| 揚聲器 |
抄本 |
| Andrea Coombs，JMP |
大家好，我叫 Andrea Coombs，是 JMP 的系統工程師。今天我想分享我多年來在行業，特別是製藥業工作的經驗。 |
| |
這就是我今天要簡單講述的內容。 |
| |
合理的因應策略 |
| |
疫苗生產過程中即時生產數據的處理。在那次演講中，我討論了處理曲線資料的方法 |
| |
這些資訊都是我們從生產車間的傳感器即時獲取的。 |
| |
今天，我想談談 JMP 中的一些新工具，特別是函數資料探索器，以及它如何使所有這些工作變得輕而易舉。 |
| |
我將介紹如何使用功能數據瀏覽器來理解流程、優化流程和監控流程。 |
| |
那麼，我們先來談談我們處理的流程和曲線。左邊是一個假設的疫苗生產流程的例子。它從材料準備開始。 |
| |
在這種情況下，我們分兩個階段進行細菌發酵，然後將產品過濾、吸收和收穫， |
| |
隨後將產品離心，最後將多個子批次的材料配製成一批材料。 |
| |
今天我將重點放在這個過程的發酵階段。 |
| |
細菌在發酵過程中會經歷生長，生長曲線就像右邊。生長過程中，會經歷滯後期、指數成長期、穩定期，最後是對數死亡期。 |
| |
當我在這家公司工作時，我們正在經歷流程理解的演變，特別是圍繞這些成長曲線。 |
| |
所以我們很早就開始了，只從這兩個發酵階段取了五個樣本，然後送到…品管實驗室，等待結果。我們得到了 |
| |
光密度，所以我們可以知道這些樣本中的細胞密度，我們得到的結果看起來就像你在右邊看到的一樣。 |
| |
我們有這些特定時間點的結果分佈，但我們真的不知道成長曲線是什麼樣子的。它們可能看起來像我在下面這些分佈上繪製的任何曲線。我們真的一點頭緒都沒有。 |
| |
但後來我們安裝了線上探頭，所以我們安裝了濁度探頭，這樣我們就能真正看到那些生長曲線是什麼樣的。然而，我們必須穿上防護服，進入生產車間。 |
| |
手動下載數據，將其帶回我們的辦公桌，然後嘗試弄清楚我們要用這些數據做什麼。 |
| |
最後，我們升級了 PLC，現在可以在辦公桌上獲取所有感測器的數據，無需穿上防護服返回…然後返回製造車間；我們擁有所有數據 |
| |
觸手可及，這很棒。但透過仔細分析，我們發現數據太多了，需要處理的數據量很大。 |
| |
所以這就是為什麼... |
| |
這就是我做這個關於理解即時數據的應對策略的演講的原因。 |
| |
我們投入了大量精力來理解我們的數據，我想分享一些您可以採取的策略來理解您的即時數據。 |
| |
我首先談到的是參數化這些成長曲線。我們有這些曲線，但我們希望能夠觀察成長情況， |
| |
為了理解發生了什麼，我們對其進行了參數化。換句話說，我們取了生長斜率和死亡率的斜率，並觀察了細菌在每個階段的持續時間。我們觀察的是 |
| |
特定時間點的濁度，現在我們收集了大量這些成長數據......我們稱之為成長變數。 |
| |
這些成長變數對我們非常有用。我們利用它們來理解流程、優化流程和監控流程。 |
| |
現在我談到的第二組因應策略就是處理所有這些即時數據 |
| |
我們有這些數據。所以，當然，一旦我們發現這些數據有用，我們就想立即訪問它們。 |
| |
因此，我們必須弄清楚的第一件事就是我們所有的數據來源，並確保我們可以存取我們擁有的一切，不僅是來自我們的歷史學家的數據，還有來自我們的 |
| |
ERP系統，在我們的實驗室資訊管理系統中。我們必須把所有資料都集中在一起。我們使用了一個超級日誌，它就像一個指揮中心，可以存取我們所有的資料並運行所有腳本。 |
| |
我們確實做了大量的工作。我們對自己非常自豪，但事後看來， |
| |
了解 JMP 中有哪些工具，特別是現在的 JMP 16，有幾件事可以讓這項工作變得容易得多。 |
| |
有了生長曲線，我們就可以用函數式資料探索器來分析曲線了。我們不需要參數化它們， |
| |
我們遺留了很多數據。我們可以在功能性資料探索器中使用所有資料。當然，也可以在增強日誌中記錄操作。 |
| |
這會讓腳本編寫工作變得容易得多。但今天我只想專注於如何使用函數式資料探索器。 |
| |
當然，我現在已經無法存取這些數據了，所以我模擬了一些生長曲線。這裡有20條不同的曲線，它們代表了細菌發酵過程中可能出現的一些變化。 |
| |
使用函數式資料探索器，它實際上可以歸結為以下四個步驟。第一步是，你需要收集曲線 |
| |
你需要平滑所有單獨的曲線。第二步是確定平均形狀和形狀分量，它們描述了你在這些曲線中看到的所有變化。 |
| |
下一步是提取每個曲線的形狀分量的大小。 |
| |
有了這兩個形狀成分，它們實際上被稱為功能主成分， |
| |
然後您可以使用它們來分析數據，無論您的曲線是模型的輸入，還是模型的輸出，如果您想進行聚類分析。 |
| |
真的，現在你可以用這些函數主成分來做任何類型的分析。在今天的例子中，我所有的曲線都是模型的輸出，所以我將使用函數式實驗設計 |
| |
仔細觀察這些曲線。讓我們進入 JMP。 |
| |
這裡有我的資料表，其中有批號，有濁度時間，它們構成了曲線。 |
| |
我還有很多工藝參數。我要做的第一件事是，了解流程，看看這些製程參數是否 |
| |
會影響我在曲線中看到的變異性。讓我們進入函數資料探索器。我們將時間當作X，濁度為Y。我們將輸入ID函數，然後我們將所有這些過程參數輸入為補充變數。 |
| |
現在，我們需要做的第一步是，我們需要將靈活的模型擬合到我們所有的曲線，我將使用定向...直接功能 PCA 來做到這一點。 |
| |
這些是靈活的模型。第二步，JMP 已經幫我完成了，就是確定平均值曲線。 |
| |
以及我們的形狀組件。 JMP 幫我辨識了六種不同的形狀組件。在左邊，我可以看到這六種不同的形狀組件。 |
| |
這是這些形狀成分在我的資料中解釋的累積變化量。 |
| |
您可以看到，僅使用前兩個形狀成分，我已經描述了曲線中 92％ 的變化，這非常棒。 |
| |
剩下的形狀成分，我將排除，因為它們可能只是解釋了我數據中的隨機變異性。所以我們繼續，將 FPC 的數量自訂為兩個，這樣就只剩下這兩個形狀成分了。 |
| |
現在，下一步是確定每個曲線的每個形狀分量的大小，並將它們放在我的分數圖中。 |
| |
在 X 軸上，我有形狀組件 1，在 Y 軸上，我有形狀組件 2。 |
| |
下面我有一個分析器，我可以在其中查看曲線，我在這裡用黃色突出顯示，您可以看到第一個形狀組件如何影響曲線的形狀， |
| |
主要影響曲線的生長階段，第二個形狀成分主要影響曲線的死亡階段。 |
| |
讓我們仔細看看其中幾個批次。讓我們來看看第 15 批次。這是第 15 批次的曲線，我們可以看到形狀分量 1 的振幅和形狀分量 2 的振幅。我可以直接將它們輸入到我的分析器中。 |
| |
現在您可以看到，我能夠復現第 15 批次的曲線。我們再看一個。讓我們來看看第 2 批次，您會發現它與第 15 批次相比非常不同，形狀…形狀分量的幅度也非常不同。所以，讓我們 |
| |
看看那些。 |
| |
現在您可以看到我們已經......我們也能夠複製該曲線。 |
| |
因此，了解了平均形狀，即表示曲線周圍變化的兩個形狀成分，我們現在可以使用這些形狀成分的幅度來進行分析。 |
| |
我們可以這樣做...當您的曲線是模型中的回應時，您可以在功能資料資源管理器中進行分析。 |
| |
下面，我有一個新的分析器。這次在分析器裡，我又有了曲線，我會再用黃色高亮顯示。 |
| |
然後我得到了pH值、溫度、壓力和攪拌速度參數。你可以看到，這裡的攪拌速度相當平穩，所以它不會影響形狀。 |
| |
壓力也是一樣，但當我開始觀察溫度時，你可以看到它改變了曲線的形狀，主要是曲線的成長階段。而當我改變pH值時，它主要影響的是曲線的成長階段。 |
| |
這就是我理解流程的方法。那麼，流程優化呢？我所說的流程優化是指： |
| |
你知道，如果我們想要標準化一條特定的曲線，那麼為了得到這條曲線，我們需要多少pH和溫度呢？嗯，你首先要做的就是定義一下 |
| |
所需的曲線是什麼樣的。我的資料表底部有一些數據點，它們描述了我想要的形狀，你可以在我的…上看到它們。 |
| |
在圖形產生器中。在這種情況下，我感興趣的是得到一條曲線，其中成長率非常快，然後崩潰率非常慢。 |
| |
這很容易添加到函數式資料探索器中。我們只需要再做一步；我會回想我之前的操作。 |
| |
還有一個步驟是載入目標函數，確定哪個 |
| |
函數代表我們的目標。我現在要做的就是重複之前的步驟。我會進行直接函數主成分分析。 |
| |
我將把我的 FPC 定制為 2，而這個...這些結果正是我們之前看到的，然後我將進行功能性 DOE。 |
| |
再次強調，我會在這裡突出顯示我的曲線。既然目標曲線已經確定，我就可以最大化可取性，換句話說，我可以找到pH值和溫度的設定點 |
| |
以及壓力和攪拌速度，這樣就能得到最接近目標曲線的曲線。所以 |
| |
非常快的成長速度，緩慢的崩潰率。我只需要 |
| |
在我的發酵槽中，pH 值為 7.2，溫度為 37.9。這就是我理解和優化流程時會用到的方法。 |
| |
當我們談論生長曲線或曲線形狀的過程監控時，存在一些不同的選擇，我在這裡有幾個不同的想法。 |
| |
如果這是您想做的事情，我強烈建議您查看這個 2020 年的演示文稿，具有函數形式的過程變數的統計過程控制。 |
| |
這是一個錄製好的演示，非常棒。他們討論如何提取這些功能主成分，並將它們放入模型驅動的多元控製圖中。 |
| |
他們對此進行了出色的演示...演示，然後還談到了採用這種方法的一些可能存在的缺點。 |
| |
因此，我想討論您可能需要考慮的另一種方法，即查看與標準的綜合差異。 |
| |
就像之前一樣，當我們查看目標曲線時，你可以用它作為標準，然後針對每個批次計算與該標準的差異。例如，我在這裡 |
| |
圖中用藍色……或不好意思，用紅色表示的某批次的曲線。藍色是標準曲線，我取的是差異值，差異值就在下面這條綠色曲線上。 |
| |
你可以對曲線進行積分，得到曲線下的面積，然後就可以在你的統計過程控製程式中使用它了。我只想快速地向你介紹一下具體步驟。 |
| |
這是我的時間和標準濁度值，也就是第一批的濁度，我剛剛計算了兩者之間的差值。然後你可以做的是 |
| |
使用擬合 Y 和 X 來建立隨時間變化的差異的樣條模型，然後您可以將該模型的係數儲存到資料表中。 |
| |
你將得到 X 值和四個係數，可以用來建立樣條模型。這是建構樣條模型的公式。 |
| |
然後對這個公式進行積分。你可以透過腳本來實現，我選擇在公式編輯器中實現。我在這裡只是手動對前面的公式進行積分，就確定了曲線每段的面積。 |
| |
因此，一旦我有了這些區域切片，我只需要將我感興趣的區域加起來。這樣我就可以計算出整個曲線的面積。 |
| |
我也可以只對生長期和死亡階段進行分析，我已經在這裡完成了 |
| |
在我的表格變數中。所以，我現在有一個變量，分別表示總積分差異、生長階段的積分差異和死亡階段的積分差異。 |
| |
本質上，你只需要對每個批次都進行一遍。這裡我已經對所有20個批次都做了同樣的操作，現在你可以對這些變數進行統計製程控制了。 |
| |
以上就是我使用函數式資料探索器來監控流程、理解流程、最佳化流程的方法。希望您能了解一下，這對您來說也很容易。謝謝。 |
