Industrie & Produktion

Batch-Qualität per Machine Learning: Abweichungen und Ausschuss früh sehen

In der Batch-Produktion von Pharma und Chemie zeigt sich ein Qualitätsproblem oft erst, wenn das Laborergebnis vorliegt. Das Tagesseminar zeigt, wie ML-Modelle Prozessdaten auswerten, Abweichungen erkennen und über Soft Sensors Qualitätsmerkmale vorhersagen. Sie üben an Prozessdaten, leiten Ursachen ab und klären, wie solche Modelle in MES/PLS eingebunden und unter GxP validiert werden.

Für wen

Verantwortliche für Produktion und Qualität in Pharma und Chemie, die die Qualität ihrer Chargen datengestützt absichern wollen.

KI-Tagesseminar · 1 Tag

Prozessdaten nutzen, um Chargenabweichungen vor der Laborfreigabe zu erkennen

Das nehmen Sie mit

  • Ein Verständnis, welche Modelltypen Abweichungen erkennen und Qualitätsmerkmale vorhersagen.
  • Übung im Analysieren von Prozessdaten und im Ableiten von Ursachen für Qualitätsprobleme.
  • Einen Fahrplan, der MES/PLS-Anbindung, Validierung und Rollen im Betrieb berücksichtigt.

Ablauf

  1. Teil 1

    Modul 1 – Grundlagen: Prozessdaten und Qualität in der Batch-Produktion

    • Prozessdaten einer Charge wie Temperaturverlauf, Druck und Dosierzeit und ihr Bezug zu Qualitätsmerkmalen
    • Ansatzpunkte für ML entlang der Charge, von der Einwaage bis zur Endkontrolle
    • Nutzen und Grenzen: Datenmenge, Chargenvielfalt und Messlücken als begrenzende Faktoren
    • Vorführung: ein Modell meldet eine Abweichung, während die Charge noch läuft
    • Eigene Lage: an welchen Prozessschritten und Produkten bei Ihnen Ausschuss entsteht
  2. Teil 2

    Modul 2 – Modelle: Anomalien erkennen, Qualität vorhersagen

    • Anomalie- und Abweichungserkennung in multivariaten Prozessverläufen
    • Qualitätsprognosen mit Soft Sensors, die Labormerkmale aus laufenden Messwerten schätzen
    • Übung: Prozessdaten mehrerer Chargen auswerten und auffällige Verläufe markieren
    • Muster über viele Messgrößen erkennen, statt einzelne Grenzwerte isoliert zu überwachen
  3. Teil 3

    Modul 3 – Anwendung: Golden Batch, Ursachen, stabile Qualität

    • Golden Batch als Referenzverlauf nutzen und daraus Prozessverständnis gewinnen
    • Ausschuss und Nacharbeit senken, indem Abweichungen früher abgefangen werden
    • Root-Cause-Analyse: Modellhinweise mit Fachwissen aus Produktion und QS verbinden
    • Übung: aus einem auffälligen Chargenverlauf eine plausible Ursache herleiten
    • Erkenntnisse in Prozessparameter und Arbeitsanweisungen zurückführen, damit die Qualität stabil bleibt
  4. Teil 4

    Modul 4 – Umsetzung: MES/PLS, GxP und Betrieb

    • Integration in MES/PLS: Datenzugriff, Rückmeldung an Bedienende, Schnittstellen
    • GxP und Validierung: was ein ML-Modell in der regulierten Produktion nachweisen muss
    • Fallstudie: Ein Chargenbetrieb der Prozessindustrie verbessert seine QS mit ML
    • Betrieb und Rollen: wer Modelle überwacht, nachtrainiert und Alarme bewertet
    • Fahrplan zur datengetriebenen QS in Ihrer Produktion

VoraussetzungenVorausgesetzt wird Erfahrung in Produktion oder QM der Prozessindustrie.

AbschlussTeilnahmezertifikat und digitales Badge

Thema anfragen