodes pour prédire le pourcentage d'avancement de lots de durées inégales |
| Maturité estimée par modèle | Un modèle PLS prédit la maturité du lot à partir de toutes les variables, et les limites sont fixées le long de cet axe | Quand aucune variable seule ne suit l'avancement ; la méthode batch maturity d'Eigenvector en est une mise en œuvre |
| Alignement temporel dynamique (DTW) | Étire et comprime chaque trajectoire pour la faire correspondre à une référence, avec un minimum de connaissance du procédé | Rythme irrégulier sans variable d'avancement naturelle |
Ne jetez pas l'information de durée. Dans une étude de diagnostic sur un sécheur industriel par lots, la durée des étapes du lot faisait partie des groupes de variables liés à une mauvaise qualité du produit.
Comment un modèle multivarié suit-il un lot en cours ?
La méthode publiée par Nomikos et MacGregor utilise l'analyse en composantes principales (PCA) multivoie pour condenser toutes les trajectoires de tous les bons lots en quelques scores. Un nouveau lot est projeté sur le même modèle au fil de son déroulement, et des cartes de contrôle multivariées indiquent s'il suit toujours le comportement normal. Les limites de contrôle sont issues de la distribution de référence des lots passés réussis, et la méthode a été appliquée à un réacteur industriel de polymérisation par lots. Comme le modèle examine toutes les variables ensemble, il peut signaler un lot dont chaque variable est dans sa plage mais dont la combinaison est inhabituelle.
Quand une carte déclenche une alerte, les graphiques de contribution montrent quelles variables expliquent l'écart. Dans l'étude du sécheur, ils ont aidé à identifier les caractéristiques qui distinguaient les bons lots des mauvais.
L'essai industriel de Lubrizol dans son usine de Rouen, qui utilisait 18 variables d'entrée, 38 variables procédé et 4 variables de sortie échantillonnées toutes les minutes, rapporte des problèmes détectés de cette manière, dont un problème jusque-là non détecté sur un débitmètre massique d'un composant clé et un composant introduit trop lentement. Il faut le lire comme un retour d'expérience associé à un fournisseur, et non comme une évaluation indépendante.
Comment prédire la qualité finale d'un lot avant sa fin ?
Le suivi dit « ce lot est inhabituel ». La prédiction dit « ce lot finira à une viscosité de X ». La régression PLS (moindres carrés partiels) multivoie relie les trajectoires aux résultats de laboratoire finaux et extrait les parties des trajectoires les plus liées à la qualité. Dans la formulation de Nomikos et MacGregor, les cartes de suivi fournissent aussi des prédictions en ligne des qualités finales du produit, avec des intervalles de confiance approximatifs.
En début de lot, une grande partie de la trajectoire est encore inconnue, si bien que les prédictions précoces sont plus incertaines que les tardives. Affichez l'intervalle, pas seulement la valeur. Dans l'essai Lubrizol, les opérateurs pouvaient voir la qualité de fin de lot prédite avec ses limites de confiance sur une courbe séparée ; l'article ne donne aucun chiffre de précision.
Les prélèvements intermédiaires aident. Dans une étude par simulation d'une copolymérisation en émulsion, Duchesne et MacGregor indiquent que des mesures de qualité intermédiaires peuvent réduire sensiblement le nombre de lots nécessaires à l'analyse, et que les mêmes modèles indiquent des modifications de trajectoire qui améliorent la qualité finale.
L'idée est proche d'un capteur logiciel, qui estime la qualité en continu dans un procédé continu. Les mêmes règles s'appliquent : validation sur une période ultérieure, comparaison avec le laboratoire et un responsable nommé. Pour des modèles de procédé qui vont au-delà de la statistique, voir les modèles de substitution pour les procédés chimiques.
Comment démarrer, étape par étape ?
- Choisir un produit et un problème qualité, par exemple une viscosité hors spécification ou une variabilité de la durée de réaction d'un lot à l'autre, avec un coût que vous savez chiffrer.
- Rassembler les dossiers de lot : trajectoires, marqueurs de phase, lots de matières premières et résultats de laboratoire finaux, y compris les lots non conformes et retraités.
- Classer chaque lot comme bon ou mauvais par rapport à la spécification, et noter les causes connues des mauvais lots.
- Segmenter et aligner les lots par phase, puis par variable d'avancement ou alignement temporel si nécessaire.
- Construire le modèle de suivi sur les bons lots uniquement, puis le tester sur des bons lots mis de côté et sur les mauvais lots connus. Il doit signaler les mauvais lots sans submerger les opérateurs de fausses alarmes.
- Construire le modèle de prédiction de la qualité et le vérifier sur des lots plus récents qu'il n'a jamais vus, en comparant les prédictions faites à plusieurs moments du lot avec le résultat de laboratoire final.
- Le faire tourner en parallèle de l'exploitation normale. Les opérateurs voient les cartes et les prédictions, mais n'agissent que selon les procédures existantes. Notre guide sur l'intégration de l'IA aux systèmes SCADA et OT traite de la connexion.
- L'entretenir. Reconstruire l'ensemble de référence après un changement d'équipement, de fournisseur ou de recette, et revoir les alarmes avec les opérateurs.
Avant d'utiliser les données de l'usine, une équipe peut s'exercer sur le jeu de données public IndPenSim : 100 lots simulés d'une fermentation de pénicilline de 100 000 litres, conduits par recette, par les opérateurs et par contrôle avancé, dont dix lots comportant des défauts. Il s'agit de données simulées.
Qu'attendent les autorités réglementaires ?
Dans l'industrie pharmaceutique, les guides de la FDA américaine soutiennent cette approche. Le guide PAT indique que la maîtrise statistique multivariée des procédés peut être réalisable et précieuse pour tirer parti des mesures en temps réel. Le guide sur la validation des procédés demande que les données fassent l'objet d'un suivi statistique de tendance et précise que l'examen de la variabilité intra-lot comme inter-lots fait partie de la vérification continue du procédé. Il met aussi en garde contre une réaction excessive à des événements isolés.
Ce sont des guides américains. Pour les exigences applicables à votre usine en Algérie, consultez les textes du régulateur concerné et faites-les confirmer par un juriste.
Ce que nous avons constaté chez KABAS AI
Nos projets publiés relèvent de la R&D en formulation, et non du suivi de lots en production, mais ils rencontrent les mêmes problèmes de fond.
Chez ADFC (groupe Sonatrach), la variabilité des matières premières d'un lot et d'un fournisseur à l'autre figurait parmi les difficultés identifiées, et la comparaison entre résultats simulés et réels guide les ajustements. Chez ENAD Shymeca, l'étude de cas cite les exigences de documentation et de traçabilité liées à la conformité, ainsi que la nécessité de capitaliser le savoir de chercheurs expérimentés proches de la retraite. Dans les deux cas, le premier travail a consisté à structurer des données dispersées en une base réutilisable, ce qui est aussi la première et la plus longue étape de tout projet golden batch.
Virtual Lab permet aux équipes de tester virtuellement dosages, séquences, températures et autres paramètres procédé avant les essais en laboratoire ou en pilote, conserve un historique complet des essais avec des règles de conformité, et se connecte aux systèmes LIMS et ERP. Notre page industrie manufacturière cite la production par lots, par exemple les lubrifiants et la chimie fine, parmi les types de production que nous accompagnons, et la page chimie traite du contrôle qualité et de l'optimisation des procédés. Pour la démarche d'ensemble, lisez notre article de référence sur Virtual Lab pour la R&D industrielle, et pour le volet recette, l'optimisation de formulations par IA. Avant de vous lancer, la liste de vérification de l'article pourquoi les projets d'IA industrielle échouent mérite d'être lue.
Sources
- Wojewodka et Marruchella, Online Analytics Improves Batch Operations, Chemical Processing, 2011
- Nomikos et MacGregor, Monitoring batch processes using multiway principal component analysis, AIChE Journal 40, 1994
- Nomikos et MacGregor, Multivariate SPC charts for monitoring batch processes, Technometrics 37, 1995
- Nomikos et MacGregor, Multi-way partial least squares in monitoring batch processes, Chemometrics and Intelligent Laboratory Systems 30, 1995
- Kassidas, MacGregor et Taylor, Synchronization of batch trajectories using dynamic time warping, AIChE Journal 44, 1998
- Westerhuis, Kourti et MacGregor, Comparing alternative approaches for multivariate statistical analysis of batch process data, Journal of Chemometrics 13, 1999
- Duchesne et 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, documentation Batch Maturity
- Luo et al., The golden batch-driven root cause analysis for anomalies in bioreactor fermentation process, Frontiers in Manufacturing Technology, 2024
- Goldrick et al., données IndPenSim : 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
Questions fréquentes
Quelle est la différence entre un golden batch et un profil de référence (golden profile) ?
Un golden batch est un seul lot passé, en général le meilleur, utilisé comme référence pour tous les autres. Un profil de référence est construit à partir de nombreux lots acceptables : il décrit à la fois la trajectoire type et la dispersion normale autour d'elle. Un profil multivarié capture en plus la façon dont les variables évoluent ensemble, ce qu'un lot unique ne peut pas montrer.
Combien de lots passés faut-il pour construire un modèle ?
Il n'existe pas de chiffre universel. Les méthodes décrites ici n'exigent qu'une base historique de bons lots passés, mais cet historique doit couvrir la variabilité normale des matières premières, des équipements et des équipes que les nouveaux lots rencontreront. Conservez aussi les lots non conformes connus : ils constituent le meilleur test de la capacité du modèle à détecter les problèmes.
La prédiction de la qualité d'un lot peut-elle remplacer l'analyse de libération finale ?
Dans la plupart des usines, non. La prédiction avertit tôt les opérateurs qu'un lot dérive de sa cible, mais c'est le résultat du laboratoire qui décide de la libération. Dans l'industrie pharmaceutique, la FDA américaine décrit une libération en temps réel fondée sur les données procédé, mais indique que l'accord de l'agence doit être obtenu avant de l'appliquer à des produits couverts par une demande d'autorisation de mise sur le marché.
Et si nos lots n'ont pas tous la même durée ?
C'est le cas normal, et c'est pourquoi les lots doivent être alignés avant d'être comparés. Les approches courantes consistent à découper le lot par phase, à remplacer le temps horloge par une variable d'avancement comme le taux de conversion, ou à utiliser l'alignement temporel dynamique (dynamic time warping). La durée de chaque phase est souvent une information utile en elle-même.
La prédiction de la qualité d'un lot est-elle la même chose qu'un capteur logiciel ?
Ce sont des proches parents. Un capteur logiciel estime en général une variable qualité en continu dans un procédé continu. La prédiction de la qualité d'un lot estime la qualité qu'aura le lot à la fin, à partir de la partie de sa trajectoire déjà mesurée.
Ces modèles peuvent-ils tourner sur nos propres serveurs ?
Oui. Les modèles multivariés de suivi et de prédiction de la qualité, comme la PCA et la PLS, sont légers et tournent sur des serveurs ordinaires à l'intérieur du réseau de l'usine. Les dossiers de lot et les recettes sont souvent sensibles, et beaucoup d'entreprises préfèrent garder les données comme les modèles sur site.



